BAB II KAJIANPUSTAKA
|
|
- Hendri Kartawijaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB II KAJIANPUSTAKA 2.1 Klasifikasi Klasifikasi adalah proses pengelompokan data menjadi suatu kelas berdasarkan kesamaan karakteristik pada data data yang ada. Ada 2 jenis metode yang dapat digunakan dalam klasifikasi, yaitu supervised classification dan unsupervised classification. Supervised classification adalah suatu teknik klasifikasi yang digunakan untuk mengekstraksi informasi dari data yang telah di training (Liu Xiang). Data yang akan ditraining adalah data yang sudah diklasifikasi atau dikelompokkan terlebih dahulu, sehingga classifier akan mendapatkan informasi terlebih dahulu dari data training. Kemudian teknik yang lain untuk klasifikasi adalah Unsupervised classification. Unsupervised classification merupakan sebuah teknik yang tidak membutuhkan manusia untuk mengklasifikan data terlebih dahulu. Teknik ini menggunakan beberapa algoritma klasifikasi untuk mengelompokkan data tanpa perlu data training terlebih dahulu. Berikut contoh proses klasifikasi 7
2 8 Image Processing Klasifikasi Ekstraksi feature Gambar 2.1 Proses Klasifikasi 2.2 Image Processing Pada umumnya original image yang ingin digunakan untuk proses dalam suatu aplikasi memiliki ukuran yang besar dan resolusi yang tinggi sehingga membutuhkan lebih banyak waktu dan memori untuk program dapat mengevaluasi image tersebut. Selain itu, terkadang image yang akan digunakan terdapat beberapa noise sehingga dapat mengurangi akurasi program dalam mengenali suatu image. Oleh karena itu sebelum kita menggunakan image dalam aplikasi, diperlukan suatu proses yang dinamakan imageprocessing. Imageprocessingmemainkan peran yang sangat penting dalam proses klasifikasi image. Imageprocessing adalah sebuah teknik untuk meningkatkan kualitas atau merekonstruksi sebuah gambar untuk digunakan dalam berbagai macam aplikasi (Furtado, 2010).Salah satu teknik yang bisa digunakan untuk melakukan image processing adalah operasi Morphologi. Operasi morphologi bergantung pada urutan kemunculan pixel, sehingga teknik morphologi sangat sesuai apabila digunakan untuk melakukan pengolahan binary image atau grayscale
3 9 image(agung, 2006).Operasi morphologi yang standar dilakukan adalah dilatasi dan erosi Dilatasi Dilatasi adalah operasi morphologi yang bekerja dengan cara menambahkan pixel pada batas antar objek dalam suatu citra digital.pada umumnya dilatasi digunakan pada gambar biner, tetapi ada beberapa versi yang dapat bekerja pada gambar grayscale(pawar, 2012).Contoh proses dilatasi : Gambar 2.2 Proses Dilatasi Erosi Erosi adalah operasi morphologi yang bekerja dengan cara mengurangi pixel pada batas antar objek dalam suatu citra digital.pada umumnya erosi digunakan pada gambar biner, tetapi ada beberapa versi yang dapat bekerja pada gambar grayscale(pawar, 2012).Contoh proses erosi :
4 10 Gambar 2.3 Proses Erosi 2.3 Feature Extraction Feature extraction adalah sebuah proses untuk mengambil atau mengekstrak karakteristik atau informasiyang penting dari suatuimageuntuk digunakan dalam proses klasifikasi. Ada beberapa teknik untuk melakukan feature extraction, seperti PCA (Principal Component Analysis) dan NMF (Nonnegative Matrix Factorization).Tujuan dari feature extractionadalah : 1. Menghilangkan data gambar yang berulang atau redundan. 2. Menghilangkan data gambar yang kurang atau tidak memiliki arti dalam klasifikasi. 3. Rekonstruksi data agar optimal dalam proses klasifikasi. 2.4 Algoritma Feature Ekstraction Principal Component Analysis (PCA) Principal Component Analysis (PCA) adalah salah satu teknik untuk melakukan reduksi dimensi.pada face recognition basic vectors
