AKSI NON PLAYER CHARACTER PADA GAME REAL TIME FIGHTING MENGGUNAKAN LEARNING VECTOR QUANTIZATION
|
|
- Verawati Utami Hartanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 AKSI NON PLAYER CHARACTER PADA GAME REAL TIME FIGHTING MENGGUNAKAN LEARNING VECTOR QUANTIZATION Dimas Erlangga 1) Esmeralda C Djamal 2) Agus Komarudin 3) 1) 2) 3) Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani Jl. Terusan Sudirman, Cimahi dimaz.erll@gmail.com 1), esmeraldacd@yahoo.com 2), adinmuflih@yahoo.co.id 3) ABSTRACT Game-based real-time fighting to have the n- Player Character (NPC) who need to take action in order to defeat the player. In action, the game needs to learn certain patterns. Several previous studies NPC determines that the action by using several different methods, one using Sugeno Fuzzy Logic and Naïve Bayes classifier (NBC) to determine the action on the turn based strategy game. Pattern recognition that many combinations of factors - factors and criteria on environment NPC can be used to determine the action using Artificial Neural Network (ANN). This study makes game real-time fighting with the NPC to determine the action using Learning Vector Quantization (LVQ). LVQ is one method of classification patterns of each - each unit of output represents an existing class. LVQ is used for grouping the target number or class is predetermined. The number of input vectors that used in this study as many as 18 input vectors that used to classify the target weights into four classes namely class defend, class of melee attacks, long-range attack class, and class dodge. Based on test results, the system can recognize with an accuracy of 97,87% of the training data, and 70,21% of the test data. Key words n player character, Artificial Neural Network, Learning Vector Quantization, Real-time Fighting 1. Pendahuluan Real-Time Real-Time Fighting game adalah salah satu jenis/genre yang ada pada game komputer, yang dimana pemain maupun NPC tidak harus menunggu satu sama lain untuk mengambil aksi, melainkan dapat secepat mungkin melakukan aksi seperti menyerang, bertahan, dan mengejar lawan. Pada game jenis ini dibutuhkan sebuah NPC yang dapat menentukan aksi yang akan diambil secepat mungkin untuk mengalahkan player. Game jenis ini melibatkan reaksi, dan tindakan yang dilakukan dengan cepat sebagai sebuah bentuk reaksi terhadap perubahan lingkungan sekitarnya agar game bisa menjadi semenarik mungkin. Penelitian terdahulu menentukan aksi NPC dengan menggunakan Logika Fuzzy Sugeno dan Naïve Bayes Classifier untuk menentukan aksi pada game turn based strategy berdasarkan pola yang dapat dikenali oleh NBC [1]. Sedangkan penelitian lain menentukan aksi NPC pada game berbasis action RPG dengan menggunakan Logika Fuzzy Sugeno [2]. Dan penentuan aksi pada real-time game Pac-Man dengan menggunakan Logika Fuzzy [3]. Pengenalan pola dari kombinasi yang banyak dari kriteria kriteria pada lingkungan sekitar NPC dapat digunakan untuk menentukan aksi. Beberapa penelitian tentang pengenalan pola telah banyak dilakukan sebelumnya, pengenalan jender berdasarkan pola bentuk wajah [4], deteksi wajah dengan Jaringan Syaraf Tiruan (JST) [5]. Penelitian ini membuat game bergenre real-time fighting dengan NPC yang dapat menentukan aksi menggunakan metode Learning Vector Quantization (LVQ). Kesederhanaan dalam generalisasi pelatihan membuat komputasi LVQ sangat baik untuk mengenali suatu pola tertentu. Metode LVQ ini digunakan untuk pengelompokan dengan jumlah target atau kelas sudah ditentukan sebelumnyaadapun kelas/aksi yang diambil NPC dibagi menjadi empat kelas target yaitu kelas bertahan, kelas serangan dekat, kelas serangan jauh, dan kelas menghindar. Penelitian terdahulu menggunakan LVQ diterapkan pada klasifikasi status gizi anak [6], pengujian kualitas citra sidik jari kotor [7]. Dan perbandingan LVQ dengan Backpropagation pada pengenalan pola wajah [8]. Beberapa penelitian terdahulu lainnya juga menggunakan komputasi LVQ di dalam sebuah game, LVQ digunakan untuk mengawasi kemampuan kognitif player berdasarkan klasifikasi pola masukan dari player pada game [9]. Penelitian lain menggunakan LVQ dengan tujuan mengamati tingkat motivasi player untuk keberhasilan proses pembelajaran berdasarkan klasifikasi pola masukan dari player di dalam sebuah game [10]. 13
