HASIL DAN PEMBAHASAN. Generalisasi =
|
|
- Shinta Kurnia
- 6 tahun lalu
- Tontonan:
Transkripsi
1 6 Kelas Target Sidik jari individu Sidik jari individu Sidik jari individu Sidik jari individu Sidik jari individu Sidik jari individu Penelitian ini dilakukan percobaan dengan mengkombinasikan hidden, toleransi, dan dimensi citra input. Tiap percobaan diulang sebanyak lima kali. Total seluruh percobaan yang dilakukan adalah sebanyak 5 kali ulangan 6 level dekomposisi wavelet 10 variasi jumlah hidden 3 variasi toleransi yaitu 900 kali percobaan. Tabel hasil generalisasi setiap percobaan dapat dilihat pada Lampiran 4, 5, dan 6. Tahapan Pengenalan Sidik Jari Pada penelitian ini, data akan mengalami enam level transformasi wavelet. Hasil transformasi pada tiap level akan diolah menggunakan jaringan syaraf tiruan. Tahapan pengenalan sidik jari secara lengkap dapat dilihat pada Gambar 4. Hasil penelitian ini diukur menggunakan nilai konvergensi dan generalisasinya. Nilai konvergensi adalah tingkat kecepatan jaringan untuk mempelajari pola input yang dinyatakan dalam satuan epoch atau waktu komputasi (Cahyaningtias 2007). Nilai generalisasi berhubungan dengan seberapa baik kinerja jaringan untuk menyelesaikan permasalahan (Fu 1994). Dalam penelitian ini, nilai generalisasi digunakan untuk menghitung kinerja jaringan syaraf tiruan propagasi balik untuk melakukan pengenalan pola sidik jari. Nilai generalisasi dapat dihitung dengan persamaan (Cahyaningtias 2007): Jumlah pola yang dikenali = 100% Jumlah pola seluruhnya Lingkup Pengembangan Sistem Perangkat keras yang digunakan dalam penelitian ini berupa notebook dengan spesifikasi: processor: Intel Pentium M 1.86 Ghz, memori : 1536 Gb, dan hard disk: 80 Gb. Perangkat lunak yang digunakan yaitu: sistem operasi: Microsoft Windows XP, aplikasi pemrograman : Matlab HASIL DAN PEMBAHASAN Data sidik jari pada penelitian ini akan mengalami praproses transformasi wavelet dengan induk wavelet Haar. Data akan didekomposisi sampai level enam. Detil dimensi citra hasil dekomposisi tiap level wavelet dapat dilihat pada Tabel 3. Contoh citra hasil dekomposisi wavelet tiap level dapat dilihat pada Gambar 5. Tabel 3 Detil dimensi citra tiap dekomposisi level wavelet Level Dekomposisi Level 0 (citra asli) Level 1 Level 2 Level 3 Level 4 Level 5 Level 6 Dimensi Citra piksel piksel piksel piksel piksel piksel 5 5 piksel Gambar 4 Tahapan pengenalan sidik jari. 6
2 7 Gambar 5 Contoh hasil dekomposisi wavelet tiap level. Percobaan 1: Dekomposisi Wavelet Level 1 Percobaan pertama mengkombinasikan input yang diperoleh dari hasil dekomposisi wavelet Haar level 1 dengan toleransi 0.01 pada jaringan syaraf tiruannya. Hasil percobaan pertama ini dapat dilihat pada Gambar 6. Gambar 7 Grafik perbandingan generalisasi wavelet level 1 toleransi Nilai generalisasi pada Gambar 7 mengalami peningkatan sampai jumlah hidden 50. pada jumlah hidden tersebut juga menjadi nilai generalisasi tertinggi yang dicapai pada percobaan dengan kombinasi ini. Nilai generalisasi pada jumlah hidden selanjutnya mengalami penurunan walaupun sempat bernilai konstan pada jumlah hidden 60, 70, dan 80. kemudian diturunkan lagi menjadi Grafik nilai generalisasi yang dihasilkan dapat dilihat pada Gambar 8. Gambar 6 Grafik perbandingan generalisasi wavelet level 1 toleransi Nilai generalisasi pada Gambar 6 mengalami penurunan sekaligus menjadi generalisasi paling rendah pada jumlah hidden 20. Kemudian nilai generalisasi meningkat drastis dan menjadi generalisasi pada jumlah hidden 40. Nilai generalisasi tetap pada jumlah hidden 50, 60, dan 70 dan meningkat pada jumlah hidden selanjutnya. Setelah itu dilakukan kombinasi berbeda dengan menurunkan nilai toleransi nya menjadi Hasil percobaan dengan kombinasi ini dapat dilihat pada Gambar 7. Gambar 8 Grafik perbandingan generalisasi wavelet level 1 toleransi Dari Gambar 8 dapat dilihat generalisasi jumlah hidden 10 meningkat sekitar 30% pada jumlah hidden 20. Nilai generalisasi pada kombinasi ini diperoleh dua kali yaitu pada jumlah hidden 60 dan 80. Setelah mengalami penurunan, generalisasi bernilai tetap pada jumlah hidden 90 dan 100. Dari ketiga percobaan dapat disimpulkan bahwa nilai generalisasi wavelet level 1 mencapai nilai optimum pada toleransi 0.01 dengan titik keseimbangan pada jumlah hidden 40. Grafik perbandingan generalisasi wavelet level 1 7
