Aplikasi Sistem Neuro-Fuzzy untuk Pengenalan Kata
|
|
- Shinta Darmali
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Aplikasi Sistem Neuro-Fuzzy untuk Pengenalan Kata Yoanes TDS, Tiang, Suntono Candra Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra Abstrak Makala ini menelaskan tentang aplikasi sistem ybrid antara neural network dan fuzzy logic yang dinamakan sistem neuro-fuzzy. Dalam penelitian ini, sistem ybrid neuro-fuzzy diaplikasikan untuk pengenalan kata yaitu kata nol, satu, dua, tiga, empat. Struktur aringan dari sistem neuro-fuzzy yang digunakan terdiri atas satu input layer, empat idden layer dan satu output layer. Sistem ini tela diui dengan membandingkan struktur neuro-fuzzy dengan neural network. Hasil yang dicapai memperliatkan bawa sistem neuro-fuzzy memberikan asil yang lebi baik dibandingkan dengan sistem neural network. Waktu pembelaaran sistem neuro-fuzzy lebi cepat dibandingkan dengan neural network. Untuk 270 sampel suara, sistem neuro-fuzzy menyelesaikannya dengan iterasi sedangkan neural network membutukan iterasi. Nilai persentase kebenaran tertinggi dari sistem Neuro-fuzzy mencapai 96,36 % sedangkan sistem neural network saa mencapai 62,86 %. Kata kunci : neural network, neuro-fuzzy, pengenalan kata. Abstract Tis paper describes implementation of neuro-fuzzy system, a ybrid system between neural network and fuzzy logic. In tis researc, neuro-fuzzy system is implemented for speec recognition. Te words tat would be recognized are nol, satu, dua, tiga, and empat. Te neuro-fuzzy system ad one input layer, four idden layers, and one output layer. Te experiment was done by compare neuro-fuzzy system wit neural network system. Te results sowed tat neuro-fuzzy system give better result tan neural network system. Learning time for neuro-fuzzy system was faster tan neural network system. Neuro-fuzzy needed 160,000 iterations for learning 270 sound samples. On te contrary, neural network needed 500,000 iterations for learning 270 sound samples. Neuro-fuzzy system could recognize up to 96,36 %. Neural network system could recognize only 62,86 %. Keywords : neural network, neuro-fuzzy, speec recognition. Pendauluan Sistem neural network tela banyak diaplikasikan untuk proses pengenalan suara atau pengenalan kata. Tetapi dalam beberapa kasus, neural network belum dapat memberikan asil yang baik. Karena itu dalam makala ini akan dielaskan asil penelitian yang tela dilakukan tentang pengembangan sistem neural network menadi sistem ybrid dengan fuzzy logic. Sistem ini dinamakan sistem neuro-fuzzy. Arsitektur dasar dari sistem ini adala neural network tetapi data yang diola suda berupa data dalam bentuk variabel fuzzy. Ini yang membedakan antara arsitektur neuro-fuzzy dengan arsitektur neural network biasa. Dengan sistem ybrid ini, diarapkan sistem dapat memberikan asil yang lebi baik. Pembaasan makala ini dimulai dengan motivasi, mengapa penelitian ini dilakukan kemudian dilanutkan dengan penelasan disain sistem neuro-fuzzy dan asil penguian yang tela dilakukan serta ditutup dengan kesimpulan yang dapat diambil dari penelitian ini. Deskripsi Sistem Secara umum sistem yang tela didisain terdiri atas 2 bagian utama. Bagian pertama adala bagian pemrosesan awal dan bagian kedua adala sistem neuro-fuzzy itu sendiri. Hasil dari bagian pemrosesan awal akan menadi input bagi sistem neuro-fuzzy. Blok diagram sistem secara keseluruan dapat diliat pada Gambar 1. Catatan: Diskusi untuk makala ini diterima sebelum tanggal 1 November Diskusi yang layak muat akan diterbitkan pada Jurnal Teknik Elektro volume 3, nomor 1, Maret Gambar 1. Blok Diagram Sistem 73
2 Jurnal Teknik Elektro Vol. 2, No. 2, September 2002: Pengambilan sampel suara dilakukan dengan beberapa batasan berikut: Pengambilan sampel suara dilakukan dalam rentang waktu 1 detik. Frekuensi sampling yang digunakan adala Hz dengan resolusi 8 bit seingga dalam 1 detik ada data sampling. Sistem Pemrosesan Awal Bagian pemrosesan awal terdiri atas dua proses utama yaitu Fast Fourier Transform (FFT) dan segmentasi. Blok diagram pemrosesan awal dapat diliat pada gambar 2. Setiap segmen mempunyai lebar rentang frekuensi sebesar 431,25 Hz yang didapat dari pembagian lebar frekuensi suara manusia 150 Hz sampai 3600 Hz dengan 8. Satu blok segmen frekuensi akan diwakili ole satu nilai magnitude frekuensi dan nilai