BAB 2 TINJAUAN TEORITIS
|
|
- Veronika Lesmana
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB 2 TINJAUAN TEORITIS 2.7. Kecerdasan Buatan Kecerdasan Buatan adalah suatu bidang sains komputer yang ditujukan untuk menyempurnakan kinerja sistem instrumentasi elektronika. Peralatan atau sistem yang dibangun dapat melakukan kerja yang memerlukan kecerdasan apa yang dilakukan oleh manusia. Sebagai contoh, jika kita menanyakan suatu subjek pada mesin atau peralatan, maka akan memperoleh jawaban darinya. Kecerdasan lebih menekankan pada apa yang dikerjakan otak, bukan pada bagaimana otak bekerja Topologi Kecerdasan Buatan Kecerdasan pada suatu sistem membutuhkan kemampuan prediksi dan pengendalian sistem secara literatif seperti layaknya seorang yang memiliki kecerdasan tertentu. Menurut Russel dan Norwig kecerdasan tiruan terdiri dari 2 dimensi yaitu : a. Peniruan perilaku b. Peniruan cara berfikir manusia Sistem yang mampu meniruan perilaku manusia memiliki kemampuan dalam hal : a. Menyimpan informasi b. Menggunakan informasi yang dimiliki untuk melakukan suatu pekerjaan dan menarik kesimpulan c. Beradaptasi dengan keadaan baru d. Berkomunikasi dengan pengunanya yaitu : Sistem yang mampu menirukan cara berfikir manusia terdiri atas dua kategori, a. Kecerdasan Yang Diprogram (Smart System)
2 7 b. Kecerdasan Berbasis Pengetahuan (Ekspert System) c. Kecerdasan Komputasional Gbr 2.1 Topologi Kecerdasan Tiruan Kecerdasan Buatan Komputasional Dalam hal ini kecerdasan buatan dibangun dengan pendekatan menciptakan programprogram komputer yang menjelaskan tingkah laku mesin cerdas. Mekanisme proses pemodelan otak digunakan untuk mencapai kecerdasan. Menurut topologinya, Kecerdasan Buatan Komputasional dapat dikategorikan menjadi tiga kelompok, yaitu : a. Jaringan Sarat Tiruan (JST) b. Fuzzy c. Algoritma Genetik 2.8. Jaringan Saraf Tiruan (JST) Jaringan Saraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi yang memiliki karakteristik-karakteristik menyerupai jaringan syaraf biologi (Fauset, 1994). JST juga merupakan sebuah mesin yang dirancang untuk memodelkan cara kerja otak manusia mengerjakan fungsi atau tugas-tugas tertentu. Beberapa definisi JST:
3 8 a. JST adalah suatu teknik pemrosesan informasi berbasis komputer yang mensimulasikan dan memodelkan sistem saraf biologis. b. Suatu model matematik yang mengandung sejumlah besar elemen proses yang diorganisasikan dalam lapisan-lapisan. c. Suatu sistem komputasi yang dibuat dari sejumlah elemen proses yang sederhana dan saling terkoneksi untuk memproses informasi melalui masukan dari luar dan mampu merespon keadaaan yang dinamis. d. JST adalah suatu teknologi komputasi yang berbasis hanya pada model syaraf terhadap berbagai macam masukan Jaringan Saraf Biologi Manusia Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dari penghubung yang disebut sinapsis. Neuron bekerja berdasarkan implus/sinyal yang diberikan pada neuron. Neuron meneruskannya pada neuron lain. Diperkirakan manusia memiliki neuron dan sinapsis. Dengan jumlah yang begitu banyak, otak mampu mengenali pola, melakukan perhitungan dan mengontrol organ-organ tubuh dengan kecepatan yang lebih tinggi dibandingkan komputer digital. Pada waktu lahir, otak mempunvai struktur yang menakjubkan karena kemampuannya membentuk sendiri aturan-aturan/pola berdasarkan pengalaman yang diterima. Jumlah dan kemampuan neuron berkembang seiring dengan pertumbuhan fisik manusia, terutama pada umur 0 2 thaun. Pada usia 2 tahun pertama umur manusia, terbentuk 1 juta sinapsi perdetiknya.
4 9 Gbr 2.2 Struktur Jaringan Saraf Manusia Neuron memiliki 3 komponen penting yaitu dendrit, soma dan asom. Dendrit menerima sinyal neuron lain. Sinyal tersebut berupa implus elektrik yang dikirim melalui celah sinaptik melalui proses kimiawi. Sinyal tersebut di modifiakasi (diperkuat/diperlemah) di celah sinaptik. Berikutnya, Soma menjumlahkan sinyalsinyal yang masuk. Jika jumlah tersebut cukup kuat dan melebihi batas ambang, maka sinyal tersebut akan diteruskan ke sel lain melalui axon. Frekuensi penerusan sinyal berbeda antara satu sel dengan yang lain. Neuron biologi merupakan sistem yang tolerant dalam 2 hal. Pertama, manusia dapat mengenali sinyal input yang agak berbeda dari yang pernah kita terima sebelumnya. Kedua, otak manusia tetap mampu belajar meskipun beberapa neuronnya tidak mampu bekerja dengan baik. Jika sebuah neuron rusak, neuron lain kadangkadang dapat dilatih untuk menggantikan fungsi sel yang rusak Jaringan Saraf Manusia Sebagai Dasar Jaringan Saraf Tiruan Jaringan Saraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi yang memiliki karakteristik-karakteristik menyerupai jaringan syaraf biologi (Fauset, 1994). JST juga merupakan sebuah mesin yang dirancang untuk memodelkan cara kerja otak manusia mengerjakan fungsi atau tugas-tugas tertentu.