3 8 dapat dilihat pada Gambar 9. Data selengkapnya dapat dilihat pada Tabel 4. Selanjutnya toleransi diturunkan menjadi Grafik generalisasi yang dihasilkan dapat dilihat pada Gambar 11. Gambar 9 Grafik perbandingan generalisasi wavelet level 1 keseluruhan. Tabel 4 wavelet level % % % 60,80 Percobaan 2: Dekomposisi Wavelet Level 2 Percobaan ini menggunakan citra hasil dekomposisi wavelet level 2 sebagai input jaringan syaraf tiruan. Grafik generalisasi yang dihasilkan pada toleransi 0.01 dapat dilihat pada Gambar 10. Gambar 11 Grafik perbandingan generalisasi wavelet level 2 toleransi Secara umum, nilai generalisasi dengan kombinasi ini dapat dikatakan meningkat. Nilai generalisasi minimum terjadi pada jumlah hidden 10 sedangkan generalisasi maksimum dicapai dua kali yaitu pada jumlah hidden 60 dan 70. Terdapat kecenderungan yang serupa tiap tiga peningkatan jumlah hidden. pada jumlah hidden 20 mengalami peningkatan dari generalisasi pada jumlah hidden 10 dan meningkat lagi pada jumlah hidden 30. menurun pada jumlah hidden selanjutnya dan mengikuti pola yang sama sampai jumlah hidden 60. diturunkan lagi menjadi Grafik generalisasi yang dihasilkan dapat dilihat pada Gambar 12. Gambar 10 Grafik perbandingan generalisasi wavelet level 2 toleransi Pada Gambar 10, nilai generalisasi mengalami nilai minimum pada jumlah hidden 10. Pada jumlah hidden selanjutnya, generalisasi meningkat hingga mencapai generalisasi nya yaitu 80% pada jumlah hidden 40. Nilai generalisasi menurun pada jumlah hidden selanjutnya dan mengulangi pola yang sama seperti pola sebelumnya, meningkat kemudian menurun pada jumlah hidden 90. Gambar 12 Grafik perbandingan generalisasi wavelet level 2 toleransi pada kombinasi ini mengalami peningkatan secara umum. Nilai generalisasi maksimum dicapai pada jumlah hidden 90 yaitu sebesar 86.67% dan mencapai minimum pada jumlah hidden 10 hingga mencapai nilai 56.67%. 8
4 9 Setelah mencapai generalisasi maksimum, generalisasi menurun pada jumlah hidden 100 hingga mencapai 73.33%. Grafik perbandingan nilai generalisasi wavelet level 2 pada keseluruhan percobaan dapat dilihat pada Gambar 13. Gambar 13 Grafik perbandingan generalisasi wavelet level 2 keseluruhan. Dari grafik dapat dilihat bahwa pada ketiga kombinasi, generalisasi maksimum dicapai pada toleransi bernilai dengan titik keseimbangan pada jumlah hidden 90. Perbandingan nilai generalisasi tertinggi untuk ketiga toleransi dapat dilihat pada Tabel 5. Tabel 5 wavelet level % % % 90 Percobaan 3: Dekomposisi Wavelet Level 3 Seperti percobaan sebelumnya, citra pendekatan wavelet level 3 akan dikombinasikan dengan nilai toleransi 0.01 terlebih dahulu. Grafik generalisasinya dapat dilihat pada Gambar 14. hidden 20, 60, dan 70 sedangkan nilai generalisasi minimum yaitu sebesar 63.33% dicapai pada jumlah hidden 10. Pada Gambar 8, terdapat kecenderungan generalisasi yang naik dan turun secara bergantian. Contohnya generalisasi jumlah hidden meningkat dari jumlah hidden 30 ke 40 dan turun pada jumlah hidden 50. Nilai generalisasi menurun pada jumlah hidden 70 ke 80, bernilai tetap sampai jumlah hidden 90 dan naik pada jumlah hidden 100. kemudian diturunkan menjadi Grafik yang dihasilkan dapat dilihat pada Gambar 15. Gambar 15 Grafik perbandingan generalisasi wavelet level 3 toleransi Seperti dapat dilihat pada Gambar 15, pola yang sama terjadi pada kombinasi toleransi ini. Nilai generalisasi meningkat pada jumlah hidden 60 ke 70, bernilai tetap dan turun pada jumlah hidden 80 dan 90, dan meningkat sekaligus menjadi nilai generalisasi pada jumlah hidden 100 yaitu sebesar 83.33%. Percobaan selanjutnya dilakukan dengan menurunkan toleransi menjadi Grafik hasil generalisasi dapat dilihat pada Gambar 16. Gambar 14 Grafik perbandingan generalisasi wavelet level 3 toleransi Pada kombinasi ini, nilai maksimum generalisasi yaitu 80% dicapai pada jumlah Gambar 16 Grafik perbandingan generalisasi wavelet level 3 toleransi
5 10 Seperti dapat disimpulkan dari Gambar 16, pola yang hampir sama juga terjadi pada kombinasi ini. Bedanya, pada jumlah hidden 100 nilai generalisasi menurun, sedangkan pola sebelumnya pada jumlah hidden yang sama generalisasi mengalami kenaikan. Nilai generalisasi maksimum dicapai pada jumlah hidden 90 yaitu sebesar 86.67% dan generalisasi minimum dicapai pada jumlah hidden 10 yaitu sebesar 53.33%. Nilai generalisasi citra dekomposisi wavelet level 3 mencapai maksimum pada toleransi yaitu sebesar 86.67% dengan titik keseimbangan 90. Grafik perbandingan generalisasinya pada seluruh kombinasi percobaan dapat dilihat pada Gambar 17 dan data selengkapnya dapat dilihat pada Tabel 6. Tabel 6 wavelet level % 20,60, % % 90 Gambar 17 Grafik perbandingan generalisasi wavelet level 3 keseluruhan. Percobaan 4: Dekomposisi Wavelet Level 4 Percobaan dilanjutkan dengan menggunakan citra hasil dekomposisi wavelet level 4. Dengan nilai toleransi 0.01, grafik generalisasi yang dihasilkan dapat dilihat pada Gambar 18. Berdasarkan Gambar 18, secara umum nilai generalisasi meningkat seiring dengan pertambahan jumlah hidden. Nilai generalisasi maksimum dicapai pada jumlah hidden 40 yaitu sebesar 90%. Perubahan nilai generalisasi pada jumlah hidden selanjutnya dapat dikatakan cukup stabil karena besar perubahannya yang cukup kecil. Gambar 18 Grafik perbandingan generalisasi wavelet level 4 toleransi Nilai toleransi diturunkan menjadi Grafik hasil generalisasinya dapat dilihat pada Gambar 19. Gambar 19 Grafik perbandingan generalisasi wavelet level 4 toleransi Dapat dilihat pada Gambar 19, generalisasi maksimum sebesar 90% dicapai pada empat jumlah hidden, yaitu jumlah hidden 30, 40, 50, dan 100. Nilai generalisasi pada jumlah hidden 60 turun dari jumlah hidden 50 dan tidak mengalami perubahan sampai jumlah hidden 80. Percobaan menggunakan citra dekomposisi level 4 diakhiri dengan menurunkan nilai toleransi menjadi Grafik hasil generalisasinya dapat dilihat pada Gambar 20. Gambar 20 Grafik perbandingan generalisasi wavelet level 4 toleransi Nilai generalisasi meningkat sebanyak sekitar 20% dari jumlah hidden 10 ke 10