ini didapatkan dengan mengitung rata-rata magnitude dari semua frekuensi yang ada dalam segmen tersebut. Nilai rata-rata inila yang akan menadi input dari arsitektur neuro-fuzzy. Arsitektur Neuro-Fuzzy Blok diagram dari sistem neuro-fuzzy dapat diliat pada gambar 3. Gambar 2. Blok Diagram Pemrosesan Awal Sampel suara yang didapatkan dari proses sampling suara merupakan sinyal suara manusia dalam domain waktu. Pada bagian ini, sinyal suara tersebut akan diuba ke dalam domain frekuensi dengan menggunakan Fast Fourier Transform (FFT) seingga akan didapatkan sinyal suara yang terpetakan dalam spektrum frekuensi. Dari data sampling dalam satu sampel suara, anya 8192 data yang digunakan sebagai input dari FFT. Output dari FFT ditransformasikan ke dalam rentang frekuensi suara manusia antara 150 Hz sampai dengan 3600 Hz. Magnitude dari frekuensi dalam kisaran frekuensi tersebut diitung dengan menggunakan persamaan berikut [1]: F = E (1) 8192 ( f ) DataRe( E) 2 DataIm( E) 2 M = + (2) dimana E adala point output dari FFT, F adala frekuensi, M(f) adala magnitude pada suatu frekuensi, DataRe adala output real FFT pada point ke E dan DataIm adala output imainer FFT pada point ke E. Nilai magnitude M(f) akan dinormalisasikan dalam rentang nilai antara 0 sampai 1. Setela data sampel suara diuba ke domain frekuensi, data sampel suara akan disegmentasi dalam 8 segmen melalui proses segmentasi. Gambar 3. Blok Diagram Sistem Neuro-Fuzzy Arsitektur neuro-fuzzy yang tela didisain dapat diliat pada gambar 4. Beberapa spesifikasi dari arsitektur neuro-fuzzy yang tela dibuat adala sebagai berikut: 32 neuron dalam input layer 1 neuron dalam output layer 4 bua idden layer dengan maksimal 63 neuron dalam satu idden layer Metode training yang digunakan adala Back Propagation Network Besar error limit yang digunakan antara 0 sampai 1 Besar learning rate antara 0,1 0,4 dan besar momentum term antara 0,6 0,9 Weigt (bobot) diinisialisasikan secara acak antara 0,5 sampai 0,5 Hasil pemrosesan awal berupa data sampel suara yang tela disegmentasi dalam 8 segmen, akan menadi input dari sistem neuro-fuzzy. Karena itu dalam sistem ini ada 8 input x p = {x p1, x p2,..., x p8 }. Taap pertama dari sistem neuro-fuzzy adala proses fuzzyfikasi. Pada proses ini, nilai crisp dari setiap input data segmentasi sampel suara diuba menadi variabel fuzzy dan nilai gradenya. Karena dalam input membersip function anya teradi overlap antar 2 label (fuzzy set) saa, maka setiap input data segmentasi sampel suara akan mengasilkan output fuzzyfikasi sebanyak 4 data yaitu 2 data variabel fuzzy dan 2 data nilai gradenya. 74
3 Gambar 4. Arsitektur Neuro-Fuzzy Karena sistem ini memiliki 8 input yang diambil dari asil segmentasi data sebanyak 8 segmen, maka output proses fuzzyfikasi akan mengasilkan 32 data x d = {x d0, x d1,..., x d31 }. Ole karena itu pada input layer dari sistem neural network terdapat 32 neuron. Selanutnya mengitung nilai net-input pada masing-masing node pada idden layer dengan menggunakan persamaan berikut: net i = N = 1 ( w. x ) (3) i i Output dari masing-masing node pada idden layer dapat diitung dengan persamaan berikut: o = f ( net ) (4) Nilai pada node output layer diitung dengan menggunakan persamaan berikut: net o kk = L = 1 ( w. o ) (5) o k k Output dari sistem neural network diperole dengan menggunakan persamaan berikut: O = o o k f k (netk ) (6) Karena output dari sistem neural network anya ada satu nilai maka proses defuzzyfikasi dilakukan dengan sederana yaitu mencari membersip function yang terdekat. Bentuk input membersip function yang digunakan dalam sistem ini dapat diliat pada gambar 5. Gambar 5. Input Membersip Function Nol Satu Dua Tiga Empat Gambar 6. Output Membersip Function Input membersip function mempunyai 5 label atau variabel yaitu very low, low, medium, ig dan very ig. Nilai variabel very low adala 0,1, nilai variabel low adala 0,3, nilai variabel medium adala 0,5, nilai variabel ig adala 0,7 dan nilai variabel very ig adala 0,9. Output membersip function berbentuk singleton dan mempunyai 5 variabel yang mewakili 5 bua 75