5 11 dapat menampilkan wajah seperti hantu yang disebut eigenfaces.gambar apapun dapat diubah menjadi kombinasi linear dengan teknik ini.karena metode ini bersifat holistic, PCA tidak mampu untuk mengekstrak komponen berdasarkan fitur lokal saja. Hal pertama yang harus dilakukan dalam proses PCA adalah menghitung rata rata setiap gambar dengan rumus : Ψ 1 Γ Setiap wajah dihitung nila perbedaan matrix wajah dengan rata rata gambar dengan vector Γ Ψ. Kemudian setelah selisihnya didapatkan, maka hitung nilai eigenvector dan eigenvalue nya Algoritma Non-Negative Matrix Factorization (NMF) Menurut Lee & Seung, algoritma NMF dapat mempelajari bagian dari wajah atau sebagian dari data (Lee, 1999). Metode ini berbeda dengan metode lainyang sejenis, seperti Principal Component Analysis (PCA).Basis imagesyang dihasilkan memiliki fitu local dari bagian bagian gambar.non-negative matrix factorization memberikan sebuah matrix non-negative yang biasa diberikan namax.matrixx berisi data data images yang ingin digunakan atau berisi database images. Kemudian ada 3 matrix yang digunakan untuk membangun factorization dalam NMF, yaitux WH atau
6 12 Dimana matrix W berukuran n x rdan matrix H berukuran r x m sehingga jika matrix W dikalikan dengan matrix H,maka akan menghasilkan matrix X dengan ukuran n x m. Setiap kolom n pada matrix X mengandung nilai pixel yang non-negative dari setiap m gambar.matrix W disebut sebagai basis image, sedangkan matrix H disebut sebagai encoding dan masing masing kolom dari matrix H berhubungan dengan data image yang ada pada matrix X.Nilai r pada matrix W dan H umumnya didapatkan dari hasil percobaan dengan syarat (n + m) r < nm, dan hasil dari WH dapat dianggap sebagai bentuk kompresi data dari matrix X. Masing masing matrix tidak boleh ada yang bernilai negative. Karena batasan non negative yang dilakukan pada proses dekomposisi, rekonstruksi images dibentuk dengan penambahan komposisi basis image. Kualitas aproksimasi tergantung pada cost function yang berhubungan dengan dekomposisi (Buciu et al, 2006). Ada 2 cost function yang dipakai, yaitu: 4. Kullback-Leibler divergence KL(X WH) NMF = log 5. Squared Euclidean distance Berdasarkan factorization darirumusan NMF, maka matrix yang perludicariadalah matrix W dan H berdasarkan matrix X yang berisi database gambar.rumusuntukmencari matrix W dan H adalah :
7 13 Proses awal yang dilakukan dalam NMF adalah memberi nilai nilai awal untuk matrix W dan H secaraacak dengan ketentuan tidak boleh ada nilai yang negatif.kemudiandenganrumusdiatas,maka program akanmencari matrix W dan H yang paling optimal agar matrix W jikadikalidengan matrix H, makaakanmendekati matrix X. berikut adalah contoh basis images dari NMF Gambar 2.4 Basis Images NMF Local Non-negative Matrix Factorization (LNMF) Setelah NMF yang dikembangkan oleh Lee & Seung, Li et al mulai mengembangkan LNMF (Local Non-negative Matrix Function) untuk meningkatkan kekurangan basis image dengan cara memodifikasi cost
8 14 function informasi yang berulang pada basis image dapat diminimalkan (Li, 2001). Cost function yang baru dalam LNMF menjadi: Dimana nilai = U =, = V = HH T dan, 0 adalah bilangan konstan. Sedangkan untuk rumus dari update rules pada basis images (matrix W) dan koefisien (matrix H) juga mengalami penyesuaian menjadi : Berikut adalah contoh basis images dari LNMF Gambar 2.5 Basis Images LNMF