5 10 Berikut ini adalah hubungan antara konsep biologi dengan jaringan saraf tiruan menurut Medsker dan Liebowitz (1994) dalam Turban (2001) yang digambarkan pada table berikut ini : Tabel 2.1 Taber Konsep Jaringan Saraf Biologi dan Tiruan Jaringan Saraf Biologi (Manusia) Jaringan Saraf Tiruan (JST) Soma Node (Simpul) Dendrit Input Axon Output Synapse Weight (bobot) Slow speed Fast speed Terdiri dari banyak neuron (10 9 ) Beberapa Neuron Karakteristik Jaringan Saraf Tiruan Dengan meniru sistem jaringan biologis (manusia), maka sistem jaringan saraf tiruan memiliki 3 karakteristik utama, yaitu : a. Arsitektur Jaringan Merupakan pola keterhubungan antara neuron. Keterhubungan neuron-neuron inilah yang membentuk suatu jaringan. b. Algoritma Jaringan Merupakan metode untuk menentukan nilai bobot hubungan. Ada dua metode pada algoritma jaringan saraf tiruan, yaitu metode bagaimana JST tersebut melakukan Pelatihan (Pembelajaran) dan, metode bagaimana JST tersebut melakukan Pengenalan (Aplikasi). c. Fungsi Aktivasi Merupakan fungsi untuk menentukan nilai keluaran berdasarkan nilai total masukan pada neuron. Fungsi aktivasi suatu algoritma jaringan dapat berbeda dengan fungsi aktivasi algoritma jaringan lain.
6 Arsitektur Jaringan Saraf Tiruan Secara umum, arsitektur JST terdiri atas beberapa bagian lapisan, yaitu : a. Lapisan masukan (input layer) Merupakan lapisan yang terdiri dari beberapa neuron yang akan menerima sinyal dari luar dan kemudian meneruskan ke neuron-neuron lain dalam jaringan. Lapisan ini diilhami berdasarkan ciri-ciri dan cara kerja sel-sel syaraf sensorik pada jaringan saraf biologi (manusia). b. Lapisan tersembunyi (hidden layer) Merupakan tiruan dari dari sel-sel saraf konektur pada jaringan saraf biologi (manusia). Lapisan tersembunyi berfungsi meningkatkan kemampuan jaringan dalam memecahkan masalah. Konsekuensi dari adanya lapisan ini adalah pelatihan menjadi makin sulit atau lama. c. Lapisan keluaran (output layer) Lapisan keluaran berfungsi menyalurkan sinyal-sinyal keluaran hasil pemrosesan jaringan. Lapisan ini terdiri dari sejumlah neuron. Lapisan ini jugan tiruan dari sel saraf motorik pada jaringan biologi (manusia).
7 12 Pada gambar dibawah ini digambarkan keterhubungan dari bagian-bagian arsitektur Jaringan Saraf Tiruan. Network Output Output Layer Hidden Layer Input Layer Network Input Gbr 2.3 Arsitektur Jaringan Saraf Tiruan Prinsip Dasar Pelatihan\Pembelajaran JST Contoh paling sempurna dari pelatihan untuk mengasosiasikan pola adalah pada manusia. Bila kita memegang buah jeruk berwarna kuning dihadapan seorang bayi dan secara berulang-ulang mengatakan kuning maka kekuatan koneksi synaptic akan meningkat bila sel Saraf yang sesuai dari pusat optic secara simultan teraktivitasi bersama dengan yang berasal dari pusat auditori suara untuk kata jeruk yang diucapkan. Prinsip ini dikemukakan oleh Hebb (1949). Walaupun Hebb hanya menyatakan jika neuron A dan neuron B tereksitasi secara simultan maka kekuatan koneksi synaptic diantara keduanya akan meningkat. Namun prinsip inilah yang kebanyakan menjiwai semua model matematis Jaringan Syaraf Tiruan yang ada sekarang.
8 Proses Algoritma Pelatihan\Pembelajaran Jaringan Saraf Tiruan Sebelum digunakan, JST dilatih untuk mengenal fungsi pemetaan. Pelatihan merupakan proses belajar JST yang dilakukan dengan menyesuaikan bobot terkoneksi jaringan. Suatu Jaringan Saraf Tiruan belajar dari pengalaman. Proses yang lazim dari pembelajaran meliputi 3 tugas, yaitu : a. Perhitungan output b. Membandingkan output dengan target yang diinginkan c. Menyesuaikan bobot dan mengulang prosesnya. Proses pelatihan atau pembelajaran tersebut merupakan proses bobot antar neuron sehingga sebuah jaringan dapat menyelesaikan sebuah masalah. Proses belajar JST diklasifikasikan menjadi dua: a. Belajar dengan pengawasan ( Supervised learning) b. Belajar tanpa pengawasan ( Unsupervised learning) Belajar Dengan Pengawasan ( Supervised Learning) Belajar dengan Pengawasan atau Supervised Learning adalah proses belajar dengan memberikan latihan untuk mencapai suatu target keluaran yang ditentukan. Dengan memberikan target keluaran, perubahan masukan akan diadaptasi oleh keluaran dengan mengubah bobot interkoneksinya mengikuti algoritma belajar yang ditentukan. Pelatihan dilakukan dengan memberikan pasangan pola-pola masukan dan keluaran Fungsi Aktifasi Sebuah sinyal aktivasi diperlukan oleh suatau neuron untuk menyalakan atau memadamkan perjalanan sinyal dari neuron yang satu ke neuron yang lainnya. Sinyal aktivasi dalam jaringan saraf tiruan ditentukan oleh suatu fungsi aktivasi.