4 Jurnal Teknik Elektro Vol. 2, No. 2, September 2002: kata yang akan dikenali. Gambar 6 menunukkan bentuk membersip function yang digunakan. Hasil Penguian Penguian sistem neuro-fuzzy untuk pengenalan kata tela dilakukan dengan variasi parameter learning rate, variasi parameter momentum dan variasi umla idden layer. Penguian yang sama uga dilakukan pada neural network tanpa fuzzy agar diperole perbandingan antara sistem neuro-fuzzy dengan sistem neural network tanpa fuzzy. 1. Penguian Sistem Neural Network Tanpa Fuzzy Tabel 1. Penguian Sistem Neural Network Tanpa Fuzzy Gambar 7. Tingkat Kebenaran Pengenalan Kata dengan Sistem Neural Network tanpafuzzy Dari gambar terliat bawa semakin banyak sampel suara, semakin tinggi tingkat kebenaran pengenalan. Tingkat kebenaran tertinggi yang dicapai adala 62.86% 2. Penguian Sistem Neuro-Fuzzy Tabel 2. Hasil Penguian Sistem Neuro-Fuzzy Tabel 3. Hasil Penguian Sistem Neuro-Fuzzy (lanutan) * Proses training belum dapat mengenali sampel suara Tabel 1 menunukkan asil penguian untuk sistem neural network tanpa fuzzy. Dari asil penguian terliat bawa secara umum learning rate yang kecil mengasilkan peralanan error yang lebi stabil tetapi dalam proses pengenalan membutukan waktu yang lebi lama, berbeda dengan learning rate yang lebi besar membutukan waktu yang lebi cepat dalam proses pengenalan. Berikut adala grafik tingkat kebenaran pengenalan kata ole sistem neural network tanpa fuzzy. Dari asil penguian terliat bawa sistem neurofuzzy memberikan asil yang lebi baik ika dibandingkan dengan sistem neural network tanpa fuzzy. Waktu yang diperlukan untuk pengenalan lebi cepat dibandingkan dengan sistem neural network. Berikut adala grafik tingkat kebenaran pengenalan kata ole sistem neuro-fuzzy. 76
5 Daftar Pustaka Gambar 8. Tingkat Kebenaran Pengenalan Kata dengan Sistem Neuro-Fuzzy Gambar 9. Tingkat Kebenaran Pengenalan Kata dengan Sistem Neuro-Fuzzy (lanutan) Dari grafik terliat bawa tingkat kebenaran tertinggi yang dapat dicapai adala 96,36%, lebi tinggi bila dibandingkan dengan sistem neural network tanpa fuzzy. [1]. Emmanuel C. Ifeacor, Digital Signal Processing, A Practical Approac, Addison Wesley, [2]. Krissusanto, Deddy, Pengendalian Kecepatan Putaran Motor Universal (70W, 100 Vdc / 125 Vac, 0.7 A) Via Suara Manusia Berbasis Jaringan Saraf Tiruan Dengan Pemroses Awal Fast Fourier Transform, Universitas Kristen Petra, Surabaya, [3]. Wiaya, Udi, Pengendalian Peralatan Listrik Pada Ruangan Melalui Perinta Suara Manusia Berbasis Jaringan Saraf Tiruan, Universitas Kristen Petra, Surabaya, [4]. Gunawan, Perencanaan Dan Pembuatan Pengendali Kecepatan Motor Universal (70W, 100 Vdc / 125 Vac, 0.7 A) Melalui Perinta Suara Manusia Berbasis Jaringan Saraf Tiruan, Universitas Kristen Petra, Surabaya, [5]. Nelson Morgan and Herve Bourlard, Continous Speec Recognition, IEEE magazine, May 1995, page [6]. Hong Ding dan Madan M. Gupta, Learning Fuzzy Set Neural Network By Genetic Algoritms, Journal of Intelligent and Fuzzy System, Vol. 5, 1997 [7]. B.L Teraa, A Text Book of Tecnology, New Deli: Nira Construction and development Co, [8]. Anil K. Jain, Artificial Neural Networks: A Tutorial, Computer Magazine, Vol. 29, No. 3, [9]. Edgar Sancez-Sinencio. Artificial Neural Networks, New York: IEEE Press, Kesimpulan Sistem neural network tanpa fuzzy dapat digunakan untuk pengenalan kata, tetapi membutukan waktu yang lama untuk proses learning dan pengenalan. Modifikasi sistem menadi sistem ybrid neural network dan fuzzy yang dikenal dengan nama Neuro-Fuzzy, memberikan asil yang lebi baik. Ada peningkatan kecepatan dalam proses learning dan pengenalan. 77
PENGENALAN 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 terperinciPERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION
PERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION (Forecast The Number of Vehicle in Jakarta Using Backpropagation Neural Net ) Zumrotus Sya diyah Universitas Darussalam Ambon,
Lebih terperinciMENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB
POLITEKNOSAINS VOL. X NO. 2 Juni 2011 MENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB Yaya Finayani Teknik Elektro, Politeknik Pratama Mulia, Surakarta 57149, Indonesia ABSTRACT
Lebih terperinciBAB I PENDAHULUAN I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Prinsip teknologi dikembangkan adalah untuk membuat alat atau sarana yang dapat membantu dan memberi kemudahan bagi manusia untuk melakukan kegiatan dalam hidup. Seiring
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 SPEAKER IDENTIFICATION DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF
Lebih terperinciOPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK
OPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK ABSTRAK Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Algoritma umum metode propagasi
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 terperinciPerbandingan Arsitektur Multilayer Feedforward Network dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array
Nico Saputro Perbandingan Arsitektur Multilayer Feedforard Netork dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array Abstrak Jaringan Syaraf Tiruan dapat diimplementasikan secara perangkat
Lebih terperinciPENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS MULTILAYER PERCEPTRON
PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS MULTILAYER PERCEPTRON Disusun oleh : Nama : J. Rio Sihombing NRP : 0322129 Jurusan Teknik Elektro, Fakultas Teknik,
Lebih terperinciPENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS ALGORITMA RESILIENT PROPAGATION
PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS ALGORITMA RESILIENT PROPAGATION Disusun oleh : Nama : Robin Panjaitan NRP : 0622017 Jurusan Teknik Elektro, Fakultas
Lebih terperinciANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA
ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA Julpan 1 *, Erna Budhiarti Nababan 1 & Muhammad Zarlis 1 1 Program S2 Teknik Informatika
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masin-masing komponen perangkat.
Lebih 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 terperinciPengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih 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 terperinciBAB III METODE STRATIFIED RANDOM SAMPLING
BAB III METODE STRATIFIED RADOM SAMPIG 3.1 Pengertian Stratified Random Sampling Dalam bukunya Elementary Sampling Teory, Taro Yamane menuliskan Te process of breaking down te population into rata, selecting
Lebih terperinciPengkajian Metode Extended Runge Kutta dan Penerapannya pada Persamaan Diferensial Biasa
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (215 2337-352 (231-928X Print A-25 Pengkajian Metode Extended Runge Kutta dan Penerapannya pada Persamaan Diferensial Biasa Singgi Tawin Muammad, Erna Apriliani,
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 terperinciAPLIKASI SPECTRUM ANALYZER UNTUK MENGANALISA LOUDSPEAKER
APLIKASI SPECTRUM ANALYZER UNTUK MENGANALISA LOUDSPEAKER Leo Willyanto Santoso 1, Resmana Lim 2, Rony Sulistio 3 1, 3 Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Kristen Petra
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 NADA SULING REKORDER MENGGUNAKAN FUNGSI JARAK CHEBYSHEV
PENGENALAN NADA SULING REKORDER MENGGUNAKAN FUNGSI JARAK CHEBYSHEV Marianus Hendra Wijaya 1), Linggo Sumarno 2) 1) Program Studi Teknik Elektro Fakultas Sains dan Teknologi Universtas Sanata Dharma Yogyakarta
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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Model Penelitian Penelitian yang dilakukan dapat dijelaskan dengan lebih baik melalui blok diagram seperti yang terliat pada Gambar 3.1. Suara Manusia Rekam suara Hasil rekaman
Lebih terperinciJaringan Syaraf Tiruan pada Robot
Jaringan Syaraf Tiruan pada Robot Membuat aplikasi pengenalan suara untuk pengendalian robot dengan menggunakan jaringan syaraf tiruan sebagai algoritma pembelajaran dan pemodelan dalam pengenalan suara.
Lebih terperinciANALISA PREDIKSI TINGKAT PENGANGGURAN DENGAN JARINGAN SYARAF TIRUAN
Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ISSN: 907-5022 Yogyakarta, 6 Juni 2007 ANALISA PREDIKSI TINGKAT PENGANGGURAN DENGAN JARINGAN SYARAF TIRUAN Prisa Marga Kusumantara, I Gede
Lebih terperinciSTUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
STUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Muh. Ishak Jumarang 1), Lyra Andromeda 2) dan Bintoro Siswo Nugroho 3) 1,3) Jurusan Fisika,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciDAFTAR ISI HALAMAN JUDUI HALAMAN PENGESAHAN PEMBIMBING HALAMAN PENGESAHAN PENGUJI HALAMAN PERSEMBAHAN MOTTO KATA PENGANTAR DAFTAR GAMBAR DAFTAR TABRI
DAFTAR ISI HALAMAN JUDUI i HALAMAN PENGESAHAN PEMBIMBING HALAMAN PENGESAHAN PENGUJI HALAMAN PERSEMBAHAN MOTTO KATA PENGANTAR ii iii iv v vi DAFTAR ISI DAFTAR GAMBAR DAFTAR TABRI viii xi xvii DAFTAR LAMPIRAN
Lebih terperinciSistem Verifikasi Penutur menggunakan Metode Mel Frequensi.