9 Nonsmooth Non-negative Matrix Factorization Kemudian model NMF yang baru diperkenalkan oleh Pascual Montano pada tahun 2006 yang diberi namanonsmooth Nonnegative Matrix Factorization (nsnmf) (Montano, 2006). NMF sebelumnya membuat 2 matrix W dan H dimana salah satu matrix harus bersifat sparse, sedangkan matrix lainnya harus bersifat non sparse.akibat memaksakan sparseness constraintsuntuk kedua matrix tersebut, maka dapat merusak atau mengurangi kualitas dari model data yang dibentuk. Pada model NMF yang baru ini, rumus untuk menghasilkan matrix W dan H agak sedikit berubah menjadi Dimana matrix X, W dan H masih sama dengan NMF yang sebelumnya, sedangkan matrix S adalah sebuah matrix positif yang simetris dan merupakan matrix yang bersifat sparseness atau smooth.dengan adanya matrix S, maka matrix W dan H akan menjadi matrix yang bersifat sparse atau nonsmooth.matrix S sendiri dibentuk dengan rumus 1 11 Dimana I adalah sebuah matrix identitas dan 1 merupakan sebuah vector 1 kolom yang bernilai angka satu dengan ukuran r x r. Sedangkan θ adalah sebuah nilai antara 0 sampai 1.Perubahan juga terjadi pada perhitungan update rules untuk matrix W dan H, dimana untuk rumus update H, ganti matrix W menjadi WS dan untuk matrix W, ganti matrix H menjadi SH sehingga kedua rumus update rules W dan H menjadi :
10 16 Berikut adalah contoh basis images dari nsnmf Gambar 2.6 Basis Images nsnmf 2.5 Penelitian Terkait NMF Berikut ini adalah beberapa penelitian mengenai NMF. 1. NMF pertama kali diteliti oleh Lee & Seung pada tahun Pada penelitian ini NMF digunakan untuk mereduksi dimensi pada gambar wajah secara local 2. Metode LNMF digunakan dalam penelitian Li et al dengan judul penelitian Learning Spatially Localized, Parts-Based Representation. Pada penelitian ini LNMF juga digunakan untuk face recognition dan
11 17 memberikan akurasi yang lebih tinggi dibandingkan dengan NMF dan PCA 3. Liu et al pada tahun 2003 mengajukan metode SNMF (Sparse Non- Negative Matrix Factorization). Metode ini menghasilkan algoritma yang lebih cepat. Namun juga memberikan dampak dari sparseness yang dilakukan secara implisit 4. Non Negative Matrix Factorization with Sparseness Constraint (NMFSC) diusulkan oleh Hoyer pada tahun Menunjukkan bahwa NMFSC dapat mencapai konvergensi yang lebih cepat. 5. Nonsmooth Non-Negative Matrix Factorization diperkenalkan oleh Pascual Montano pada tahun Metode ini memberikan sebuah matrix tambahan untuk menambah sparseness dari NMF dan penelitian ini membuktikan bahwa nsnmf lebih unggul dibandingkan dengan metode NMF yang ada dalam face recognition dan Brain Electromagnetic Tomography. 6. Pada tahun 2009, Buciu dan Gascadi melakukan penelitian untuk melakukan klasifikasi terhadap mammogram dengan menggunakan NMF, PCA dan ICA. Pada penelitian ini terbukti bahwa NMF memiliki hasil reduksi dimensi yang lebih baik dibandingkan dengan 2 metode lainnya. 2.6 Supervised Classification Support Vector Machine (SVM) SVM pertama kali dikenalkan oleh Vapnik pada tahun 1992 (Nugroho, 2006). SVM pada dasarnya dibuat untuk melakukan proses
12 18 klasifikasi. Inti dari metode SVM adalah pembangunan hyperplane yang optimal yang dapat memisahkan antara data dengan class yang berlawanan dengan menggunakan kemungkinan margin yang terbesar.sedangkan margin adalah jarak antara hyperplane optimal dengan vector yang paling dekat dengan hyperplane itu (Antkowiak, 2006). Gambar 2.7 Optimal Hyperplane Masalah klasifikasi pada SVM dapat diartikan sebagai usaha menemukan hyperplane yang dapat memisahkan data menjadi 2 kelompok atau kelas.dari gambar 2.1, dapat dilihat ada banyak kemungkinan hyperplane yang dapat dilakukan.namun karena ingin mencari hyperplane yang terbaik antara kedua kelas tersebut, maka perlu dilakukan pengukuran margin hyperplane tersebut dan dicari titik maksimalnya.garis solid pada gambar 2.1 menunjukkan hyperplane terbaik yang bisa didapatkan.usaha untuk mendapatkan hyperplane terbaik ini merupakan inti dari training atau pembelajaran padasvm.