9 14 Ada beberapa fungsi yang digunakan dalam JST (Fausset,1990) antara lain : a. Fungsi Identitas b. Fungsi Linear c. Fungsi Treshold (ambang) d. Fungsi Sigmoid Bipolar e. Fungsi Sigmoid Biner Untuk memilih fungsi aktivasi yang akan digunakan dalam sistem jaringan saraf tiruan maka tergantung pada algoritma jaringan yang digunakan Fungsi Sigmoid Bipolar Fungsi ini tergantung pada nilai parameter Alpha. Nilai parameter alpha antara 0 sampai dengan 1. Fungsi ini merupakan fungsi yang menghasilkan nilai keluaran antara -1 sampai +1. Nilai masukan vector yang dapat diterima oleh fungsi ini dalam perhitungannya adalah nilai 1 atau 0, nilai masukan vektor inilah yang mempengaruhi besar nilai bobot Algoritma Jaringan Saraf Tiruan Penggunaan Jaringan Saraf Tiruan dalam menyelesaikan permasalahan akan dipengaruhi oleh permasalahan apa yang akan diselesaikan. Berbagai macam permasalan yang dapat diselesaikan dengan Jaringan Saraf Tiruan, antara lain; pengenalan pola dan optimisasi. Dalam hal ini diperlukan keputusan terbaik dalam memilih algoritma yang terbaik untuk menyelesaikan masalah, dari beberapa algoritma Jaringan Saraf tersebut antara lain : a. Algoritma Jaringan Kohonen b. Algoritma Jaringan Fractal c. Algoritma Jaringan Learning Vector Quantization d. Algoritma Jaringan Cyclic e. Algoritma Jaringan Alternating Projection f. Algoritma Jaringan Hammimg
10 15 g. Algoritma Jaringan Feedforwad Banyak Lapis Dari berbagai macam Algoritma Jaringan Saraf Tiruan yang telah ada, maka pengguna haruslah menentukan salah satu algoritma jaringan yang cocok dan dapat menyelesaikan masalah sesuai permasalahan. Peneliti juga dapat menciptakan algoritma jaringan sendiri jika diperlukan Learning Vector Quantization (LVQ) Learning Vector Quantization (LVQ) adalah suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input. Jika 2 buah vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut ke dalam kelas yang sama. Algoritma : 1. Tetapkan: BobotAwal (W),Maksimum Epoh (MaEpoh), Eror Minimum yang diharapkan (Eps), Learning rate (α). 2. Masukkan : a. Input : x(m,n); b. Target m : T(1,n) 3. Tetapkan kondisi awal: a. Epoh=0; b. Err =1. 4. Kerjakan jika : (epoh<maxepoh) atau (α > eps) a. Epoh=epoh + 1 b. Kerjakan untuk i=1 sampai n a. Tentukan J sedemikian hingga w w j minimum (sebut sebagai C j )
11 16 b. Perbaiki w j dengan ketentuan: i. Jika t = C j maka : W j (baru)=w j (lama) + α (X W j (lama)) ii. Jika T Cj maka : W j (baru)=w j (lama)- α (X- W j (lama)) c. Kurangi nilai α 5. Selesai [Diah Puspitaningrum, Pengantar Jaringan Syaraf Tiruan. Yogyakarta: Andi. Hal 258] Pengenalan Pola Pola (Pattern Recognation) Pola adalah entitas yang terdefenisi dan dapat didefinisikan melalui ciri-cirinya (feature). Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola yang lain. Pengenalan pola bertujuan untuk menentukan kelompok untuk kategori pola berdasarkan ciri-ciri yang dimiliki oleh pola tersebut. Dengan kata lain pengenalan pola membedakan objek dengan objek lain. Pengenalan Pola (Pattern Recognition) adalah suatu proses atau rangkaian pekerjaan yang bertujuan mengklasifikasikan data numerik dan simbol. Banyak teknik statistik dan sintaksis yang telah dikembangkan untuk keperluan klasifikasi pola dan teknik-teknik ini dapat memainkan peran yang penting dalam sistem visual untuk pengenalan objek yang biasanya memerlukan banyak teknik. Bentuk-bentuk objek tertentu dalam dunia nyata yang sangat kompleks dapat dibandingkan dengan polapola dasar di dalam citra sehingga penggolongan objek yang bersangkutan dapat dilakukan dengan lebih mudah.
12 Proses Pengenalan Pola Proses pengenalan pola mendeskripsikan tahap-tahapan dalam pengenalan pola. Hal ini dimaksudkan agar adanya langkah-langkah terstruktur dalam melakukan pengenalan pola. Berikut tahap-tahapan dalam proses Pengenalan Pola : a. Data ( gambar, bunyi, teks) untuk dikelaskan b. Menghilangkan ganguan/menormalkan gambar (Image processing). c. Pengiraan Citra d. Pengenalan Kelas (mengambil keputusan) Pendekatan Pengenalan Pola Dengan Statistik Pendekatan ini merupakan konsep pengenalan pola yang mengacu terhadap nilai statistik yang mendefinisikan pola sehingga pola dapat dikenali. Semakin banyak pola yang disimpan, maka sistem akan semakin cerdas. Salah satu contoh penerapannya banyak pada pola pengenalan iris scan. Kelemahannya hanya bergantung pada data yang disimpan saja, tidak memiliki sesuatu struktur yang unik yang dapat menjadi kunci pengenalan pola. Metode Statistik mendefinisikan/mengidentifikasi berdasarkan data-data statistik objek tersebut Pendekatan Pengenalan Pola Dengan Sintaks (Rule) Pendekatan ini merupakan konsep pengenalan pola yang mengacu terhadap aturanaturan (rule) yang mendefinisikan pola sehingga pola dapat dikenali. Seluruh rule-rule telah dikenalkan kepada sistem, kemudian sistem memproses pola masukan. Hasil proses adalah rule-rule yang terpenuhi pola masukan dijadikan sebagai pengambilan keputusan dalam mengenali pola tersebut. Dengan rule / aturan maka sistem yang lebih terstruktur sehingga memiliki sesuatu ciri yang unik. Salah satu contoh penerapannya pada pola pengenalan sidik jari / finger print... Metode Sintaks mendefinisikan atau mengidentifikasi berdasarkan aturan-aturan tertentu.
