JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB,
|
|
- Farida Lie
- 6 tahun lalu
- Tontonan:
Transkripsi
1 JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB, ABSTRAKSI Salah satu kelemahan umum pada pengenalan pola untuk pengenalan wajah adalah keharusan pola masukan yang akurat terhadap pola teridentifikasi. Hal tersebut menyebabkan masukan sering tidak dikenali/tidak teridentifikasi sehingga harus di-input secara berulang-ulang. Aplikasi pengenalan wajah dengan menggunakan kecerdasan buatan dengan komponen utama jaringan saraf tiruan untuk pemrosesan dan identifikasi wajah diharapkan mengatasi kelemahan sistem pengenalan pola untuk pengenalan wajah. Penelitian ini akan mengimplementasikan Jaringan Saraf Tiruan (JST) Backpropagation dengan MATLAB 7. untuk pengenalan wajah. Pengenalan wajah menggunakan citra wajah yang diambil dari pose frontal dengan variasi ukuran piksel dan jarak. Citra wajah dilatih pada variasi ukuran piksel 64 x 48 piksel dan 6 x 8 piksel serta masing-masing wajah memiliki dua jarak pengambilan yaitu sedang(2-5m), dekat (<2m). Proses pelatihan menggunakan algoritma backpropagation. Hasil yang didapatkan dari uji JST menggunakan 8 citra dengan wajah frontal: dihasilkan jumlah unit pada lapisan tersembunyi 8, jumlah unit input 225, jumlah unit output, maksimum epoh 25, target error. dan learnng rate=.9 dengan prosentase pengenalan wajah 63 % Kata Kunci : Jaringan Saraf Tiruan, Backpropagation, Pengenalan Wajah ABSTRACT One common weakness on pattern recognition for face recognition is imperative that accurate input pattern to the pattern identified. This causes the input is often not recognized / not identified so it must be input repeatedly. Face recognition applications using artificial intelligence with the main component neural networks for processing and identification of faces is expected to overcome the weaknesses of pattern recognition systems for face recognition. This study will implement Artificial Neural Networks ( ANN ) backpropagation with MATLAB 7. for face recognition. Face recognition using face images taken from the frontal pose variations pixel size and distance. Trained face images in various sizes 64 pixels x 48 pixels and 6 x 8 pixels and each face has two making the distance is ( 2-5m ), close ( < 2m ). The process of training using the backpropagation algorithm. The results obtained from testing the ANN using 8 frontal face image with: resulting number of units in the hidden layer 8, the number of input unit 225, the number of output unit, the maximum epoch 25, and learnng the target error rate =.9 with 63% percentage of face recognition. Keywords : Neural Networks, Backpropagation, Face Recognition
2 PENDAHULUAN Latar Belakang Salah satu kelemahan umum pada pengenalan pola untuk pengenalan wajah adalah keharusan pola masukan yang akurat terhadap pola teridentifikasi. Hal tersebut menyebabkan masukan sering tidak dikenali/tidak teridentifikasi sehingga harus di-input secara berulang-ulang. Aplikasi pengenalan wajah dengan menggunakan kecerdasan buatan dengan komponen utama jaringan saraf tiruan untuk pemrosesan dan identifikasi wajah diharapkan mengatasi kelemahan sistem pengenalan pola untuk pengenalan wajah. Aplikasi pengenalan wajah dengan menggunakan kecerdasan buatan sebagai komponen utama khususnya jaringan saraf tiruan untuk pemrosesan dan identifikasi wajah masih belum banyak ditemui. Dalam penelitian yang sudah ada sebelumnya, [DEWI R., 27] aplikasi pengenalan wajah menggunakan citra wajah yang diambil dari pose frontal dan memiliki jarak pengambilan citra yang relatif sama dan kekurangannya adalah apabila kita melakukan pemrosesan terhadap citra wajah yang sama dengan pengambilan jarak citra yang berbeda maka aplikasi tidak dapat mengekstraksi fitur wajah dengan sempurna