6 11 jumlah hidden 20. Pada jumlah hidden selanjutnya, tidak terdapat adanya perubahan nilai generalisasi yang cukup jauh tiap perubahan jumlah hidden sehingga hasil percobaan ini juga dapat dikatakan cukup stabil. Grafik perbandingan generalisasi maksimum keseluruhan percobaan untuk dekomposisi wavelet level 4 dapat dilihat pada Gambar 21. Dari gambar dapat disimpulkan bahwa nilai generalisasi menggunakan citra hasil dekomposisi wavelet level 4 mencapai nilai maksimum pada toleransi Data selengkapnya dapat dilihat pada Tabel 7. Grafik generalisasi pada Gambar 22 cukup stabil yang ditandai dengan kecilnya nilai perubahan generalisasi dari jumlah hidden 10 sampai hidden 100. Bahkan nilai generalisasi cenderung konstan pada beberapa jumlah hidden. Sebagai contoh, generalisasi bernilai tetap yaitu 80% pada jumlah hidden 10 sampai 40. Begitu juga pada jumlah hidden 50 dan 60 yang memiliki nilai generalisasi tetap yaitu 86.67%. Percobaan kedua dilakukan dengan menurunkan toleransi menjadi Grafik yang dihasilkan dapat dilihat pada Gambar 23. Gambar 21 Grafik perbandingan generalisasi wavelet level 4 keseluruhan. Tabel 7 wavelet level % % 30,40, % 70,80,90 Percobaan 5: Dekomposisi Wavelet Level 5 Percobaan pertama dengan citra dekomposisi wavelet level 5 dimulai dengan kombinasi toleransi Grafik generalisasi yang dihasilkan dapat dilihat pada Gambar 22. Gambar 23 Grafik perbandingan generalisasi wavelet level 5 toleransi cenderung mengalami penurunan dan bernilai tetap setelah mencapai generalisasi maksimum pada jumlah hidden 60. maksimum yang dicapai adalah sebesar 93.33%. Pada jumlah hidden selanjutnya sampai jumlah hidden 100, generalisasi bernilai tetap yaitu 90%. Terakhir, nilai toleransi diturunkan menjadi Grafik generalisasi yang dihasilkan dapat dilihat pada Gambar 24. Gambar 22 Grafik perbandingan generalisasi wavelet level 5 toleransi Gambar 24 Grafik perbandingan generalisasi wavelet level 5 toleransi
7 12 Dengan kombinasi ini, grafik generalisasi terlihat lebih stabil. Nilai generalisasi maksimum dicapai pada jumlah hidden 80 dan 100 yaitu sebesar 93.33%. Besar perubahan nilai generalisasi cukup kecil yaitu hanya sekitar 3-5%, kecuali pada jumlah hidden 20 yang generalisasinya meningkat dari jumlah hidden 10 sebanyak 16.67%. Grafik perbandingan generalisasi wavelet level 5 dapat dilihat pada Gambar 25. Berdasarkan gambar, nilai generalisasi maksimum dicapai pada toleransi yaitu sebesar 93.33%. Perbandingan selengkapnya dapat dilihat pada Tabel 8. Pada Gambar 26, terdapat pola nilai generalisasi yang naik dan turun secara bergantian sebelum akhirnya mencapai nilai generalisasi maksimum 93.33% pada jumlah hidden 60. Nilai generalisasi tetap berada pada titik maksimum pada jumlah hidden selanjutnya. Percobaan kedua menggunakan dekomposisi wavelet level 6 dilakukan dengan menurunkan nilai toleransi menjadi Grafik generalisasi yang dihasilkan dapat dilihat pada Gambar 27. Gambar 25 Grafik perbandingan generalisasi wavelet level 5 keseluruhan. Tabel 8 wavelet level % 50,60,80, % % 80,100 Percobaan 6: Dekomposisi Wavelet Level 6 Tiga percobaan terakhir pada penelitian ini menggunakan citra hasil dekomposisi wavelet level 6 sebagai input jaringan syaraf tiruannya. Grafik generalisasi yang dihasilkan pada toleransi 0.01 dapat dilihat pada Gambar 26. Gambar 27 Grafik perbandingan generalisasi wavelet level 6 toleransi Berdasarkan grafik pada Gambar 27, nilai generalisasi hampir stabil karena nilai generalisasi tidak jauh berbeda antara tiap jumlah hidden -nya. Terdapat kecenderungan yang hampir sama dengan kombinasi sebelumnya, yaitu nilai generalisasi yang naik dan turun secara bergantian, tetapi dengan selisih nilai generalisasi yang lebih kecil dari pola sebelumnya. Pada percobaan terakhir, nilai toleransi diturunkan lagi menjadi Grafik generalisasi yang dihasilkan dapat dilihat pada Gambar 28. Gambar 26 Grafik perbandingan generalisasi wavelet level 6 toleransi Gambar 28 Grafik perbandingan generalisasi wavelet level 6 toleransi Kombinasi ini menghasilkan nilai generalisasi yang hampir konstan karena nilai generalisasi yang dicapai pada suatu jumlah hidden hampir sama dengan nilai 12