13 Pendekatan Pengenalan Pola Dengan JST Pendekatan Pengenalan Pola Dengan JST merupakan perpaduan pendekatan secara statisti dan sintaks (Rule). JST mengenali dengan melakukan proses mengenali pola masukan terhadap nilai statistik dan sintak yang dimiliki pola masukan yang akan dikenali. Seluruh nilai statistik dan sintaks yang diperoleh disajikan berupa nilai-nilai bobot. Nilai bobot-bobot inilah yang nantinya dijadikan acuan dalam mengenali pola masukan Pengolahan Citra Pengolahan citra bertujuan untuk mengolah citra untuk mendapatkan citra hasil terbaik dalam satu tujuan tertentu. Banyak proses-proses pengolahan citra yang dapat dimanfaatkan dalam mendapatkan hasil ataupun keluaran citra yang sesuai kebutuhan dan tujuan citra tersebut diolah. Beberapa proses pengolahan citra antara lain; Grayscale, Treshold, Binerisasi, Penghilangan Noise, dan lain-lain Citra RGB Suatu citra biasanya mengacu ke citra RGB. Sebenarnya bagaimana citra disimpan dan dimanipulasi dalam komputer diturunkan dari teknologi televisi, yang pertama kali mengaplikasikannya untuk tampilan grafis komputer. Jika dilihat dengan kaca pembesar, tampilan monitor komputer akan terdiri dari sejumlah triplet titik warna merah (RED), hijau (GREEN) dan biru (BLUE). Tergantung pada pabrik monitornya untuk menentukan apakah titik tersebut merupakan titik bulat atau kotak kecil, tetapi akan selalu terdiri dari 3 triplet red, green dan blue. Citra dalam komputer tidak lebih dari sekumpulan sejumlah triplet dimana setiap triplet terdiri atas variasi tingkat keterangan (brightnes) dari elemen red, green dan blue. Representasinya dalam citra, triplet akan terdiri dari 3 angka yang mengatur intensitas dari Red (R), Green (G) dan Blue (Blue) dari suatu triplet. Setiap triplet akan merepresentasikan 1 piksel (picture element). Suatu triplet dengan nilai 67, 228 dan 180 berarti akan mengeset nilai R ke nilai 67, G ke nilai 228 dan B ke nilai 180.
14 19 Angka-angka RGB ini yang seringkali disebut dengan color values. Pada format.bmp citra setiap piksel pada citra direpresentasikan dengan dengan 24 bit, 8 bit untuk R, 8 bit untuk G dan 8 bit untuk B, dengan pengaturan seperti pada gambar dibawah ini. Gambar 2.4 Citra RGB Citra Grayscale (Derajat Keabuan) Grayscale adalah mengubah citra berwarna yang terdiri dari 3 layer matrik,yaitu R- layer, G-layer, B-layer menjadi 1 layer matriks dimana pada citra hasil tidak ada lagi kombinasi warna melainkan derajat keabuan. Untuk mengubah citra berwarna yang mempunyai nilai matriks masing-masing R, G, dan B menjadi citra gray scale dengan nilai S, maka konversi dapat dilakukan dengan mengambil rata-rata dari nilai R, G dan B sehingga dapat ditulis menjadi : S = (R + G + B) / 3 Warna = RGB (S, S, S) Proses ini juga diterapkan dalam proses thinning citra berwarna. Kebanyakan gray-scale thinning algorithm dibangun untuk meng-extract objek dan menipiskannya untuk memisahkan dari image background Citra Treshold Pada proses Thresholding, ditetapkan suatu nilai batas / ambang, batas ambang yang ditetapkan sebesar A dimana elemen-elemen (piksel) pada citra batas nilainya lebih kecil dari pada nilai batas tersebut dimatikan, dan elemen-elemen lainnya dianggap
15 20 menyala, dan keduanya diubah nilainya sesuai statusnya, kedua status ini hanya memiliki dua kemungkinan nilai, yaitu 0 atau 1. Thereshold digunakan untuk mengatur jumlah derajat keabuan yang ada pada citra. Dengan menggunakan Threshold,maka derajat keabuan bisa diubah sesuai dengan keinginanan. Thresholding ini pada dasarnya adalah proses pengubahan kuantitas pada citra, sehingga untuk melakukan Theresholding dengan derajat keabuan A dapat digunakan rumus : Jika x < A maka x = 0, jika tidak maka x = 255 Warna = RGB (x, x, x) Citra Biner Proses pembineran dilakukan dengan membulatkan ke atas atau kebawah untuk setiap nilai keabuan dari piksel yang berada di atas atau bawah harga ambang. Metode untuk menentukan besarnya harga ambang disebut thresholding. Citra Biner merupakan citra yang banyak digunakan untuk keperluan Pattern Recognition yang sederhana seperti pengenalan angka atau pengenalan huruf. Prosesnya sama dengan Thereshold yaitu mengubah kuantitas citra. Untuk citra dengan derajat keabuan 256, maka nilai tengahnya adalah 128: Jika x < 128 maka x = 0, jika tidak maka x = 1 Binerisasi akan menghasilkan matriks yang membentuk pola citra yang telah di Thresholding dengan elemen 0 atau Thinning Thinning merupakan suatu langkah preprocessing yang penting dalam bermacam operasi penganalisaan suatu citra antara lain pengenalan karakter yang bersifat optik, pengenalan sidik jari dan pemrosesan dokumen. Thinning melibatkan penghapusan