SISTEM VERIFIKASI PENUTUR MENGGUNAKAN METODA MEL FREQUENCY CEPSTRAL COEFFICIENTS-VECTOR QUANTISATION (MFCC-VQ) SERTA SUM SQUARE ERROR (SSE) DAN PENGENALAN KATA MENGGUNAKAN METODA LOGIKA FUZZY Oleh : Atik
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
39 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data dan Pembahasan Data yang dimiliki dalam penelitian ini dibagi menjadi dua, yaitu: 1. Suara gamelan Bonang 2. Bukan suara Gamelan Bonang (Gamelan
Lebih terperinciPengenalan Pola Sinyal Suara Manusia Menggunakan Metode Back Propagation Neural Network
Pengenalan Pola Sinyal Suara Manusia Menggunakan Metode Back Propagation Neural Network Faradiba * Prodi Pendidikan Fisika, Universitas Kristen Indonesia Jln. Mayjend Sutoyo, No.2, Cawang, jakarta Timur,
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION
JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan E-mail : yuyun.dl@gmail.com
Lebih terperinciEKSPRESI EMOSI MARAH BAHASA ACEH MENGGUNAKAN ALGORITMA PERCEPTRON
EKSPRESI EMOSI MARAH BAHASA ACEH MENGGUNAKAN ALGORITMA PERCEPTRON Nurmasyitah 1, Mursyidah 2, Jamilah 3 Program Studi Teknik Multimedia dan Jaringan, Jurusan Teknologi Informasi dan Komputer, Politeknik
Lebih terperinciPENINGKATAN HASIL BELAJAR SISWA KELAS V/A DENGAN MENGGUNAKAN MEDIA GRAFIS KARTU PADA PEMBELAJARAN IPS DI SD PT. BINTARA TANI NUSANTARA
PENINGKATAN HASIL BELAJAR SISWA KELAS V/A DENGAN MENGGUNAKAN MEDIA GRAFIS KARTU PADA PEMBELAJARAN IPS DI SD PT. BINTARA TANI NUSANTARA Abdul Hamid 1, Pebriyenni 1, Niniwati 1 1 Program Studi Pendidikan
Lebih terperinciUPAYA PENINGKATAN MOTIVASI DAN PRESTASI BELAJAR IPS MELALUI MODEL COOPERATIVE SCRIPT
Seminar Nasional Universitas PGRI Yogyakarta 01 UPAYA PENINGKATAN MOTIVASI DAN PRESTASI BELAJAR IPS MELALUI MODEL COOPERATIVE SCRIPT Sutarma 1), Jon Sabari ) 1) Pascasarjana, Universitas PGRI Yogyakarta
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 terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih terperinciPENGENALAN UCAPAN DENGAN METODE FFT PADA MIKROKONTROLER ATMEGA32. Disusun Oleh : Nama : Rizki Septamara Nrp :
PENGENALAN UCAPAN DENGAN METODE FFT PADA MIKROKONTROLER ATMEGA32 Disusun Oleh : Nama : Rizki Septamara Nrp : 0622034 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof.Drg.Suria
Lebih terperinciA. Penggunaan Konsep dan Aturan Turunan
A. Penggunaan Konsep dan Aturan Turunan. Turunan Fungsi Aljabar a. Mengitung Limit Fungsi yang Mengara ke Konsep Turunan Dari grafik di bawa ini, diketaui fungsi y f() pada interval k < < k +, seingga
Lebih terperinciKata Kunci: Persediaan, Analisis ABC, Overstock, Continous Review (s,s), Continous Review (s,q) ABSTRACT
PERANCANGAN KEBIJAKAN PERSEDIAAN PRODUK KATEGORI CHEMICAL DENGAN MENGGUNAKAN METODE PROBABILISTIK CONTINOUS REVIEW (s,s) DAN CONTINOUS REVIEW (s,q) UNTUK MEMINIMASI TOTAL BIAYA PERSEDIAAN DI PT XYZ Dimas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Suara Manusia Menurut Inung Wijayanto (2013), produksi suara manusia memerlukan tiga elemen, yaitu sumber daya, sumber suara dan pemodifikasi suara. Ini adalah dasar dari teori
Lebih terperinciPENERAPAN METODE NEURAL NETWORK DENGAN STRUKTUR BACKPROPAGATION UNTUK PREDIKSI STOK OBAT DI APOTEK (STUDI KASUS : APOTEK ABC)
Seminar Nasional Aplikasi Teknologi Informasi 0 (SNATI 0) ISSN: 907-50 ogyakarta, 7-8 Juni 0 PENERAPAN METODE NEURAL NETWORK DENGAN STRUKTUR BACKPROPAGATION UNTUK PREDIKSI STOK OBAT DI APOTEK (STUDI KASUS
Lebih terperinciPENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG
PENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG TUGAS AKHIR MUHAMMAD AGUNG NURSYEHA 2211100164 Pembimbing: Dr. Muhammad
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 terperinciMETODE PENELITIAN. Gambar 1 Alur metode penelitian.