8 13 generalisasi pada jumlah hidden sebelum dan sesudahnya. Nilai generalisasi minimum adalah 76.67% pada jumlah hidden 10 yang langsung naik sebesar 13 poin pada jumlah hidden 20. Nilai generalisasi maksimum sebesar 93.33% dicapai tiga kali yaitu pada jumlah hidden 30, 70, dan 100. Perbandingan nilai generalisasi maksimum pada tiap toleransi untuk citra dekomposisi wavelet level 6 dapat dilihat pada Tabel 9. Grafik perbandingan nilia generalisasinya pada tiap kombinasi percobaan dapat dilihat pada Gambar 29. Dari grafik dapat disimpulkan bahwa nilai generalisasi maksimum dicapai pada toleransi Tabel 9 wavelet level % 60,70,80,90, % 50,70, 80, % 30,70, 100 Berdasarkan Gambar 30, nilai generalisasi makin tinggi bila level dekomposisi wavelet yang digunakan juga bertambah. Namun nilai generalisasi dekomposisi wavelet level 6 tidak mengalami peningkatan dari level 5. Hal ini berarti dengan menggunakan citra dekomposisi wavelet level 5, telah diperoleh hasil pengenalan yang maksimum dari jaringan syaraf tiruan. Perbandingan Konvergensi Jaringan Syaraf Tiruan yang Digunakan Konvergensi jaringan syaraf tiruan diukur dengan satuan epoch dan atau waktu komputasi. Grafik perbandingan jumlah epoch jaringan syaraf tiruan pada penelitian ini dapat dilihat pada Gambar 31. Gambar 29 Grafik perbandingan generalisasi wavelet level 6 keseluruhan. Perbandingan Perbandingan nilai generalisasi maksimum dari seluruh percobaan dapat dilihat pada Gambar 30. Gambar 31 Grafik perbandingan jumlah epoch. Pada Gambar 31, terdapat kecenderungan jumlah epoch yang rata-rata meningkat seiring dengan penurunan toleransi. Kecenderungan lainnya adalah jumlah epoch yang menurun seiring dengan pertambahan level dekomposisi wavelet pada data input, kecuali pada level 6. Jumlah epoch pada level 6 mengalami peningkatan dari jumlah epoch level 5 pada semua nilai toleransi. Wavelet juga terbukti mempengaruhi waktu komputasi. Grafik perbandingan waktu komputasi pada penelitian ini dapat dilihat pada Gambar 32. Gambar 30 Grafik perbandingan generalisasi maksimum. 13
9 14 Pada penelitian berikutnya juga dapat digunakan induk wavelet selain Haar misalnya Daubechies, dan dibandingkan hasil pengenalannya dengan hasil penelitian ini. DAFTAR PUSTAKA Gambar 32 Grafik perbandingan waktu komputasi. Pada Gambar 32 dapat ditunjukkan bahwa waktu komputasi berbanding terbalik dengan jumlah level dekomposisi wavelet. Semakin tinggi level dekomposisi wavelet akan semakin kecil waktu komputasinya. Hal ini disebabkan makin tinggi level dekomposisi wavelet yang digunakan, maka akan semakin kecil dimensi citra hasil dekomposisi yang menjadi input jaringan syaraf tiruannya, sehingga mempercepat waktu komputasi. KESIMPULAN DAN SARAN Kesimpulan Dari berbagai percobaan yang dilakukan pada penelitian diperoleh kesimpulan sebagai berikut: 1 meningkat seiring dengan pertambahan level dekomposisi wavelet. maksimum yang dicapai adalah sebesar 93.33% pada saat dekomposisi wavelet level 5 dan 6. minimum rata-rata terjadi pada jumlah hidden Jaringan syaraf tiruan mencapai hasil maksimum pada kombinasi dekomposisi wavelet level 5 dan toleransi karena kombinasi dan percobaan setelahnya tidak meningkatkan generalisasi. Saran Penelitian ini masih dapat dikembangkan lagi pada penelitian berikutnya. Data yang digunakan pada penelitian ini adalah data sidik jari yang seragam posisi pengambilannya. Pada penelitian berikutnya, dapat digunakan data sidik jari yang diambil pada beragam posisi pengambilan. Selain itu dapat digunakan kombinasi citra pendekatan dua level dekomposisi wavelet sebagai citra latih jaringan syaraf tiruan. Burrus C.S, Gopinath R.A, Guo H Introduction to Wavelets and Wavelet Transforms A Primer. New Jersey : Prentice Hall. Cahyaningtias T Pengenalan Wajah dengan Praproses Transformasi Wavelet [Skripsi]. Bogor: Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor. Fausett L Fundamentals of Neural Networks Architectures, Algorithms, and Aplications. New Jersey : Prentice Hall. Fu L Neural Networks in Computer Intelligence. Singapore: McGraw-Hill. Maltoni et al Handbook of Fingerprint Recognition. New York: Springer. McAndrew A An Introduction to Digital Image Processing with MATLAB. USA:Thomson Course Technology. Minarni Klasifikasi Sidik Jari dengan Pemrosesan Awal Wavelet. Transmisi 8(2): Nugroho D Pengenalan Karakter Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan Resilient [Skripsi]. Bogor: Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor. Puspitaningrum Pengantar Jaringan Syaraf Tiruan. Yogyakarta: ANDI. 14
Hardisk 80 GB Perangkat lunak Window XP Profesional MATLAB 7.0.1
Hardisk 8 GB Perangkat lunak Window XP Profesional MATLAB 7..1 HASIL DAN PEMBAHASAN Percobaan yang dilakukan pada penelitian ini terdiri atas dua macam, yaitu citra yang akan mengalami proses pengenalan
Lebih terperinciBulu mata. Generalisasi= Jumlah pola dikenali dengan benar x 100% Jumlah total pola
Generalisasi Hasil penelitian ini diukur menggunakan nilai konvergen dan generalisasi. Nilai konvergen adalah tingkat kecepatan jaringan untuk mempelajari pola input yang dinyatakan dalam satuan iterasi
Lebih terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih terperinciGeneralisasi rata-rata (%)
Lingkungan Pengembangan Sistem Sistem dikembangkan menggunakan kompiler Matlab R2008b dan sistem operasi Windows 7. Spesifikasi hardware komputer yang digunakan adalah Processor Intel (R) Atom (TM) CPU
Lebih terperinciKelas. Kelas. p q r s t u v w x y Level Transformasi.