dan hasilnya tidak akurat. Penelitian sebelumnya juga belum mengadaptasi kecerdasan buatan. Berdasarkan penelitian tersebut, Peneliti bermaksud membuat sebuah aplikasi pengenalan wajah yang dapat menyelesaikan masalah dengan menggunakan jaringan saraf tiruan. Tujuan Tujuan dalam usulan penelitian ini adalah implementasi Program MATLAB untuk membuat sistem pengenalan wajah. Program aplikasi ini dilatih dengan memasukkan citra wajah. Setelah proses pelatihan selesai, citra wajah yang ingin dicari informasinya dimasukkan ke dalam aplikasi dan dilihat apakah aplikasi mampu mengenali citra wajah tersebut. METODE PENELITIAN Metode dalam pelaksanaan penelitian ini adalah dengan langkah-langkah sebagai berikut :
3 Melakukan kajian studi pustaka, yaitu dengan mengumpulkan data, artikel yang berhubungan dengan pengolahan citra, model warna, deteksi wajah, teori dasar matriks, kecerdasan buatan, jaringan saraf tiruan dan bahasa pemrograman MATLAB yang berhubungan dengan pengolahan citra. Pengambilan objek sebagai data dilakukan dengan menggunakan kamera dijital Implementasi JST Backpropagation untuk pengenalan wajah melalui bebrapa tahap yaitu tahap prepsosesing citra wajah, tahap ekstraksi citra wajah dan tahap pengenaan wajah menggunakan JST backpropagation. Gambar. PROSES IMPLEMENTASI JST BACKPROPAGATION UNTUK PENGENALAN WAJAH Tahap preprosesing citra wajah bertujuan mendapatkan aras keabuan dari citra wajah. Pada tahap ini digunakan pendekatan berbasis gambar dengan menghapus data yang berlebihan dari gambar wajah melalui kompresi gambar dengan menggunakan Microsoft Office Picture Manager. Untuk selanjutnya dilakukan perubahan aras keabuan pada citra dengan fungsi default MATLAB 7.: rgb2gray(citra_wajah.png). Pada tahap ini citra gambar yang akan
4 diproses terdiri tiga orang dengan jenis citra:. citra wajah jarak dekat 2. citra wajah jarak dekat piksel 8 x 6 3. citra wajah jarak dekat piksel 64 x citra wajah jarak sedang 2. citra wajah jarak sedang piksel 8 x 6 3. citra wajah jarak sedang piksel 64 x 48. Sementara jarak dekat didefinisikan pengambilan citra wajah pada jarak kurang 2 m, untuk jarak sedang 2-5 m Gambar 2. PROSES PREPROSESING CITRA WAJAH. Proses Croping dengan Microsoft Office Picture Manager 2. Proses Grayscale citra dg fungsi default MATLAB: rgb2gray(citra.png) Tahap ekstrasi citra wajah dilakukan untuk proses menentukan ciri citra wajah. Pada penelitian ini digunakan ekstraksi fitur tekstur yang berbasis pada histogram citra wajah. Ekstraksi fitur tekstur akan menentukan ciri citra wajah berdasarkan 6 parameter yaitu:. rerata intensitas, 2. rerata kontras, 3. skewness, 4. energi, 5. entropi, 6. smoothness. Selanjutnya data ekstraksi ciri sebagai database citra wajah. Gambar 3. PROSES EKSTRAKSI CIRI BERBASIS HISTOGRAM. Proses histeq menggunakan perintah: histeq (citra grayscale) 2. Ekstraksi fitur tekstur dengan program MATLAB: function [Stat] = stattekstur(f)
5 Tahap pengenalan citra wajah dengan JST. JST yg dibentuk adalah jaringan Backpropagation. Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan. Arsitektur Backpropagation Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi. Arsitektur backpropagation dengan n buah masukan (ditambah satu bias), dan sebuah layar tersembunyi yang terdiri dari p unit (ditambah satu bias), dan juga m buah unit keluaran, terdapat pada gambar Gambar 4. ARSITEKTUR JARINGAN BACKPROPAGATION Sumber: Kusumadewi, 24 Dari gambar ARSITEKTUR JARINGAN BACKPROPAGATION dapat dijelaskan bahwa Vji adalah bobot garis dari unit masukan Xi ke unit layar tersembunyi Zj (Vj adalah bobot garis yang menghubungkan bias di unit masukan ke unit layar tersembunyi Zj). Sedangkan Wkj adalah bobot dari unit layar tersembunyi Zj ke unit keluaran Yk (Wk adalah bobot dari bias di layar tersembunyi ke unit keluaran Yk).