akan menggunakan bantuan aplikasi pemrosesan audio (Rochesso 2007). Penambahan Derau Derau merupakan suara-suara yang tidak diinginkan. Munculnya derau dapat menurunkan kualitas suatu berkas audio. Penambahan
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 5, No. 1 (2016) 177-183 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone IDENTIFIKASI SUARA MANUSIA BERDASARKAN JENIS KELAMIN MENGGUNAKAN EKSTRAKSI
Lebih terperinciImtiyaz, et al, Analisis Nomor P-IRT pada Label Pangan Produksi IRTP di Kecamatan...
Analisis Nomor P-IRT pada Label Pangan Produksi IRTP di Kecamatan Kaliwates Kabupaten Jember (Analysis of P-IRT Number on Te Food Label IRTP Production in Kaliwates District Jember Regency) Andi Hilman
Lebih terperinciNOISE REMOVAL PADA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
NOISE REMOVAL PADA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Denny Susanto (1022029) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof. Drg. Suria Sumantri, MPH no.65,
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 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 terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM. penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari
Lebih terperinciPEMBUATAN PERANGKAT LUNAK PERAMALAN MENGGUNAKAN METODE ANN DENGAN MEMANFAATKAN LIBRARY ENCOG JAVA
PEMBUATAN PERANGKAT LUNAK PERAMALAN MENGGUNAKAN METODE ANN DENGAN MEMANFAATKAN LIBRARY ENCOG JAVA Nama : Resa Alfarisi NRP : 5207100100 Jurusan : Sistem informasi FTIF ITS Dosen Pembimbing 1 : Wiwik Anggraeni
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 terperinciJurnal Fisika Unand Vol. 2, No. 4, Oktober 2013 ISSN
PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN BEBERAPA FUNGSI PELATIHAN BACKPROPAGATION (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001-2012) Cici Oktaviani, Afdal
Lebih terperinciPerbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer
Perbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer R. Muhammad Subekti 1 1. P2TRR BATAN, Kompleks Puspiptek Gedung 31, Serpong, Tangerang 15310 Abstrak Algoritma umum metode
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 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 terperinciIDENTIFIKASI SPEKTRUM FREKUENSI ISYARAT ELEKTROKARDIOGRAF MENGGUNAKAN JARINGAN SYARAF TIRUAN KOMPETISI PENUH
IDENTIFIKASI SPEKTRUM FREKUENSI ISYARAT ELEKTROKARDIOGRAF MENGGUNAKAN JARINGAN SYARAF TIRUAN KOMPETISI PENUH NAZRUL EFFENDY, ST., MT Staf Pengajar Jurusan Teknik Fisika, Fakultas Teknik Universitas Gadjah
Lebih terperinciPENGUJIAN POMPA SPIRAL DENGAN KINCIR AIR PADA ALIRAN IRIGASI
PENGUJIAN POMPA SPIRAL DENGAN KINCIR AIR PADA ALIRAN IRIGASI Marwanto 1,Asral 2, Laboratorium Konversi Energi, Jurusan Teknik Mesin, Fakultas Teknik Universitas Riau Kampus Bina Widya Km. 12,5 Simpang
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Siti Amiroch Universitas Islam Darul Ulum Lamongan, amirast_117@yahoo.com Abstract. In the stock market, stock price prediction is
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru Program Studi Fisika, Fakultas Sains dan Matematika,
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
Lebih terperinciPERANCANGAN SISTEM KONTROL POSISI DAN KECEPATAN PADA KAPAL SELAM MENGGUNAKAN JARINGAN SARAF TIRUAN
ABSTRAK PERANCANGAN SISTEM KONTROL POSISI DAN KECEPATAN PADA KAPAL SELAM MENGGUNAKAN JARINGAN SARAF TIRUAN Agus Syahril / 0322013 Jurusan Teknik Elektro, Fakultas Teknik Universitas Kristen Maranatha Jl.