13 Artificial Neural Network (ANN) Artificial Neural Network (ANN) adalah cabang ilmu soft computingyang meniru sistem jaringan saraf biologis atau sistem kerja otak makhluk hidup.ada beberapa keuntungan yang bisa didapat dengan menggunakan neural network, yaitu (Zhang, 2000) : 7. Neural network adalah data driven self-adaptivemethodssehingga neural network dapat menyesuaikan diri dengan data tanpa spesifikasi eksplisit. 8. Neural network menggunakan fungsi pendekatan, sehingga neural network dapat melakukan pendekatan dengan berbagai macam fungsi dan akurasi yang berbeda beda. 9. Neural network adalah model non linier, sehingga membuat neural network menjadi lebih fleksibel dalam melakukan permodelan hubungan data yang kompleks. Dan akhirnya neural network dapat memperkirakan probabilitas yang memberikan dasar dalam menetapkan aturan klasifikasi dan analisis statistik. Neural network sudah berhasil diaplikasikan di dalam berbagai bidang industry, bisnis dan scienceseperti speechrecognition, medical diagnosis, prediction, dan sebagainya. Pada dasarnya neural network memiliki struktur umum yang membentuk neural network, yaitu : 1. Input Layer Input layer berfungsi sebagai penghubung jaringan ke dunia luar (sumber data). Neuron-neuron ini tidak melakukan perubahan apapun terhadap data, tapi hanya meneruskan data ini ke lapisan berikutnya.
14 20 2. Hidden Layer Suatu jaringan dapat memiliki satu atau lebihhidden layer atau bahkan bisa juga tidak memilikinya sama sekali. Jika jaringan memiliki beberapa hidden layer, maka lapisan tersembunyi terbawah berfungsi untuk menerima masukan dari lapisan input. Besarnya nilai masukan (net) neuron ke-j pada lapisan tersembunyi ini tergantung pada akumulasi jumlah perkalian antara nilai bobot (w, kekuatan hubungan antar neuron) dengan nilai keluaran (O) neuron ke i pada lapisan sebelumnya (neuron input) ditambah dengan nilai bias (w, neuron kej), atau Nilai bias ini merupakan nilai konstan yang dimiliki oleh setiap neuron (kecuali neuron pada lapisan input) yang digunakan untuk memperbaiki keluaran jaringan agar dapat menyamai atau mendekati nilai keluaran (output) yang diinginkan. Bobot w ji bernilai 0 menunjukkan bahwa antara neuron ke-j dan ke-i tidak terdapat hubungan. Nilai keluaran neuron pada lapisan tersembunyi ini merupakan fungsi dari nilai masukannya f(net (j)). Salah satu contoh fungsi yang biasa sering dipakai adalah fungsi Sigmoid.Pada hidden layer pada lapisan yang berikutnya (jika ada) berlaku hal yang sama seperti hidden layer di atas, hanya saja data masukannya berasal dari hidden layer lapisan sebelumnya. 3. Output Layer
15 21 Prinsip kerja neuron-neuron pada lapisan ini mirip dengan prinsip kerja neuron-neuron pada lapisan tersembunyi (hidden layer) tetapi keluaran dari neuron pada lapisan ini sudah dianggap sebagai hasil dari proses
BAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Pengenalan Ekspresi Wajah Manusia Pengenalan ekspresi wajah manusia oleh mesin dapat dideskripsikan sebagai interpretasi terhadap karakteristik ekspresi wajah manusia melalui
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini, eksperimen dilakukan terhadap 3 metode NMF, yaitu normal NMF, Local NMF, dan nsnmf.untuk setiap metode NMF, eksperimenakan dilakukan
Lebih terperinciBAB 1 PENDAHULUAN. termasuk dalam bidang Computer Vision. Computer Vision membuat komputer
BAB 1 PENDAHULUAN 1.1. Latar Belakang Perkembangan teknologi komputer pada dewasa ini telah mengalami kemajuan, termasuk dalam bidang Computer Vision. Computer Vision membuat komputer dapat melihat dan
Lebih terperinciKOMPRESI DAN PENGENALAN CITRA WAJAH DENGAN PENDEKATAN NON-NEGATIVE MATRIX FACTORIZATION
KOMPRESI DAN PENGENALAN CITRA WAJAH DENGAN PENDEKATAN NON-NEGATIVE MATRIX FACTORIZATION Christianto Mewlando Binus University, Jakarta, DKI Jakarta, Indonesia Fictor Benny Kurniawan Usodo Binus University,
Lebih terperinciPERBANDINGAN DTCWT DAN NMF PADA FACE RECOGNITION MENGGUNAKAN EUCLIDEAN DISTANCE