Fitur yang digunakan untuk pelatihan pada algoritme VFI5 diperoleh dari tiap-tiap piksel pada citra tanda tangan. Fitur pada pelatihan yang semula berupa matriks berukuran 3 4 piksel disusun menjadi matriks
Lebih terperinciAkurasi. Perangkat Lunak: Sistem operasi: Windows Vista Home Premium Aplikasi pemrograman: Matlab 7.0
Tabel 1 Dimensi citra di tiap level Level transformasi Dimensi citra 1 46 56 2 23 28 3 12 14 4 6 7 5 3 4 6 2 2 Pada Gambar 5 disajikan visualisasi transformasi wavelet hingga level 3. Deskripsi citra dekomposisi
Lebih terperinciKLASIFIKASI SIDIKJARI DENGAN PEMROSESAN AWAL TRANSFORMASI WAVELET Minarni *
KLASIFIKASI SIDIKJARI DENGAN PEMROSESAN AWAL TRANSFORMASI WAVELET Minarni * Abstrak Penelitian ini membahas sistem klasifikasi sidikjari. Citra sidikjari diproses awal dengan transformasi wavelet sehingga
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciBAB 6 SIMPULAN DAN SARAN
39 BAB 6 SIMPULAN DAN SARAN 6.1 Simpulan Dari penelitian yang telah dilakukan hingga mendapatkan hasil yang cukup memuaskan, maka ada beberapa kesimpulan yang dapat peneliti berikan, 1. Teknik ekstraksi
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 1 NO. 1 MARET 2010
IDENTIFIKASI SIDIKJARI DENGAN EKSTRAKSI CIRI BERBASIS TRANSFORMASI WAVELET HAAR Minarni 1 ABSTRACT This research investigated a possible fingerprint identification system. The fingerprint images were preprocessed
Lebih terperinciEVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN
EVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN (Studi Kasus pada Pengenalan Karakter Angka Tulisan Tangan) Iwan Suhardi Jurusan Teknik
Lebih terperinciANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA
ISSN: 1693-6930 159 ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA Iwan Suhardi, Riana T. Mangesa Jurusan
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperincii. Perangkat Keras Prosesor Intel Pentium(R) Dual-Core CPU 2.20 GHz
Data yang pada awalnya berupa chanel stereo diubah ke dalam chanel mono. Kemudian data tersebut disimpan dengan file berekstensi WAV. Praproses Pada tahap ini dilakukan ekstraksi ciri menggunakan metode
Lebih terperinciBAB III METODE PENELITIAN
3.1. Kerangka Pemikiran BAB III METODE PENELITIAN Permasalahan yang akan dijawab atau tujuan yang ingin dicapai pada penelitian ini adalah untuk melakukan prakiraan beban listrik jangka pendek atau untuk
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 terperinciIMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI Pada bab ini dibahas mengenai implementasi serta evaluasi terhadap metode transformasi wavelet dalam sistem pengenalan sidik jari yang dirancang. Untuk mempermudah evaluasi,
Lebih terperincidan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. akurasi =.
dan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. Gambar 5 Macam-macam bentuk partisi citra. Ekstraksi Fitur Pada tahap ini semua partisi dari citra dihitung
Lebih terperinciBAB III METODOLOGI PENELITIAN. manusia dengan menggunakan metode Gabor Filter dan Algoritma
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Berikut merupakan desain penelitian yang akan digunakan pada proses rancang bangun aplikasi sistem pengenalan pola fraktur tengkorak manusia dengan menggunakan
Lebih terperinci100% Akurasi = (11) Lingkungan Pengembangan
Algoritme Dekomposisi Wavelet Dekomposisi wavelet Haar dapat dijelaskan sebagai berikut : 1 Transformasi linear digunakan untuk mengubah ruang warna secara linear menjadi warna dasar. Karena citra yang
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 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 terperinciBAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan pada
BAB III METODOLOGI PENELITIAN 1.1. Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan pada proses pengenalan huruf tulisan tangan Katakana menggunakan metode Fuzzy Feature Extraction
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciTraining. Level Transformasi Wavelet. Banyak Fitur. Ukuran Dimensi. 0 40x x30 600
Citra asli Citra ya Inisialisasi: Topologi jaringan, Bobot awal, Lebar tetangga, Nilai laju awal pembelajaran Kriteria pemberhentian Training Error> -6 Epoch< 4 Alpha> HASIL DAN PEMBAHASAN Pada penelitian
Lebih terperinciBAB 1 Persyaratan Produk
BAB 1 Persyaratan Produk Teknologi pengolahan citra digital sudah berkembang sangat pesat pada saat ini. Hal ini dapat dilihat dari banyaknya produk pengolahan citra digital yang ditawarkan di pasaran.