6 Fungsi Aktivasi Dalam backpropagation ini, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu : kontinyu, terdeferensial dengan mudah dan merupakan fungsi yang tidak turun. fungsi yang dipakai adalah sigmoid biner, tansig dan purelin, dengan persamaan sebagai berikut: Fungsi sigmoid: yy = ff(xx) = + ee θθθθ dddddddddddd yy = ff (xx) = θθθθ(xx)[ ff(xx)] Fungsi tansig: yy = ff(xx) = ee 2xx + ee 2xx dddddddddddd yy = ff (xx) = [ + ff(xx)][ ff(xx)] Fungsi purelin yy = ff(xx) = xx dddddddddddd yy = ff (xx) =
7 Algoritma Pelatihan JST Backpropagation a. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil) b. Kerjakan langkah-langkah berikut selama kondisi berhenti bernilai false :. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan : Feedforward : a. Tiap-tiap unit input (X i, i=,2,3, n) menerima sinyal x i dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada diatasnya (lapisan tersembunyi) b. Tiap-tiap unit tersembunyi (Z i, j=,2,3, p) menjumlahkan sinyal-sinyal input terbobot : z _ in j = Vo j + n i= X V gunakan fungsi aktivasi untuk menghitung sinyal outputnya: Z j = f(z_in j ) Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). c. Tiap-tiap unit output (Y k,, K=,2,3, m) menjumlahkan sinyal-sinyal input terbobot. Y _ in k = Wo k + p i= Z W i jk gunakan fungsi aktivasi untuk menghitung sinyal outputnya: Y k = f(y_in k ) Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). Backpropagation d. Tiap-tiap unit output (Y k, K=,2,3, m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya : i ij kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai W jk ) :
8 hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai Wo k ): W = α δ kirimkan ini δ k ke unit-unit yang ada dilapisan ok k bawahnya. e. Tiap-tiap unit tersembunyi (Z j, j=,2,3, p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan diatasnya): m δ _ in j = δ W k = k jk Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error : Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai V j ) : V jk = αδ X Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai V j ): V j = αδ f. Tiap-tiap unit output (Y k =,2,3, m) memperbaiki bias dan bobotnya (i=,2,3, p) : j j i Tiap-tiap unit tersembunyi (Z j, j=,2,3, p) memperbaiki bias dan bobotnya (i=,,2, n) : 2. Tes kondisi berhenti : 3. Langkah-langkah diatas adalah untuk satu kali siklus pelatihan (satu epoch). Proses pelatihan diulang sampai jumlah epoch tertentu atau telah tercapai target error yang diinginkan. 4..Hasil akhir pelatihan jaringan adalah didapatkannya bobot-bobot W. Wn yang kemudian disimpan untuk pengujian jaringan. Dua fase dilakukan pada tahap pengenalan wajah dengan JST yaitu pelatihan dan pengujian. Pelatihan menggunkan sebagian data hasil ekstraksi fitur tekstur, sementara pengujian dilakukan dengan citra wajah lainnya
9 Gambar 5. DIAGRAM ALIR IMPLEMENTASI JST UNTUK PENGENALAN WAJAH Pembahasan dan Analisis Hasil Pengujian Pada prakteknya, perancangan arsitektur JST Backpropagation sangat tergantung pada masalah yang akan diselesaikan. Untuk himpunan masukan berdimensi besar atau jumlah kelas keluaran yang dinginkan besar, maka diperlukan jumlah node pada lapisan tersembunyi yang lebih banyak. Atau diperlukan lebih dari satu lapisan tersembunyi, tetapi tentu saja ada batas optimumunya untuk kedua parameter tersebut. Pengujian pertama kita lakukan pengujian terhadap jumlah lapisan tersembunyi yaitu dengan mengubah-ngubah jumlah unit pada lapisan tersembunyi :
10 Table. Pengujian Terhadap Jumlah Unit Pada Lapisan Tersembunyi. Input : 225 Maksimum epoh : 25 Output : Target error :. Learning rate (α ) :.9 Jumlah Epoh Dikenali Tidak Persentase (%) lapisan Dikena tersembunyi li % % 7 98 % 8 29 % Berikut adalah grafik dari setiap jumlah unit pada lapisan : kuadratv error epoh Grafik Grafik Kuadrat Error Dengan Jumlah Lapisan Tersembunyi 5. kuadrat error epoh Grafik 2 Grafik Kuadrat Error Dengan Jumlah Lapisan Tersembunyi 6. kuadrat error epoh Grafik 3 Grafik Kuadrat Error Dengan Jumlah Lapisan Tersembunyi 7.