PERBANDINGAN DTCWT DAN NMF PADA FACE RECOGNITION MENGGUNAKAN EUCLIDEAN DISTANCE David; Ferdinand Ariandy Luwinda Computer Science Department, School of Computer Science, Binus University Jl. K.H. Syahdan
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciIMPLEMENTASI DAN ANALISIS SISTEM PENGENALAN WAJAH DALAM RUANGAN PADA VIDEO MENGGUNAKAN METODE LNMF DAN NMFsc
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 389 IMPLEMENTASI DAN ANALISIS SISTEM PENGENALAN WAJAH DALAM RUANGAN PADA VIDEO MENGGUNAKAN METODE LNMF DAN NMFsc IMPLEMENTATION
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE
PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE Widodo Muda Saputra, Helmie Arif Wibawa, S.Si, M.Cs, dan Nurdin Bahtiar, S.Si, M.T Fakultas Sains dan Matematika, Jurusan Ilmu Komputer
Lebih terperinciBAB 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 terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI 3.1. Citra Digital Citra digital adalah suatu citra elektronik yang diambil dari dokumen, seperti foto, buku, maupun sebuah video. Proses perubahan citra analog menjadi citra digital
Lebih terperinciTEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR
TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR DWI ACHTI NOVIATUR R. 2208100656 Dosen Pembimbing : Dr. Ir. Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) PIE Problem Representasi Citra
Lebih terperinciBAB I PENDAHULUAN. satu bagian sistem biometrika adalah face recognition (pengenalan wajah). Sistem
1 BAB I PENDAHULUAN 1.1. Latar Belakang Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia yang memiliki keunikan. Salah satu bagian sistem biometrika
Lebih terperinciPrincipal Component Analysis
Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA) Pembimbing: Dr.Ir.Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) Nimas Setya Yaniar 2208.100.616 POSE (posisi
Lebih terperinciPENGENALAN EKSPRESI WAJAH MENGGUNAKAN METODE FAKTORISASI MATRIKS NON-NEGATIF DAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK
PENGENALAN EKSPRESI WAJAH MENGGUNAKAN METODE FAKTORISASI MATRIKS NON-NEGATIF DAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK Andy Putra 1 ; Monica 2 ; Vinson Yogama 3 ; Diaz D. Santika 4 Jurusan Teknik Informatika,
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciBAB 2 Landasan Teori
BAB 2 Landasan Teori Pengenalan manusia secara otomatis menggunakan mesin merupakan masalah yang menantang dan telah menjadi banyak perhatian selama beberapa tahun terakhir. (Jawad, Syed, dan Farrukh,
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN. untuk pengenalan ekspresi wajah diantara metode Non Negative Matrix
BAB 4 HASIL DAN PEMBAHASAN 4.1. Hasil Penelitian Penelitian akan dilakukan untuk mencari hasil yang paling optimal untuk pengenalan ekspresi wajah diantara metode Non Negative Matrix Factorization (NMF),
Lebih terperinci1. Pendahuluan Perumusan Masalah Dari latar belakang yang dipaparkan di atas, masalah yang dapat dirumuskan adalah:
1. Pendahuluan 1.1. Latar Belakang Wajah manusia dapat menunjukkan dimorfisme seksual yang cukup jelas [1][2][3][4][5]. Wajah pria dan wanita memiliki bentuk dan tekstur yang berbeda, dan petunjuk yang
Lebih terperinciBAB I PENDAHULUAN. telinga, wajah, infrared, gaya berjalan, geometri tangan, telapak tangan, retina,
BAB I PENDAHULUAN 1.1 Latar Belakang Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia. Sidik jari, tanda tangan, DNA, telinga, wajah, infrared,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini dibahas teori yang digunakan sebagai landasan pengerjaan Support Vector Backpropagation. Pembahasan bertujuan untuk menguraikan teori dan algoritma yang digunakan dalam
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam mencapai tujuan pembangunan ekonomi diperlukan peran serta lembaga keuangan untuk membiayai pembangunan tersebut. Lembaga keuangan memegang peranan penting dalam
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 Citra Berikut adalah beberapa definisi dari citra, antara lain: rupa; gambar; gambaran (Kamus Besar Bahasa Indonesia). Sebuah fungsi dua dimensi, f(x, y), di mana x dan y adalah