16 21 titik (point) atau lapisan (layer) dari outline suatu gambar sampai semua garis atau kurva mempunyai ukuran sebesar satu piksel. Piksel merupakan informasi terkecil informasi dari sebuah citra. Piksel biasanya direpresentasikan dengan titik-titik yang membentuk sebuah citra. Garis atau kurva yang dihasilkan tersebut bisa disebut kerangka obyek Data input hanya berupa image. Citra (image) merupakan suatu yang menggambarkan objek dan biasanya dua dimensi. Citra merupakan suatu representasi, kemiripan atau imitasi dari suatu objek atau benda. Operasi thinning mempunyai persyaratan tertentu yang harus dipenuhi, bila tidak semua macam bentuk akan direduksi menjadi sebuah titik. Jadi syarat-syarat operasi Thinning sebenarnya untuk mengatur arah penghapusan bagian objek sehingga setiap bentuk objek akan mempunyai hasil yang unik dan dapat dijadikan sebagai ciri pembeda dari bentuk-bentuk lainnya melalui bentuk skeleton. Syarat-syarat operasi Thinning adalah sebagai berikut : a. Daerah harus diubah menjadi struktur garis yang terkoneksi b. Hasil thinning minimal harus 8-lintasan c. Ujung-ujung garis harus tetap dipertahankan d. Cabang-cabang pendek disebabkan oleh Thinning harus dieliminasi. Cara yang umum digunakan dalam operasi Thinning adalah dengan memeriksa setiap piksel didalam citra dalam kaitannya dengan Neighborhood region minimal untuk jendela berukuran 3 x 3 piksel, dan mengupas batas daerah, satu-persatu piksel, sampai menjadi garis. Proses ini dilakukan berulang-ulang, pada tiap iterasi, setiap pixel. Piksel diperiksa dalam jendela berukuran n x n, dan batas setebal satu piksel yang tidak digunakan untuk mempertahankan koneksi atau tidak pada posisi di ujung garis dihapus. Iterasi akan berakhir bila tidak ada perubahan yang terjadi (tidak ada lagi aksi penghapusan) pada objek yang sedang dikenakan operasi.
17 22 Berikut adalah hasil dari operasi Thinning dari citra bineri yang sederhana. (a) Gbr 2.5 (a) Pola awal, (b) Pola hasil Thinning (b) Ada beberapa algoritma Thinning yang dapat diimplementasikan pada citra, dan masing-masing algoritma ini memilliki kelebihan dan kekurangan masing-masing tergantung pada citra yang diproses oleh masing-masing algoritma. Berikut beberapa algoritma Thinning : a. Algoritma Thinning ZhangSuen b. Algoritma Thinning Stetinford c. Algoritma Thinning Rosenfeld d. Algoritma Thinning Hilditch e. Algoritma Thinning Simple Edge Detection f. Algoritma Thinning canny edge Detection thinng g. Algoritma Thinning Combination Zhang and suen dengan stetinford h. Dan lain-lain Kriteria Algoritma Thinning Umumnya suatu algoritma thinning yang dilakukan terhadap citra biner seharusnya memenuhi kriteria-kriteria sebagai berikut: a. Skeleton dari citra kira-kira berada di bagian tengah dari citra awal sebelum dilakukan thinning.
18 23 b. Citra hasil dari algoritma thinning harus tetap menjaga struktur keterhubungan yang sama dengan citra awal. c. Suatu skeleton seharusnya memiliki bentuk yang hampir mirip dengan citra awal. d. Suatu skeleton seharusnya mengandung jumlah piksel yang seminimal mungkin namun tetap memenuhi kriteria-kriteria sebelumnya. Sebagian besar algoritma thinning merupakan algoritma yang besifat iteratif. Dalam sebuah penelusuran piksel sisi diperiksa berdasarkan beberapa kriteria untuk menentukan apakah suatu piksel sisi dihapus atau tidak. Banyaknya jumlah penelusuran yang terjadi dihitung berdasarkan jumlah loop (perulangan) yang terjadi. Ada beberapa jenis algoritma thinning yaitu sequential dan parallel. Jenis sequential menggunakan hasil dari penelusuran sebelumnya dan hasil yang didapatkan sejauh ini dalam penelusuran yang sekarang untuk memproses piksel yang sekarang. Jadi pada setiap ujung penelusuran sejumlah piksel telah diproses terlebih dahulu. Hasil ini dapat digunakan secepatnya untuk memproses piksel selanjutnya. Sedangkan jenis parallel, hanya hasil dari penelusuran sebelumnya yang mempengaruhi keputusan untuk menghapus suatu titik pada penelusuran yang sekarang Algoritma Thinning ZhangSuen Algoritma ini adalah algoritma untuk citra biner, dimana piksel background citra bernilai 0, dan piksel foreground (region) bernilai 1. Algoritma ini cocok digunakan untuk bentuk yang diperpanjang (elongated) dan dalam aplikasi OCR (Optical Character Recognition). Algoritma ini terdiri dari beberapa penelusuran, dimana setiap penelusurannya terdiri dari 2 langkah dasar yang diaplikasikan terhadap titik objek (titik batas) region. Titik objek ini dapat didefinisikan sebagai sembarang titik yang pikselnya bernilai 1, dan memiliki paling sedikit 1 piksel dari 8-tetangganya yang bernilai 0.