11 kuadrat error epoh Grafik 4 Grafik Kuadrat Error Dengan Jumlah Lapisan Tersembunyi 8. Pada pengujian selanjutnya penulis akan menggunakan jumlah unit pada lapisan tersembunyi 8, jumlah unit input 225, jumlah unit output, maksimum epoh 25, target error. dan dengan nilai learning rate (α ) yang diubahubah. Pada pengujian ini penulis menguji tiap citra wajah sebanyak kali menginput-kan pola wajah yang akan dikenali.. Nilai learning rate (α ) =.5 Citra Wajah Dikenali Tidak dikenali Persentase (%) 9 9 5% % 3 7 4% % 5 7 6% 6 7 4% 7 7 6% % 9 7 6% 7 6% 9 9 5% 2 7 4% % % % % % 8 7 6% Rerata 5%
12 kuadrat error epoh Grafik 5 Grafik Kuadrat Error Dengan Nilai Learning Rate (α ) =.5 2. Nilai learning rate (α ) =.6 Citra Wajah Dikenali Tidak dikenali Persentase (%) 8 55% % 3 7 6% % % 6 7 4% % % % 7 6% % % % % % % % 8 7 6% Rerata 55% Kuadrat Error Epoh Grafik 6 Grafik Kuadrat Error Dengan Nilai Learning Rate (α ) =.6
13 3. Nilai learning rate (α ) =.7 Citra Wajah Dikenali Tidak dikenali Persentase (%) 8 58% % % % % 6 7 4% % % % 7 6% % % % 4 7 6% % % % % Rerata 56% Kuadrat Error Epoh Grafik 6 Grafik Kuadrat Error Dengan Nilai Learning Rate (α ) =.7 4. Nilai learning rate (α ) = Citra Wajah Dikenali Tidak dikenali Persentase (%) 7 6% 2 7 6% %
14 % % % % 8 7 6% % 7 6% % % % 4 7 6% % % % % Rerata 58% Kuadrat Error Epoh Grafik 8 Grafik Kuadrat Error Dengan Nilai Learning Rate (α ) = 5. Nilai learning rate (α ) =.9 Citra Wajah Dikenali Tidak dikenali Persentase (%) 7 62% 2 7 6% % 4 7 6% % % 7 7 6% % % 7 6% 3 5 7% 2 7 6% % 4 7 6%
15 % 6 7 6% % 8 7 6% Rerata 63% kuadrat error epoh Grafik 9 Grafik Kuadrat Error Dengan Nilai Learning Rate (α ) =.9 PENUTUP Kesimpulan Implementasi Jaringan Saraf Tiruan Backpropagation untuk Pengenalan wajah dapat dibuat dengan program MATLAB 7. pada Penelitian ini. Tahapan Penelitian terdiri atas Preprosesing Citra Wajah, Ekstraksi Citra Wajah dan Pengenalan Citra Wajah dengan JST. Citra Wajah yang diuji tiga orang dengan:. Variasi jarak yaitu dekat (<2m) dan sedang (2-5m), 2. Variasi piksel 8x6 piksel dan 64x48 piksel. Pada ekstraksi citra wajah dilakukan dengan ekstraksi fitur tekstur yang berbasis histogram, sedangkan JST menggunakan jaringan Backpropagation Dari hasil pengamatan dikaitkan dengan permasalahan dan tujuan dilakukannya pembuatan penelitian ini maka dapat diambil beberapa hal:. Perangkat lunak ini dapat mengelompokkan citra dengan menggunakan segmentasi citra dengan metode ekstraksi fitur tekstur. 2. Pola Citra Wajah tersebut dapat dikenali sebagai Citra Wajah dengan Jaringan Syaraf Tiruan dengan menggunakan Backpropagation. 3. Pengenalan pola Citra Wajah akan mengalami kesalahan jika jaringan syaraf tiruan yang kita bangun tidak sesuai dengan input data yang kita masukkan.