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi perangkat lunak dewasa ini tidak terlepas dari berkembangnya studi mengenai kecerdasan buatan. Ada dua hal yang termasuk dari kecerdasan buatan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Kanker payudara merupakan salah satu penyebab kematian yang sering dialami oleh wanita pada usia lanjut. Tercatat bahwa pada tahun 2011, terdapat lebih
Lebih terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciPERBANDINGAN KOEFISIEN NMF DAN PROYEKSI BILINEAR SPACE SEBAGAI FITUR PADA PENGENALAN EKSPRESI WAJAH MANUSIA
PERBANDINGAN KOEFISIEN NMF DAN PROYEKSI BILINEAR SPACE SEBAGAI FITUR PADA PENGENALAN EKSPRESI WAJAH MANUSIA William Salim Computer Science Department, School of Computer Science, Binus University Jl. K.
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pengklasifikasian merupakan salah satu metode statistika untuk mengelompok atau menglasifikasi suatu data yang disusun secara sistematis. Masalah klasifikasi sering
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 dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem
21 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem pengenalan wajah ini yaitu input, proses dan output. Dengan input bahan penelitian
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR
PENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR 1 Fandiansyah, 2 Jayanti Yusmah Sari, 3 Ika Purwanti Ningrum Jurusan Teknik Informatika, Fakultas Teknik Universitas
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Permainan catur cina, yang dikenal sebagai xiang qi dalam bahasa mandarin, merupakan sebuah permainan catur traditional yang memiliki jumlah 32 biji catur. Setiap
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Pada bab ini akan dibahas mengenai teori pendukung dan penelitian sebelumnya yang berhubungan dengan metode ekstraksi fitur, serta metode klasifikasi Support Vector Machine dalam
Lebih terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
Lebih terperinciNeural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras 3.1.1 Diagram Blok Sistem Rancangan perangkat keras dari aplikasi pengenalan wajah ini dapat dilihat pada diagram blok Gambar 3.1 sebagai berikut
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Persaingan dalam dunia bisnis, terlebih lagi bagi perusahaan besar, tidak lepas dari adanya proses jual beli saham. Saham secara umum merupakan surat berharga yang dapat
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 terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
Lebih 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 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciBAB 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 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 terperinciBAB 3 PROSEDUR DAN METODOLOGI
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Analisa Masalah Kemajuan teknologi di bidang multimedia, menuntut kemampuan sistem yang lebih baik dan lebih maju dari sebelumnya, sesuai dengan perkembangan teknologi.
Lebih 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 terperinciANALISIS DAN SIMULASI SISTEM PENGENALAN WAJAH DENGAN METODE FISHERFACE BERBASIS OUTDOORVIDEO.
ANALISIS DAN SIMULASI SISTEM PENGENALAN WAJAH DENGAN METODE FISHERFACE BERBASIS OUTDOORVIDEO Nurani Fitriyah 1),Dr. Ir. BambangHidayat 2),SuciAulia, ST,MT 3) 1 FakultasTeknikElektro, Telkom University
Lebih terperinciSegmentasi Citra menggunakan Support Vector Machine (SVM) dan Ellipsoid Region Search Strategy (ERSS) Arimoto Entropy berdasarkan Ciri Warna dan Tekstur Lukman Hakim 1, Siti Mutrofin 2, Evy Kamilah Ratnasari
Lebih terperinciPengenalan wajah dengan algorithma Eigen Face Oleh: Hanif Al Fatta
Pengenalan wajah dengan algorithma Eigen Face Oleh: Hanif Al Fatta Abstraksi Pengenalan wajah (face recognition) yang merupakan salah satu penerapan image processing, kini telah dipakai untuk banyak aplikasi.