Lebih terperinciAnalisis Vibrasi untuk Klasifikasi Kerusakan Motor di PT Petrokimia Gresik Menggunakan Fast Fourier Transform dan Neural Network
JURNAL TEKNIK POMITS Vol. 1, No. 1, (14) 1-6 1 Analisis Vibrasi untuk Klasifikasi Kerusakan Motor di PT Petrokimia Gresik Menggunakan Fast Fourier Transform dan Neural Network Nirma Priatama, Dimas Anton
Lebih terperinciPengembangan Aplikasi Pengenalan Karaketer Alfanumerik Dengan Menggunakan Algoritma Neural Network Three-Layer Backpropagation
Pengembangan Aplikasi Pengenalan Karaketer Alfanumerik Dengan Menggunakan Algoritma Neural Network Three-Layer Backpropagation Andi Wahju Rahardjo Emanuel, Arie Hartono Jurusan S1 Teknik Informatika Fakultas
Lebih terperinciHUBUNGAN JUMLAH INPUT LAYER DAN OUTPUT LAYER NEURAL NETWORK TERHADAP TINGKAT AKURASI SISTEM HANDWRITING RECOGNITION DENGAN METODE BACKPROPAGATION
HUBUNGAN JUMLAH INPUT LAYER DAN OUTPUT LAYER NEURAL NETWORK TERHADAP TINGKAT AKURASI SISTEM HANDWRITING RECOGNITION DENGAN METODE BACKPROPAGATION Harjono, Didik Warasto Politeknik Pratama Mulia Surakarta
Lebih terperinciPENGATURAN POSISI KAMERA CCTV DENGAN PERINTAH SUARA
PENGATURAN POSISI KAMERA CCTV DENGAN PERINTAH SUARA David Abriman Simatupang 1, Irianto 2, Suhariningsih 3 1 Mahasiswa Teknik Elektro Industri PENS-ITS, Surabaya, 2 Dosen Teknik Elektro Industri PENS-ITS,
Lebih terperinciMODEL REGRESI PARTIAL LEAST SQUARES (PLS) (Studi Kasus : Kinerja Satuan Kerja Sekretariat Daerah Kabupaten Tegal)
(Studi Kasus : Kinerja Sekretariat Daera Kabupaten Tegal MODEL REGRESI PARTIAL LEAST SQUARES (PLS) (Studi Kasus : Kinerja Satuan Kerja Sekretariat Daera Kabupaten Tegal) Ole Imam Tayudin Dosen STMIK Amikom
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Beban dan Prakiraan Beban Listrik Di dalam sebuah sistem kelistrikan terdapat 2 sisi yang sangat berbeda, yaitu sisi beban dan sisi pembangkitan. Pada sisi beban atau beban
Lebih terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Manusia dianugrahi oleh Tuhan dua telinga yang memiliki fungsi untuk menangkap sinyal-sinyal suara. Namun untuk mengoptimalkan dari fungsi telinga tersebut manusia harus belajar
Lebih terperinciBAB 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 terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang Riset di bidang sistem pengenalan ucapan otomatis (Automatic Speech Recognition) merupakan salah satu riset yang banyak ditekuni dan terus dikembangkan hingga saat
Lebih terperinciAplikasi Pengolahan Suara untuk Request Lagu
Aplikasi Pengolahan Suara untuk Request Lagu Achmad Basuki [1], Miftahul Huda [2], Tria Silvie Amalia [1] [1] Jurusan Teknologi Informasi [2] Jurusan Teknik Telekomunikasi Politeknik Elektronika Negeri
Lebih terperinciTINJAUAN PUSTAKA. Pengenalan Suara
Pengenalan Suara TINJAUAN PUSTAKA Menurut Peacock (1990), pengenalan suara merupakan kemampuan untuk mengidentifikasi kata-kata yang diucapkan. Terdapat 5 faktor yang dapat mengontrol dan menyederhanakan
Lebih terperinciSeminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016 ISBN:
Perintah Suara Berbahasa Indonesia untuk Membuka dan Menutup Aplikasi dalam Sistem Operasi Windows Menggunakan Metode Mel Frequency Cepstrum Coefficient dan Metode Backpropagation Zakaria Ramadhan 1, Sukmawati
Lebih terperinciPENGENALAN SIDIK JARI MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS SCALED CONJUGATE GRADIENT
Mikrotiga, Vol, No. Mei 0 ISSN : 0 PENGENALAN SIDIK JARI MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS SCALED CONJUGATE GRADIENT Suci Dwijayanti *, Puspa Kurniasari Jurusan Teknik Elektro Universitas Sriwijaya,
Lebih terperinciAplikasi Pengolahan Suara untuk Request Lagu
Aplikasi Pengolahan Suara untuk Request Lagu Achmad Basuki [1], Miftahul Huda [2], Tria Silvie Amalia [1] [1] Jurusan Teknologi Informasi [2] Jurusan Teknik Telekomunikasi Politeknik Elektronika Negeri