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Pada penelitian tugas akhir ini ada beberapa tahapan penelitian yang akan dilakukan seperti yang terlihat pada gambar 3.1 : Mulai Pengumpulan Data Analisa
Lebih terperinciBAB 1 PENDAHULUAN. Bahasa Jepang menggunakan berbagai jenis karakter untuk sistem
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Bahasa Jepang menggunakan berbagai jenis karakter untuk sistem penulisannya. Salah satu jenis huruf Jepang adalah kana, yaitu karakter fonetis yang melambangkan
Lebih terperinciPENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION 1 Andrian Rakhmatsyah 2 Sayful Hakam 3 Adiwijaya 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi
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 terperinciPENGENALAN SPESIES NEMATODA PURU AKAR (Meloidogyne spp.) MELALUI KARAKTER MORFOLOGI EKOR MENGGUNAKAN JARINGAN SYARAF TIRUAN RONI BUDIMAN
PENGENALAN SPESIES NEMATODA PURU AKAR (Meloidogyne spp.) MELALUI KARAKTER MORFOLOGI EKOR MENGGUNAKAN JARINGAN SYARAF TIRUAN RONI BUDIMAN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciANALISIS HUBUNGAN TINGKAT PENGENALAN POLA DENGAN TINGKAT VARIASI POLA : STUDI KASUS PENGENALAN POLA KARAKTER HURUF DENGAN JARINGAN SYARAF TIRUAN)
ISSN: 1693-6930 1 ANALISIS HUBUNGAN TINGKAT PENGENALAN POLA DENGAN TINGKAT VARIASI POLA : STUDI KASUS PENGENALAN POLA KARAKTER HURUF DENGAN JARINGAN SYARAF TIRUAN) Iwan Suhardi Jurusan Teknik Elektro Fakultas
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 terperinciBAB 4 IMPLEMENTASI Implementasi
BAB 4 IMPLEMENTASI Bab ini menuturkan penjelasan mengenai implementasi dari sistem pengujian yang dibangun berdasarkan hasil analisis dan perancangan sistem yang telah dibahas pada bab sebelumnya. Bab
Lebih terperinciBAB 5 UJI COBA DAN ANALISA HASIL
BAB 5 UJI COBA DAN ANALISA HASIL Pada bab ini diuraikan mengenai lingkungan uji coba, hasil uji coba serta analisa hasil uji coba dari perangkat lunak. 5.1 Lingkungan Lingkungan uji coba merupakan komputer
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN PROBABILISTIC NEURAL NETWORKS (PNN) DENGAN PRAPROSES MENGGUNAKAN TRANSFORMASI WAVELET INDRA DWI PUTRA
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN PROBABILISTIC NEURAL NETWORKS (PNN) DENGAN PRAPROSES MENGGUNAKAN TRANSFORMASI WAVELET INDRA DWI PUTRA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh. NamaMhs NIM: XX.YY.ZZZ. Kepada
SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh NamaMhs NIM: XX.YY.ZZZ Kepada JURUSAN TEKNIK INFORMATIKA STMIK STIKOM BALIKPAPAN LEMBAR PERSETUJUAN Proposal Skripsi
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 terperinciAPLIKASI WAVELET COIFLET MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PENGENALAN SIDIK JARI
APLIKASI WAVELET COIFLET MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PENGENALAN SIDIK JARI Arie Firmansyah Permana ), Achmad Hidayatno ), R. Rizal Isnanto ) Jurusan Teknik Elektro, Fakultas
Lebih terperinciPengenalan Tanda Tangan Menggunakan Algoritme VFI5 Melalui Praproses Wavelet
Tersedia secara online di: http://journal.ipb.ac.id/index.php.jika Volume 1 Nomor 1 halaman 7-12 ISSN: 2089-6026 Pengenalan Tanda Tangan Menggunakan Algoritme VFI5 Melalui Praproses Wavelet Hand-Written
Lebih terperinciPENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR ABSTRAK
PENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR Rosihan Ari Yuana Program Studi Pendidikan Matematika Universitas Sebelas Maret ABSTRAK Aplikasi jaringan
Lebih terperinciPengembangan Aplikasi Presensi Sidik Jari dengan menggunakan Alihragam Wavelet dan Jarak Euclidean di Dinas Pendidikan Kabupaten Wonogiri
Makalah Pengembangan Aplikasi Presensi Sidik Jari dengan menggunakan Alihragam Wavelet dan Jarak Euclidean di Dinas Pendidikan Kabupaten Wonogiri disusun oleh : RANDI GUSTAMA PUTRA PROGRAM STUDI TEKNIK
Lebih terperinciBAB 1 PENDAHULUAN. berkaitan dengan pemprosesan sinyal suara. Berbeda dengan speech recognition
BAB 1 PENDAHULUAN 1.1 Latar Belakang Speaker recognition adalah salah satu bidang pengenalan pola yang berkaitan dengan pemprosesan sinyal suara. Berbeda dengan speech recognition yang mengenali kata atau
Lebih terperinciPERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)
Jurnal POROS TEKNIK, Volume 5, No. 1, Juni 2013 : 18-23 PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik
Lebih terperinciBAB V KESIMPULAN DAN SARAN
BAB V KESIMPULAN DAN SARAN V.1 Kesimpulan Setelah dilakukan perancangan sistem evaluasi mutu berbasis komputer (logika fuzzy, pengolahan citra dan JST), maka dapat disimpulkan bahwa : 1. Program logika
Lebih terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Untuk menjalankan aplikasi solusi linear programming dengan menggunakan fuzzy linear programming diperlukan beberapa komponen pendukung. Yang pertama adalah
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Nama Mahasiswa : Gigih Prasetyo Cahyono NRP : 1206 100 067 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Prof.