16 4. Implementasi Jaringan Saraf Tiruan Backpropagation untuk Pengenalan wajah dapat dibuat dengan program MATLAB pada Penelitian ini. 5. Pada Pelatihan JST kondisi terbaik dihasilkan jumlah unit pada lapisan tersembunyi 8, jumlah unit input 225, jumlah unit output, maksimum epoh 25, target error. 6. Pada Pelatihan JST kondisi terbaik dihasilkan jumlah unit pada lapisan tersembunyi 8, jumlah unit input 225, jumlah unit output, maksimum epoh 25, target error. dan learnng rate=.9 Saran Banyaknya jumlah data citra untuk setiap wajah orang yang dilatih dapat mempengaruhi hasil proses pengenalan. Semakin banyak data yang dilatih, jaringan akan semakin baik mengenali pola sehingga hasil pengenalan akan lebih akurat, namun akan berdampak dengan melambatnya proses pelatihan. DAFTAR PUSTAKA [] Darma, Putra. 23. Pengolahan Citra Digital. Penerbit Andi [2] Hsu, R.L., Abdel-Mottaleb, M. dan Jain, A.K. 2. "Face Detection in Color Images". Proceedings of the IEEE International Conference on Image Processing. [3] Kadir, Abdul. Susanto, Adi. 22. Teori dan Aplikasi Pengolahan Citra. Yogyakarta-Penerbit ANDI. [4] Kusumadewi, Sri. 23. Artificial Intellegence. Yogyakarta-Graha Ilmu. [5] Kusumadewi, Sri. 24. Membangun Jaringan Saraf Tiruan Menggunakan MATLAB&Exel Link. Yogyakarta-Graha Ilmu. [6] Sianipar. R.H. dkk. 23. MATLAB untuk Pemrosesan Citra Digita. Bandung- Penerbit Informatika. [7] Sianipar. R.H. dkk. 23. Pemrograma MATLAB dalam Contoh dan Penerapan. Bandung-Penerbit Informatika. [8] Siang, Jong Jek. 25. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab. Yogyakarta-Penerbit ANDI.
Jaringan Saraf Tiruan Backpropagation untuk Pengenalan Wajah Metode Ekstraksi Fitur Berbasis Histogram
193 Jaringan Saraf Tiruan Backpropagation untuk Pengenalan Wajah Metode Ekstraksi Fitur Berbasis Histogram Sigit Kusmaryanto Abstract One common weakness in pattern recognition for face recognition is
Lebih terperinciJaringan Saraf Tiruan Backpropagation Untuk Pengenalan Wajah Metode Ekstraksi Fitur Berbasis Tekstur
193 Jaringan Saraf Tiruan Backpropagation Untuk Pengenalan Wajah Metode Ekstraksi Fitur Berbasis Tekstur Sigit Kusmaryanto Abstract A common weakness in pattern ofrecognition for face identification is
Lebih terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
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 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 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 terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
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 terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih terperinci134 Sutikno, Indriyati, Sukmawati N.E, Priyo S.S., Helmie A.W., Indra W., Nurdin B., Tri Wardati K., Raditya L.R. dan Diah Putu D.