19 24 Gambar berikut ini mengilustrasikan titik objek P 1 dan 8-tetangganya: P 9 P 2 P 3 P 8 P 1 P 4 P 7 P 6 P 5 Gambar 2.6 Contoh Piksel P 1 dengan 8 tetangga Langkah pertama dari sebuah penelusuran adalah menandai semua titik objek untuk dihapus, jika titik objek tersebut memenuhi syarat-syarat berikut: a. 2 N (P 1 ) 6 b. S(P 1 ) = 1 c. P 2 * P 4 * P 6 = 0 d. P 4 * P 6 * P 8 = 0 Keterangan : a. jumlah dari tetangga titik objek P 1, yang pikselnya bernilai 1, yaitu: N(P 1 ) = P 2 + P 3 + P P 9. b. S(P 1 ) adalah jumlah perpindahan nilai dari 0 (nol) ke 1 (satu) mulai dari P 2, P 3, P 8, P 9. c. P 2 * P 4 * P 6 = 0, memiliki arti P 2 atau P 4 atau P 6 bernilai 0 (nol). Dan pada langkah kedua, kondisi (a) dan (b) sama dengan langkah pertama, sedangkan kondisi (c) dan (d) diubah menjadi: (c ) P 2 * P 4 * P 8 = 0; (d ) P 2 * P 6 * P 8 = 0 Langkah pertama dilakukan terhadap semua titik obyek di citra. Jika salah satu dari keempat kondisi di atas tidak dipenuhi atau dilanggar maka nilai piksel yang
20 25 bersangkutan tidak diubah. Sebaliknya jika semua kondisi tersebut dipenuhi maka piksel tersebut ditandai untuk penghapusan. Piksel yang telah ditandai tidak akan dihapus sebelum semua titik obyek selesai diproses. Hal ini berguna untuk mencegah perubahan struktur data. Setelah langkah 1 selesai dilakukan untuk semua titik obyek maka dilakukan penghapusan untuk titik yang telah ditandai (diubah menjadi 0). Setelah itu dilakukan langkah 2 pada data hasil dari langkah 1 dengan cara yang sama dengan langkah 1. Prosedur ini dilakukan secara iteratif sampai tidak ada lagi titik yang dapat dihapus, pada saat algoritma ini selesai maka akan dihasilkan skeleton dari citra awal. Sebagai contoh : P Gambar 2.7 Contoh piksel N(P 1 ) = 4 dan S(P 1 ) = Database (Gudang Data) Database atau gudang data adalah kumpulan data yang berhubungan dengan suatu objek. Seluruh data mentah dari objek tersebut dikumpulkan, kemudian diatur sedemikian rupa antara keterkaitan data yang satu dengan data yang lainnya, sehingga nantinya informasi yang berhubungan dengan objek tersebut dapat disajikan dengan baik dan terstruktur bagi pengguna data. Pada database terdapat elemen penting antara lain; Tabel, Field (Kolom), Record (Baris), Query dan Relasi antar tabel. Dengan membangun database maka pengguna dapat dengan mudah untuk melakukan pengolahan data. Beberapa hal yang sering dilakukan dalam mengolah data antara lain: a. Menyimpan data b. Mencari data c. Mengubah data d. Menghapus data
21 Tabel Sebuah database terdiri dari sebuah atau beberapa atabel yang telah dirancang sedemikian rupa sesuai kebutuhan. Tabel terdiri dari beberapa Field (Kolom) dan beberapa Record (Baris). Sebuah Field merupakan pengelompokan data-data yang memiliki type data sama dan arti yang sama, sedangan Rows merupakan kumpulan dari sebuah data dari masing-masing Field dan menunjukkan penjelasan terhadap sebuah objek.
BAB 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 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.1 Citra RGB Suatu citra biasanya mengacu ke citra RGB. Citra (image) merupakan suatu yang menggambarkan objek dan biasanya dua dimensi. Citra merupakan suatu representasi, kemiripan
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 terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini dibahas teori yang digunakan sebagai landasan pengerjaan pengenalan kata berdasarkan tulisan tangan huruf Korea (hangūl) menggunakan jaringan saraf tiruan propagasi balik.
Lebih terperinciOPTICAL CHARACTER RECOGNIZATION (OCR)
LAPORAN JARINGAN SYARAF TIRUAN OPTICAL CHARACTER RECOGNIZATION (OCR) DISUSUN OLEH: DIJAS SCHWARTZ. S (524) FIRNAS NADIRMAN (481) INDAH HERAWATI (520) NORA SISKA PUTRI (511) OKTI RAHMAWATI (522) EKSTENSI
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan membahas landasan teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teknik-teknik yang dibahas mengenai pengenalan pola, prapengolahan citra,
Lebih terperinciGambar 2.1 Neuron biologi manusia (Medsker & Liebowitz, 1994)
BAB 2 LANDASAN TEORI 2.1. Jaringan Saraf Biologi Manusia Otak manusia memiliki struktur yang sangat kompleks, serta memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang
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 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 terperinciPENGENALAN KARAKTER DAN MANAJEMEN DATABASE PADA FORMULIR ISIAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN KARAKTER DAN MANAJEMEN DATABASE PADA FORMULIR ISIAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) SKRIPSI ANTONI SIAHAAN 051401063 PROGRAM STUDI S-1 ILMU
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. Bab 2 ini berisi tentang pembahasan teori-teori tentang jaringan syaraf tiruan, Algoritma Learning Vector Quantization (LVQ).