Lebih terperinciAnalisis dan Perancangan Transformasi Wavelet. Untuk Jaringan Syaraf Tiruan pada. Pengenalan Sidik Jari
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap 2005 / 2006 Analisis dan Perancangan Transformasi Wavelet Untuk Jaringan Syaraf Tiruan pada Pengenalan Sidik
Lebih terperinciPercobaan 1 Percobaan 2
direpresentasikan dengan histogram. Perlakuan pertama terhadap data-data penelitian ini adalah menghitung histogramnya. Kemudian dari interval antara 0-255 akan dibagi menjadi interval-interval bagian
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 terperinciAlgoritma MAC Berbasis Jaringan Syaraf Tiruan
Algoritma MAC Berbasis Jaringan Syaraf Tiruan Paramita 1) 1) Program Studi Teknik Informatika STEI ITB, Bandung, email: if14040@studentsifitbacid Abstract MAC adalah fungsi hash satu arah yang menggunakan
Lebih terperinciPengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih terperinciBAB III METODOLOGI PENELITIAN. pengembangan sistem pemugaran citra digital dengan algoritma exemplar-based
BAB III METODOLOGI PENELITIAN Pada bab ini diuraikan metode penelitian yang digunakan penulisan dalam pengembangan sistem pemugaran citra digital dengan algoritma exemplar-based image inpainting dan metode
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1 Pengenalan Tulisan Tangan Huruf Latin Bersambung Secara Real Time Menggunakan Algoritma Learning Vector Quantization Ulir Rohwana dan M Isa Irawan
Lebih terperinciLingkungan Implementasi Clustering Menggunakan SOM HASIL DAN PEMBAHASAN Pengumpulan Data Perkembangan Anak Validasi Cluster Menggunakan
sehingga dapat diproses dengan SOM. Pada tahap seleksi data, dipilih data perkembangan anak berdasarkan kategori dan rentang usianya. Kategori perkembangan tersebut merupakan perkembangan kognitif, motorik
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 terperinciBAB III PENGOLAHAN DATA
BAB III PENGOLAHAN DATA Pengolahan data pada penelitian ini meliputi tahapan pengambilan data, penentuan titik tengah area yang akan menjadi sampel, pengambilan sampel, penentuan ukuran window subcitra
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 terperinciOleh: Ulir Rohwana ( ) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T.
Oleh: Ulir Rohwana (1209 100 702) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI HASIL DAN PENGUJIAN
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Perangkat keras yang digunakan untuk merancang sistem ini adalah: Processor : Intel Pentium IV 2,13 GHz
62 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Program 4.1.1 Spesifikasi Kebutuhan Program Spesifikasi Perangkat Keras Perangkat keras yang digunakan untuk merancang sistem ini adalah: Processor :
Lebih terperinciMETODOLOGI PENELITIAN
18 METODOLOGI PENELITIAN Kerangka Penelitian Sistem pengenalan roda kendaraan pada penelitian ini tampak pada Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu, tahapan pelatihan
Lebih 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 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 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 terperinciPERANCANGAN DAN PEMBUATAN PERANGKAT LUNAK KLASIFIKASI TEKSTUR DENGAN MENGGUNAKAN ANALISA PAKET WAVELET
PERANCANGAN DAN PEMBUATAN PERANGKAT LUNAK KLASIFIKASI TEKSTUR DENGAN MENGGUNAKAN ANALISA PAKET WAVELET Sarwosri, Rully Soelaiman, dan Esther Hanaya Jurusan Teknik Informatika, Fakultas Teknologi Informasi,
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. memadai. Berikut ini akan dijelaskan spesifikasi perangkat lunak dan keras yang Spesifikasi Perangkat Keras
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Dalam membuat program ini diperlukan spesifikasi perangkat keras dan lunak yang memadai. Berikut ini akan dijelaskan spesifikasi perangkat lunak dan keras
Lebih terperinciBAB I PENDAHULUAN. scramble, teka-teki silang, dan puzzle. Tidak semua menganggap permainan. permainan tersebut dengan menggunakan teknik komputasi.
BAB I PENDAHULUAN I.1 Latar Belakang Perkembangan teknologi dari waktu ke waktu mengalami kemajuan yang sangat pesat. Seiring dengan perkembangan itu pula, permainan permainan yang menggunakan karakter
Lebih terperinciCrossover Probability = 0.5 Mutation Probability = 0.1 Stall Generation = 5
oleh pengguna sistem adalah node awal dan node tujuan pengguna. Lingkungan Pengembangan Sistem Implementasi Algoritme Genetika dalam bentuk web client menggunakan bahasa pemrograman PHP dan DBMS MySQL.