134 Sutikno, Indriyati, Sukmawati N.E, Priyo S.S., Helmie A.W., Indra W., Nurdin B., Tri Wardati K., Raditya L.R. dan Diah Putu D. Chapter 7 Backpropagation dan Aplikasinya Sutikno, Indriyati, Sukmawati
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 terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciJURNAL INFORMATIKA PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Institut Teknologi Nasional Bandung ABSTRAK
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
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 terperinciIDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION
JURNAL MANUTECH 43 IDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION Yoan Elviralita 1, Asrul Hidayat 2 1 Program Studi Teknik Mekatronika-Politeknik Bosowa 2 Program Studi Perawatan dan Perbaikan
Lebih terperinciDesain Perangkat Lunak Berbasis Jaringan Syaraf Tiruan Backpropagation untuk Klasifikasi Citra Rontgen Paru-paru
JURNAL FISIKA DAN APLIKASINYA VOLUME 10, NOMOR 1 JANUARI 2014 Desain Perangkat Lunak Berbasis Jaringan Syaraf Tiruan Backpropagation untuk Klasifikasi Citra Rontgen Paru-paru M. Arief Bustomi, 1, Hasan
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 terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih terperinciDeteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation
Deteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation Tri Deviasari Wulan 1, Endah Purwanti 2, Moh Yasin 3 1,2 Program Studi Fisika Fakultas Sains dan Teknologi
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 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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI
APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI Putri Khatami Rizki 1), Muchlisin Arief 2), Priadhana Edi Kresnha 3) 1), 2), 3) Teknik Informatika Fakultas
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 terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
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 terperinciKLASIFIKASI KEMATANGAN MANGGA MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN LEVENBERG MARQUARDT
KLASIFIKASI KEMATANGAN MANGGA MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN LEVENBERG MARQUARDT Imam Machroz 1) Wina Apriliani 2) Lawan 3) Reza Saputra 4) Rosita 5) Nur Afny Catur Andryani 6) Teknik Informatika
Lebih terperinciBAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
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 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 terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. forecasting produksi gula berdasarkan hasil laporan tahunan PTPN IX
BAB III ANALISIS DAN PERANCANGAN SISTEM Pada Tugas Akhir ini akan dirancang sebuah Perangkat Lunak untuk forecasting produksi gula berdasarkan hasil laporan tahunan PTPN IX (PERSERO) / PG.Pangka dengan
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 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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI
IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI diajukan oleh Kurniawati Handayani 09.11.3278 kepada SEKOLAH TINGGI MANAJEMEN
Lebih terperinciz_in ( ) dan mengaplikasikan fungsi aktivasi untuk menghitung sinyal output ( ) Propagasi balik:
LAMPIRAN 4 Lampiran Algoritma aringan syaraf tiruan propagasi balik Langkah 0 Inisialisasi bobot Langkah Selama kondisi berhenti bernilai salah, lakukan langkah -9. Langkah Untuk setiap pasangan, lakukan
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 terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 1 Edisi.,Volume,. Bulan.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Edisi.,Volume,. Bulan.. ISSN : 289-933 ANALISIS METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN SEL KANKER OTAK Novita Handayani Teknik Informatika
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA)
PEMBANGUNAN SISTEM PENDETEKSI PENYALAHGUNAAN NARKOBA MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION Dwi Putri Pangrestu 1, Nelly Indriani Widiastuti 2 Teknik Informatika Universitas
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciIdentifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation
Identifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation Destri Wulansari, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad
Lebih 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 terperinciALGORITMA BACK PROPAGATION NEURAL NETWORK UNTUK PENGENALAN POLA KARAKTER HURUF JAWA
Nazla Nurmila, Aris Sugiharto, Eko Adi Sarwoko ALGORITMA BACK PROPAGATION NEURAL NETWORK UNTUK PENGENALAN POLA KARAKTER HURUF JAWA Nazla Nurmila, Aris Sugiharto, dan Eko Adi Sarwoko Prodi Ilmu Komputer
Lebih terperinciPERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION
Jurnal Riset Komputer (JURIKOM), Volume : 3, Nomor:, Februari 206 ISSN : 2407-389X PERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION Fahmi Hasobaran Dalimunthe
Lebih terperinciPENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto
PENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto Teknik Informatika, Univesitas Dian Nuswantoro ABSTRACT: Peramalan saham merupakan
Lebih terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
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 terperinciJurnal Coding, Sistem Komputer Untan Volume 04, No.2 (2016), hal ISSN : x
DETEKSI PENYAKIT PADA TANAMAN JERUK PONTIANAK DENGAN METODE JARINGAN SARAF TIRUAN BACKPROPAGATION [1] Fitrajaya Nugraha, [2] Beni Irawan, [3] Dwi Marisa Midyanti [1] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
Lebih terperinciDETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION
No Makalah : 299 Konferensi Nasional Sistem Informasi 2012, STMIK - STIKOM Bali 23-25 Pebruari 2012 DETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION Ratri Dwi Atmaja 1,
Lebih 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 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 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 terperinciPERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL
PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL Oleh : ACHMAD FAUZI ARIEF 1203 109 007 Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. ditinjau dari segi kasus penelitian, objek penelitian dan metode yang digunakan
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam penelitian ini, penulis menggunakan beberapa sumber pustaka. Sumber pustaka yang dimaksudkan untuk digunakan sebagai pedoman dan pembanding
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 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 terperinciANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU
ANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU Rosmelda Ginting 1*, Tulus 1, Erna Budhiarti Nababan 1 Program S2 Teknik Informatika
Lebih terperinciKLASIFIKASI DAUN TANAMAN THEOBROMA CACAO MENGGUNAKAN METODE NEURAL NETWORK
KLASIFIKASI DAUN TANAMAN THEOBROMA CACAO MENGGUNAKAN METODE NEURAL NETWORK Endi Permata 1), Andri Suherman 2), Alief Maulana 3) 1) 2 )3) Program Studi S1 Teknik Elektro, Fakultas Teknik,Universitas Sultan
Lebih terperinciBAB 3 PERANCANGAN SISTEM. untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
29 BAB 3 PERANCANGAN SISTEM 3.1 Gambaran Umum Sistem Pada dasarnya untuk pembuatan aplikasi ini, yakni aplikasi pengenalan suara untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
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 terperinciANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION
ANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION Program Studi Teknik Informatika STT Wastukancana Jl. Raya Cikopak No.53, Sadang, Purwakarta
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
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 terperinciPengenalan Karakter Tulisan Tangan Latin pada Jaringan Saraf Tiruan Metode Backpropagation dengan Input Citra Kamera Digital
Pengenalan Karakter Tulisan Tangan Latin pada Jaringan Saraf Tiruan Metode Backpropagation dengan Input Citra Kamera Digital Dompak Petrus Sinambela 1 Sampe Hotlan Sitorus 2 Universitas Mpu Tantular Jakarta.
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 terperinciPrediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan
Prediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan Kusuma Dewangga, S.Kom. Jurusan Ilmu Komputer Universitas Gadjah Mada Jl. Bulaksumur, Yogyakarta kusumadewangga@gmail.com
Lebih terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL
1 SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (Human Face Detection System on Digital Images) Setyo Nugroho 1, Agus Harjoko 2 Program Studi Ilmu Komputer Program Pascasarjana Universitas Gadjah
Lebih 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 terperinciPENGENALAN KARAKTER PADA SURAT MASUK MENGGUNAKAN NEURAL NETWORK BACKPROPAGATION
PENGENALAN KARAKTER PADA SURAT MASUK MENGGUNAKAN NEURAL NETWORK BACKPROPAGATION Rizqia Lestika Atimi Program Studi Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik Universitas Tanjungpura rizqia.lestika@yahoo.com
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman
BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinciPenyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks
Penyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks Dewi Erla Mahmudah 1, Ratna Dwi Christyanti 2, Moh. Khoridatul Huda 3,
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini akan dibahas mengenai teori-teori pendukung pada penelitian ini. Adapun teori tersebut yaitu teori jaringan saraf tiruan dan algoritma backpropragation. 2.1. Jaringan Saraf
Lebih terperinciIDENTIFIKASI TANDA-TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN-BALIK (BACKPROPAGATION)
IDENTIFIKASI TANDA-TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN-BALIK (BACKPROPAGATION) Dian Kurnia Widya Buana 1) Achmad Hidayatno 2) R. Rizal Isnanto 2) Abstrak: Identifikasi tanda tangan manusia
Lebih terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
Lebih 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 terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV.
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV. Bryan Ponsel) Des Indeks Giawa Mahasiswa Teknik Informatika STMIK Budi
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 terperinciKOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN
Lebih terperinciGambar 3.1 Desain Penelitian
METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Permalan Time Series, Harga Minyak Bumi, Jaringan Syaraf Tiruan, Backpropagation Pengumpulan Data Harga Minyak Bumi di Indonesia Perancangan
Lebih terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB II LANDASAN TEORI. titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
BAB II LANDASAN TEORI 2. Citra/Image Citra atau yang lebih sering dikenal dengan gambar merupakan kumpulan dari titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciIDENTIFIKASI TANDA-TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN-BALIK (BACKPROPAGATION)
IDENTIFIKASI TANDA-TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN-BALIK (BACKPROPAGATION) Achmad Hidayatno, R. Rizal Isnanto, Dian Kurnia Widya Buana Jurusan Teknik Elektro, Fakultas Teknik Universitas
Lebih terperinci