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 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 terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciIII. METODE PENELITIAN. Subjek penelitian ini adalah siswa kelas VII B MTs Al Hikmah Bandar
26 III. METODE PENELITIAN A. Subjek Penelitian Subjek penelitian ini adala siswa kelas VII B MTs Al Hikma Bandar Lampung semester genap taun pelajaran 2010/2011 pada pokok baasan Gerak Lurus. Dengan jumla
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2006/2007 ANALISIS DAN PERANCANGAN PERANGKAT LUNAK PENGENALAN JENIS ALAT MUSIK BERDASARKAN SUMBER SUARANYA
Lebih terperinciProgram Studi S1 Teknik Industri, Fakultas Rekayasa Industri, Universitas Telkom
PERENCANAAN KEBIJAKAN PERSEDIAAN BAHAN BAKU DENGAN MENGGUNAKAN METODE CONTINUOUS REVIEW (s,s) DAN METODE CONTINUOUS REVIEW (s,q) UNTUK MEMINIMASI TOTAL BIAYA PERSEDIAAN PADA PT. XYZ Selvia Dayanti 1, Ari
Lebih terperinciModel Prediksi Berbasis Neural Network untuk Pengujian Perangkat Lunak Metode Black-Box
Model Prediksi Berbasis Neural Network untuk Pengujian Perangkat Lunak Metode Black-Box Zulkifli Program Studi Teknik Informatika STMIK Teknokrat Bandar Lampung, Indonesia zulkiflist34@yahoo.co.id Abstrak
Lebih terperinciBAB I PENDAHULUAN. Proses pengenalan kata merupakan salah satu fungsi dari
BAB I PENDAHULUAN I.1. Latar Belakang Masalah Proses pengenalan kata merupakan salah satu fungsi dari voice recognition. Voice recognition dibagi menjadi dua jenis, yaitu speech recognition dan speaker
Lebih terperinciBAB 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 terperinciSeminar Nasional APTIKOM (SEMNASTIKOM), Hotel Lombok Raya Mataram, Oktober 2016
IMPLEMENTASI ALGORITMA FAST FOURIER TRANSFORM DAN MEAN SQUARE PERCENTAGE ERROR UNTUK MENGHITUNG PERUBAHAN SPEKTRUM SUARA SETELAH MENGGUNAKAN FILTER PRE-EMPHASIS Fitri Mintarsih 1, Rizal Bahaweres 2, Ricky
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciPREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 2, Juni 2016, hlm. 83-87 PREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG Daneswara
Lebih terperinciPenerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih Niska Ramadani Dosen Universitas Dehasen Bengkulu niskaramadani@gmail.com ABSTRAK Pertumbuhan penduduk harus
Lebih terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
Lebih terperinciIdentifikasi Jenis Gas di Udara Terbuka pada Sistem Sensor Semikonduktor menggunakan Fast Fourier Transform dan neural Network
Identifikasi Jenis Gas di Udara Terbuka pada Sistem Sensor Semikonduktor menggunakan Fast Fourier Transform dan neural Network Syahrir - 2206100705 Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Batuk merupakan mekanisme refleks yang sangat penting untuk menjaga jalan napas tetap terbuka (paten) dengan cara menyingkirkan hasil sekresi lendir yang menumpuk pada
Lebih terperinciPENGENALAN KARAKTER DENGAN MENGGUNAKAN HAMMING NETWORK
PENGENALAN KARAKTER DENGAN MENGGUNAKAN HAMMING NETWORK Thiang Jurusan Teknik Elektro, Universitas Kristen Petra Siwalankerto 121-131, Surabaya, Indonesia E-mail: thiang@petra.ac.id Abstrak Makalah ini
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Genre musik adalah pengelompokan musik sesuai dengan kemiripan satu dengan yang lain, seperti kemiripan dalam hal frekuensi musik, struktur ritmik, dan konten harmoni. Genre
Lebih 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 terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciJl. Telekomunikasi, Dayeuh Kolot, Bandung Indonesia
KLASIFIKASI PENYAKIT BATUK BERDASARKAN SINYAL DATA SUARA MENGGUNAKAN EKSTRAKSI CIRI FAST FOURIER TRANSFORM DAN POWER SPECTRAL DENSITY DENGAN ALGORITMA JARINGAN SARAF TIRUAN- PROPAGASI BALIK COUGH DISEASE
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 terperinci