BAB 2 TINJAUAN PUSTAKA Bab 2 ini berisi tentang pembahasan teori-teori tentang jaringan syaraf tiruan, Algoritma Learning Vector Quantization (LVQ). 2.1. Algoritma Algoritma adalah urutan langkah-langkah
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 terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
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 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra merupakan fungsi kontinyu dari intensitas cahaya pada bidang dua dimensi. Intensitas cahaya merupakan hasil kali antara jumlah pancaran (illuminasi) cahaya
Lebih terperinciBAB II LANDASAN TEORI
5 BAB II LANDASAN TEORI 2.1. Citra Digital Citra digital dapat didefenisikan sebagai fungsi f(x,y) yaitu dua dimensi, dimana x dan y merupakan koordinat spasial dan f(x,y) disebut dengan intensitas atau
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
Lebih terperinciBAB II DASAR TEORI. 2.1 Meter Air. Gambar 2.1 Meter Air. Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus
BAB II DASAR TEORI 2.1 Meter Air Gambar 2.1 Meter Air Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor,
Lebih terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
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 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 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 II DASAR TEORI. 2.1 Citra Digital
BAB II DASAR TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f (x,y) dua dimensi,dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
Lebih terperinciMILIK UKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan Thinning atau penipisan citra adalah suatu operasi untuk mereduksi citra biner dalam suatu objek menjadi rangka (skeleton) yang menghampiri sumbu objek.
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tanda Tangan Tanda tangan atau dalam bahasa Inggris disebut signature berasal dari latin signare yang berarti tanda atau tulisan tangan, dan biasanya diberikan gaya tulisan
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
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 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 terperinciDAFTAR ISI. Halaman Judul. Lembar Pengesahan Pembimbing. Lembar Pengesahan Penguji. Halaman Persembahan. Halaman Motto. Kata Pengantar.
DAFTAR ISI Halaman Judul i Lembar Pengesahan Pembimbing ii Lembar Pengesahan Penguji iii Halaman Persembahan iv Halaman Motto v Kata Pengantar vi Abstraksi viii Daftar Isi ix Daftar Gambar xii Daftar Tabel
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan saraf tiruan Jaringan Syaraf Tiruan (JST) atau neural network adalah suatu metode komputasi yang meniru sistem jaringan Syaraf biologis pada manusia. Metode ini menggunakan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Kebutuhan manusia modern saat ini terhadap manajemen data sangat penting untuk memperlancar pekerjaan khususnya untuk mendapatkan informasi dalam mengambil keputusan.
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciBAB 2 LANDASAN TEORI
18 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Recurrent Neural Network untuk mengidentifikasi jenis tulisan Jepang
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Jaringan Saraf Tiruan Jaringan saraf tiruan adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia.
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 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 terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Citra Digital Gambar atau citra merupakan informasi yang berbentuk visual. Menurut kamus Webster citra adalah suatu representasi, kemiripan atau imitasi dari suatu objek atau
Lebih terperinciJARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS)
JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS) (Artificial Neural Networks) BAB I PENDAHULUAN 1.1 Sejarah JST JST : merupakan cabang dari Kecerdasan Buatan (Artificial Intelligence ) JST : meniru
Lebih terperinciFAKULTAS SAINS DAN TEKNOLOGI UIN SUSKA RIAU. IIS AFRIANTY, ST., M.Sc
IIS AFRIANTY, ST., M.Sc Sistem Penilaian Tugas dan Keaktifan : 15% Quiz : 15% UTS : 35% UAS : 35% Toleransi keterlambatan 15 menit Handphone: Silent Costume : aturan UIN Laki-laki Perempuan Menggunakan
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron Jaringan McCulloch-Pitts Model JST Pertama Diperkenalkan oleh McCulloch
Lebih terperinciJARINGAN SYARAF TIRUAN
JARINGAN SYARAF TIRUAN 8 Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN 1.1 Latar belakang Hujan merupakan salah satu unsur iklim yang berpengaruh pada suatu daerah aliran sungai (DAS). Pengaruh langsung yang dapat diketahui yaitu potensi sumber daya air. Besar
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 terperinciIMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI
IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI Andi Harmin Program Studi : Teknik Komputer STMIK Profesional Makassar andiharmin1976@gmail.com
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
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 terperinciAnalisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia
Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia Muhammad Ulinnuha
Lebih terperinciJARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom
JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom Outline Konsep JST Model Struktur JST Arsitektur JST Aplikasi JST Metode Pembelajaran Fungsi Aktivasi McCulloch
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan Pendahuluan Otak Manusia Sejarah Komponen Jaringan Syaraf Arisitektur Jaringan Fungsi Aktivasi Proses Pembelajaran Pembelajaran Terawasi Jaringan Kohonen Referensi Sri Kusumadewi
Lebih terperinciKONVERSI FORMAT CITRA RGB KE FORMAT GRAYSCALE MENGGUNAKAN VISUAL BASIC
KONVERSI FORMAT CITRA RGB KE FORMAT GRAYSCALE MENGGUNAKAN VISUAL BASIC Hanif Al Fatta STMIK AMIKOM Yogyakarta e-mail : hanivonitch@yahoo.com ABSTRACTS This paper explains how to manipulate image file format.