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST)
Berkala Fisika ISSN : 1410-9662 Vol. 15, No. 1, Januari 2012, hal 15-20 SISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST) Tri Mulyono, Kusworo Adi dan Rahmat Gernowo Jurusan
Lebih terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang Diagnosis kanker dapat dilakukan berdasarkan struktur morfologisnya, namun hal tersebut mengalami kesulitan karena perbedaan struktur morfologis yang sangat tipis
Lebih terperinciUJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES
1 Uji Kinerja Face Recognition Menggunakan Eigenfaces UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES ABDUL AZIS ABDILLAH 1 1STKIP Surya, Tangerang, Banten, abdillah.azul@gmail.com Abstrak. Pada paper
Lebih terperinciBAB 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era yang semakin maju ini, teknologi telah memegang peranan penting dalam kehidupan manusia sehari-hari, sehingga kemajuannya sangat dinantikan dan dinikmati para
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Digital [3] Citra atau gambar didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y), di mana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur
Lebih terperinciKlasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra
Jurnal Ilmiah Ilmu Komputer, Vol 15 No. 2, Desember 2010 : 38-41 Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra Vera Yunita, Yeni Herdiyeni Departemen Ilmu
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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciUNJUK KERJA METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) DENGAN LEARNING VECTOR QUANTIZATION (LVQ) PADA APLIKASI PENGENALAN WAJAH
ISSN : 1693 1173 UNJUK KERJA METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) DENGAN LEARNING VECTOR QUANTIZATION (LVQ) PADA APLIKASI PENGENALAN WAJAH Yustina Retno Wahyu Utami 1), Teguh Susyanto 2). Abstract
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 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 terperinciTeknik pengenalan wajah berbasis fitur local binary pattern (LBP)
Teknik pengenalan wajah berbasis fitur local binary pattern (LBP) Oleh: Eko Wahyudi NRP. 2208 100 629 Dosen Pembimbing: Dr. Ir. Wirawan, DEA Ir. Hendra Kusuma, M.Eng Latar Belakang ( Permasalahan Sistem
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 terperinciBAB 4 HASIL DAN PEMBAHASAN
68 BAB 4 HASIL DAN PEMBAHASAN 4.1. Uji Algoritma Pengujian dilakukan untuk mendapatkan algoritma yang paling optimal dari segi kecepatan dan tingkat akurasi yang dapat berjalan secara real time pada smartphone
Lebih terperinciBAB III METODE PENELITIAN. tangan dengan menggunakan metode Support Vector Machine (SVM).