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Barcode Rcognition System Using Backpropagation Neural Networks M. Kayadoe, Francis Yuni Rumlawang, Yopi Andry Lesnussa * Jurusan
Lebih terperinciBAB II TINJAUAN PUSTAKA
7 BAB II TINJAUAN PUSTAKA Penelitian maupun pembuatan aplikasi mengenai pengenalan karakter / pengenalan pola ataupun yang berhubungan dengan Jaringan Syaraf Tiruan terlebih dengan metode Backpropagation
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Aplikasi pintu otomatis ini menggunakan spesifikasi perangkat keras dan
31 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Aplikasi pintu otomatis ini menggunakan spesifikasi perangkat keras dan perangkat lunak yang sama untuk semua pengujian. 4.1.1 Spesifikasi Perangkat
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Alur Metodologi Penelitian Berikut adalah alur metodologi penelitian yang akan digunakan dalam menyelesaikan penelitian tugas akhir ini : 3.2 Pengumpulan Data Gambar 3.1
Lebih terperinciBAB 4 HASIL PENELITIAN DAN PEMBAHASAN. Berikut ini adalah contoh tampilan hasil dari kueri:
BAB 4 HASIL PENELITIAN DAN PEMBAHASAN 4.1 Proses Retrival Berikut ini adalah contoh tampilan hasil dari kueri: 1. Kategori Buah Gambar 4.1 Hasil kueri kategori buah dengan metode histogram warna 55 56
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciIDENTIFIKASI DAUN SHOREA DENGAN BACKPROPAGATION NEURAL NETWORK MENGGUNAKAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM DAN EKSTRAKSI WARNA HSV
IDENTIFIKASI DAUN SHOREA DENGAN BACKPROPAGATION NEURAL NETWORK MENGGUNAKAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM DAN EKSTRAKSI WARNA HSV IMAN AKBAR RAMADHAN Skripsi sebagai salah satu syarat untuk
Lebih terperinciBAB 1 PENDAHULUAN. bahasanya, digunakannya berbagai macam huruf dengan kepentingannya masing-masing
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Bahasa Arab menggunakan beragam jenis karakter untuk sistem penulisan bahasanya, digunakannya berbagai macam huruf dengan kepentingannya masing-masing benar
Lebih terperinciBAB III METODOLOGI PENELITIAN
38 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Peramalan, Curah Hujan, Knowledge Discovery in Database, Jaringan Saraf Tiruan, Backpropagation, Optimalisasasi Backpropagation Pengumpulan
Lebih terperinciIV HASIL DAN PEMBAHASAN
tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciIwan Suhardi, Studi Pengklasifikasian Citra Berdasarkan Ciri Citra dengan Jaringan Syaraf Tiruan
1 MEDIA ELEKTRIK, Volume 3 Nomor 1, Juni 2008 STUDI PENGKLASIFIKASIAN CITRA BERDASARKAN CIRI CITRA DENGAN JARINGAN SYARAF TIRUAN Iwan Suhardi Jurusan Pendidikan Teknik Elektro Fakultas Teknik Universitas
Lebih terperinciMuhammad Nasir. Jurusan Teknik Elektro Politeknik Negeri Lhokseumawe Jl. Banda Aceh Medan Km Lhokseumawe
KLASIFIKASI DAN PNGNALAN SIDIK JAI TTUMPUK BBASIS MTOD LANING VCTO QUANTIZATION Muhammad Nasir Jurusan Teknik lektro Politeknik Negeri Lhokseumawe Jl. Banda Aceh Medan Km. 280. Lhokseumawe 21 mail : masnasir_poli@yahoo.com
Lebih terperinciAlgoritma Pengenalan Ekspresi Wajah Menggunakan Wavelet Neural Networks
Algoritma Pengenalan Ekspresi Wajah Menggunakan Wavelet Neural Networks Z. Abidin Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Negeri Semarang Kampus Sekaran Gunungpati, Semarang, 50229 E-mail : zaenalabidin.indonesia@gmail.com
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan yang pesat di bidang ilmu dan teknologi dewasa ini menuntut adanya kemampuan manusia dalam mempertimbangkan segala kemungkinan sebelum mengambil keputusan
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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi berisi tahapan-tahapan yang dilakukan
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Kebutuhan Program Untuk menjalankan aplikasi ini ada beberapa kebutuhan yang harus dipenuhi oleh pengguna. Spesifikasi kebutuhan berikut ini merupakan spesifikasi
Lebih terperinciBAB I PENDAHULUAN. Proses belajar mengajar yang telah dilakukan mengakibatkan anak didik
BAB I PENDAHULUAN I.1. Latar Belakang Masalah Proses belajar mengajar yang telah dilakukan mengakibatkan anak didik cenderung menghafalkan materi sebagai cara yang mudah untuk memahami. Pemahaman atas
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Segmentasi citra (image segmentation) merupakan langkah awal pada proses analisa citra yang bertujuan untuk mengambil informasi yang terdapat di dalam suatu citra.
Lebih terperinciBAB 1 PENDAHULUAN Pengantar
BAB 1 PENDAHULUAN 1.1. Pengantar Mesin hitung yang lazim disebut komputer dalam masa satu dekade terakhir mengalami kemajuan yang sangat pesat. Boleh dikatakan masa sekarang ini adalah masa keemasan bagi
Lebih terperinciDETEKSI SIDIK JARI BERBASIS ALIHRAGAM GELOMBANG-SINGKAT (wavelet) DAN JARINGAN SYARAF TIRUAN (JST) KHUSUS KOTA MATARAM DAN SEKITARNYA
DETEKSI SIDIK JARI BERBASIS ALIHRAGAM GELOMBANG-SINGKAT (wavelet) DAN JARINGAN SYARAF TIRUAN (JST) KHUSUS KOTA MATARAM DAN SEKITARNYA Jurusan Teknik Elektro Fakultas Teknik Universitas Mataram Jl. Majapahit
Lebih terperinciBAB 1 PENDAHULUAN. beragam produk seperti tampilan suara, video, citra ditawarkan oleh perusahaan untuk
1 BAB 1 PENDAHULUAN 1.1. Latar belakang masalah Perkembangan multimedia dalam era sekarang ini meningkat dengan pesatnya, beragam produk seperti tampilan suara, video, citra ditawarkan oleh perusahaan
Lebih terperinciAPLIKASI PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN ALGORITMA HAMMING DISTANCE
APLIKASI PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN ALGORITMA HAMMING DISTANCE Matheus Supriyanto Rumetna 1*, Marla Pieter, Monica Manurung 1 1 Fakultas Ilmu Komputer dan Manajemen, Universitas Sains
Lebih terperinciPENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN MODEL PROPAGASI BALIK
ABSTRAK PENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN Dosen Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Pada penelitian ini dibuat sebuah sistem pengenalan suara manusia dengan
Lebih terperinci