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih terperinciSISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON
30 BAB IV SISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON 4.1 Gambaran Umum Sistem Diagram sederhana dari program yang dibangun dapat diilustrasikan dalam diagram konteks berikut. Gambar
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada saat sekarang ini teknologi komputer telah berkembang pesat. Teknologi komputer ini pada mulanya hanya berkembang dalam teknologi pengolahan data saja. Namun seiring
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Citra Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Studi Pada penelitian ini, peneliti menggunakan beberapa jurnal sebagai tinjauan studi, yaitu sebagai berikut : a. Pengenalan Huruf Bali Menggunakan Metode Modified
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 terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
79 BAB 2 TINJAUAN PUSTAKA 2.1. Pengenalan Pola Pengenalan pola mengelompokkan data numerik dan simbolik (termasuk citra) secara otomatis oleh komputer. Tujuan pengelompokan ini adalah untuk mengenali suatu
Lebih terperinciPertemuan 2 Representasi Citra
/29/23 FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 2 Representasi Citra Representasi Citra citra Citra analog Citra digital Matrik dua dimensi yang terdiri
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 terperinciPerbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Pola Pengenalan pola (pattern recognition) adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur atau sifat
Lebih terperinciBAB II DASAR TEORI. luar dan daging iga sangat umum digunakan di Eropa dan di Amerika Serikat
6 BAB II DASAR TEORI 2.1. Daging Sapi dan Daging Babi 2.1.1.Daging Sapi Daging sapi adalah daging yang diperoleh dari sapi yang biasa dan umum digunakan untuk keperluan konsumsi makanan. Di setiap daerah,
Lebih terperinciTINJAUAN PUSTAKA ,...(1)
3 TINJAUAN PUSTAKA Dalam bab ini akan dibahas teori-teori yang mendasari penelitian ini. Dimulai dari teori dan konsep citra digital, deteksi pola lingkaran dengan Circle Hough Transform (CHT), ekstrasi
Lebih terperinciOleh: Riza Prasetya Wicaksana
Oleh: Riza Prasetya Wicaksana 2209 105 042 Pembimbing I : Dr. I Ketut Eddy Purnama, ST., MT. NIP. 196907301995121001 Pembimbing II : Muhtadin, ST., MT. NIP. 198106092009121003 Latar belakang Banyaknya
Lebih terperinciSebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran
Sebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran Kecerdasan Buatan Pertemuan 11 Jaringan Syaraf Tiruan (Artificial Neural Network)
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciPRISMA FISIKA, Vol. I, No. 1 (2013), Hal ISSN :
Prediksi Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik Abraham Isahk Bekalani, Yudha Arman, Muhammad Ishak Jumarang Program
Lebih terperinciIDENTIFIKASI KEMATANGAN JERUK BERDASARKAN CITRA WARNA RGB DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
IDENTIFIKASI KEMATANGAN JERUK BERDASARKAN CITRA WARNA RGB DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Erni Seniwati 1. 1 Program Studi Sistem Informatika STMIK AMIKOM Yogyakarta Email : erni.s@amikom.ac.id
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Jaringan Saraf Tiruan (JST) Jaringan saraf tiruan pertama kali secara sederhana diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. McCulloch dan Pitts menyimpulkan bahwa
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. menggunakan teknik statistik, matematika, kecerdasan buatan, tiruan dan machinelearning
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data mining adalah kombinasi secara logis antara pengetahuan data, dan analisa statistik yang dikembangkan dalam pengetahuan bisnis atau suatu proses yang menggunakan
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 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 terperinciVIII.PENGANTAR JARINGAN SYARAF TIRUAN (JST)
VIII.PENGANTAR JARINGAN SYARAF TIRUAN (JST) 3 JARINGAN SYARAF BIOLOGIS (JSB) Otak manusia berisi sekitar 0 sel syaraf (neuron) yang bertugas untuk memproses informasi yang masuk. Tiap sel syaraf dihubungkan
Lebih terperinciIDENTIFIKASI NOMOR POLISI MOBIL MENGGUNAKAN METODE JARINGAN SARAF BUATAN LEARNING VECTOR QUANTIZATION
IDENTIFIKASI NOMOR POLISI MOBIL MENGGUNAKAN METODE JARINGAN SARAF BUATAN LEARNING VECTOR QUANTIZATION Eko Sri Wahyono,1) Ernastuti, 2) Jurusan Teknik Informatika, Universitas Gunadarma Jl. Margonda Raya,
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 terperinciPERANCANGAN ALGORITMA KRIPTOGRAFI KUNCI SIMETRI DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
PERANCANGAN ALGORITMA KRIPTOGRAFI KUNCI SIMETRI DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Ibrahim Arief NIM : 13503038 Program Studi Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung
Lebih terperinciPENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN NEURAL NETWORK DAN PEMROSESAN AWAL THINNING ZHANG SUEN
PENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN NEURAL NETWORK DAN PEMROSESAN AWAL THINNING ZHANG SUEN Chairisni Lubis 1) Yuliana Soegianto 2) 1) Fakultas Teknologi Informasi Universitas Tarumanagara Jl. S.Parman
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN DENGAN METODE KOHONEN SOM
PENGENALAN PLAT NOMOR KENDARAAN DENGAN METODE KOHONEN SOM Didik Styawan 1, Catur Supriyanto 2 Teknik Informatika, Universitas Dian Nuswantoro Jl. Nakula I No. 5-11, Semarang Jawa Tengah 50131 E-mail :
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih terperinci