BAB III METODE PENELITIAN 3.1 Desain Penelitian Di dalam desain penelitian ini akan menggambarkan proses pengenalan tulisan tangan dengan menggunakan metode Support Vector Machine (SVM). Praproses Input
Lebih terperinciPERBANDINGAN METODE KDDA MENGGUNAKAN KERNEL RBF, KERNEL POLINOMIAL DAN METODE PCA UNTUK PENGENALAN WAJAH AKIBAT VARIASI PENCAHAYAAN ABSTRAK
PERBANDINGAN METODE KDDA MENGGUNAKAN KERNEL RBF, KERNEL POLINOMIAL DAN METODE PCA UNTUK PENGENALAN WAJAH AKIBAT VARIASI PENCAHAYAAN Jurusan Teknik Elektro, Fakultas Teknik Jl. Prof. Drg. Suria Sumantri
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciPengenalan Wajah Dengan Algoritma Canonical Correlation Analysis (CCA)
JURNAL EKNIK IS ol 1, (Sept, 212) ISSN: 231-9271 A-439 Pengenalan Wajah Dengan Algoritma Canonical Correlation Analysis (CCA) Ratna Dwi Kartika Rini, Wirawan dan Hendra Kusuma Jurusan eknik Elektro-FI,
Lebih terperinciImplementasi Principal Component Analysis (PCA) Untuk Pengenalan Wajah Manusia
Nusantara of Engineering/Vol. 2/ No. 1/ISSN: 2355-6684 65 Implementasi Principal Component Analysis (PCA) Untuk Pengenalan Wajah Manusia Rina Firliana, Resty Wulanningrum, Wisnu Sasongko Jurusan Teknik
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Perceptron 2. ADALINE 3. MADALINE 2 Perceptron Perceptron lebih powerful dari Hebb Pembelajaran perceptron mampu menemukan konvergensi terhadap bobot yang
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 terperinciPengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA)
Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA) Erma Rachmawati Jurusan Teknik Elektro- FTI, Institut Teknologi Sepuluh
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Artificial Intelligence Artificial intelligence merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti
Lebih terperinciPengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis)
Pengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis) Ratna Nur Azizah Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111
Lebih terperinci1. Pendahuluan. 1.1 Latar belakang
1. Pendahuluan 1.1 Latar belakang Keamanan data pribadi merupakan salah satu hal terpenting bagi setiap orang yang hidup di era dimana Teknologi Informasi (TI) berkembang dengan sangat pesat. Setiap orang
Lebih terperinciBAB III METODE PENELITIAN. Tujuan tugas akhir ini akan membangun suatu model sistem yang
BAB III METODE PENELITIAN 3.1 Model Pengembangan Tujuan tugas akhir ini akan membangun suatu model sistem yang melakukan proses data mulai dari pengolahan citra otak hingga menghasilkan output analisa
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 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 terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF RADIAL BASIS FUNCTION (RBF)
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011 PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF
Lebih terperinciBAB I PENDAHULUAN. pengetahuan yang sangat populer saat ini. Dengan ilmu pengetahuan ini, teknologi di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi Informasi dan Komunikasi (TIK) merupakan suatu cabang ilmu pengetahuan yang sangat populer saat ini. Dengan ilmu pengetahuan ini, teknologi di dunia
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 terperinciPENGENALAN KARAKTER DENGAN MENGGUNAKAN HAMMING NETWORK
PENGENALAN KARAKTER DENGAN MENGGUNAKAN HAMMING NETWORK Thiang Jurusan Teknik Elektro, Universitas Kristen Petra Siwalankerto 121-131, Surabaya, Indonesia E-mail: thiang@petra.ac.id Abstrak Makalah ini
Lebih 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 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 terperinciPENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION
PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION Suhendry Effendy Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University
Lebih terperinciPengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature
Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Dosen Pembimbing : 1) Prof.Dr.Ir. Mauridhi Hery Purnomo M.Eng. 2) Dr. I Ketut Eddy Purnama ST., MT. Oleh : ATIK MARDIYANI (2207100529)
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciTujuan Penelitian Tujuan penelitian ini adalah untuk melakukan deteksi penyakit pada daun rose dengan menggunakan metode ANN.
Laporan Akhir Projek PPCD Deteksi Penyakit Daun Menggunakan Artificial Neural Network (ANN) TRI SONY(G64130020), GISHELLA ERDYANING (G64130040), AMALIYA SUKMA RAGIL PRISTIYANTO (G64130044), MUHAMMAD RIZQI
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Folder Sebuah directory (folder) adalah seperti ruangan-ruangan (kamar-kamar) pada sebuah komputer yang berfungsi sebagai tempat penyimpanan dari berkas-berkas (file). Sedangkan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini dilakukan eksperimen sebanyak dua kali. Eksperimen pertama dilakukan untuk menguji keberhasilan klasifikasi ROI ke dalam jenis keabnormalan,
Lebih terperinciIMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI
Royani Darma Nurfita, Gunawan Ariyanto, Implementasi Deep Learning Berbasis Tensorflow Untuk Pengenalan Sidik Jari IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI Royani Darma
Lebih terperinciBAB 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 terperinciANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR
Jurnal Teknik dan Ilmu Komputer ANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR PARAMETER VARIATION ANALYSIS OF LEARNING VECTOR QUANTIZATION
Lebih terperinci