2 Seminar Nasional Teknologi Informasi Metode A. Learning Vactor Quantization (LVQ) Learning Vector Quantization (LVQ) merupakan suatu metode klasifikasi pola yang masing-masing unit keluaran mewakili kategori atau kelas tertentu. Metode LVQ digunakan untuk pengelompokkan dengan jumlah target atau kelas sudah ditentukan sebelumnya. Suatu lapisan kompetitif secara otomatis belajar untuk mengklasifikasikan vektor-vektor masukan. kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor masukan. Jika dua vektor masukan mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor masukan tersebut ke dalam kelas yang sama. Prinsip kerja dari algoritma LVQ adalah pengurangan node-node yang pada akhirnya hanya ada satu node output yang terpilih. Pertama kali yang dilakukan adalah melakukan inisialisasi bobot untuk tiap-tiap node dengan nilai random. Setelah diberikan bobot random, maka jaringan diberi masukan sejumlah dimensi node/neuron masukan. Setelah masukan diterima jaringan, maka jaringan mulai melakukan perhitungan jarak vektor yang didapatkan dengan menjumlah selisih/jarak antara vektor masukan dengan vektor bobot. Seperti pada Gambar 1 menunjukkan arsitektur LVQ [8]. Algoritma LVQ: 1. Tetapkan: Bobot (W), Maksimum Epoh (MaxEpoh), Error Minimum yang diharapkan (Eps), Learning Rate (α). 2. Masukkan: Input : x(m,n); Targetm : T(1,n). 3. Tetapkan Kondisi Awal: epoh = 0; err = Kerjakan jika: (epoh < MaxEpoh) atau (α > eps) a. epoh = epoh+1; b. Kerjakan untuk i=1 sampai n i. Tentukan J sedemikian sehingga ǁ x - w j ǁ minimum (sebut sebagai C j) ii. Perbaiki w j dengan ketentuan: 1. Jika T = C j maka: w j(baru) = w j(lama) + α(x-w j(lama)) 2. Jika T C j maka: w j(baru) = w j(lama) - α(x-w j(lama)) Kurangi nilai α B. Tahapan Proses Penelitian Adapun tahapan pada penelitian ini yang digunakan untuk menentukan aksi NPC game adalah seperti pada Gambar DATA LATIH DENGAN 18 ATRIBUT 1- HEALTH POINT PLAYER (HPP) 2- SKILL POINT PLAYER (SPP) 3- STAMINA POINT PLAYER (STP).., 18- KOORDINAT X NPC (KXN) INPUT DATA UJI PROSES PEMBELAJARAN LVQ BOBOT KLASIFIKASI KLASIFIKASI DENGAN LVQ OUTPUT AKSI NPC 1- SERANGAN JAUH 2- SERANGAN DEKAT 3- BERTAHAN 4- MENGHINDAR Gambar 1 Arsitektur LVQ Setelah dilakukan pelatihan, diperoleh bobot akhir (W). Bobot-bobot ini nantinya akan digunakan untuk melakukan simulasi atau pengujian data yang lain. Penelitian terdahulu, Metode LVQ digunakan untuk proses pembelajaran setiap matriks gambar learning akan dipelajari dan menghasilkan 1 matriks nilai bobot dengan banyaknya pengujian 25 kali untuk setiap parameter [8]. Gambar 2 Sistem Aksi NPC Menggunakan LVQ Proses penelitian diawali dengan memasukan data latih ke dalam pembelajaran metode LVQ, kemudian hasil pembelajaran akan menghasilkan bobot klasifikasi kelas aksi dari NPC. Bobot klasifikasi kemudian digunakan untuk mengklasifikasikan data uji, kemudian hasil klasifikasi divisualisasi menjadi aksi. 14
3 C. Variabel Masukan dan Variabel variabel yang digunakan pada penelitian ini dapat dilihat pada Tabel Nama Variabel Health Point Player (HPP) Skill Point Player (SPP) Tabel 1 Variabel Masukan Rentang (Bilangan Bulat) Keterangan darah yang dimiliki player skill yang dimiliki player untuk serangan jarak jauh kelas aksi NPC yang digunakan pada penelitian ini dapat dilihat pada Tabel 2.. Tabel 2 Aksi NPC 1 Serangan Jauh 2 Serangan Dekat 3 Bertahan 3 Stamina Player (STP) stamina yang dimiliki player untuk serangan jarak dekat 4 Menghindar Regenerasi Skill Point Player (RSP) Regenerasi Stamina Player (RTP) Serangan Jauh Player (KJP) Serangan Dekat Player (KDP) Bertahan Player (KBP) Koordinat X Player (KXP) Health Point NPC (HPN) Skill Point NPC (SPN) Stamina NPC (STN) Regenerasi Skill Point NPC (RSN) {0,2,4} 0-3 {0,2} skill point player stamina point player serangan jauh player pada NPC serangan dekat player pada NPC bertahan player dari serangan NPC Titik koordinat X player pada stage darah yang dimiliki NPC skill yang dimiliki NPC untuk serangan jarak jauh stamina yang dimiliki NPC untuk serangan jarak dekat skill point NPC 3. Hasil Hasil analisa terhadap aksi NPC pada game LVQ Fighting berdasarkan proses pelatihan dan pengujian menggunakan LVQ dari variabel variabel input di dalam game. 1. Pengujian Terhadap Data Latih Pada tahap ini dilakukan pengujian terhadap data latih menggunakan bobot hasil pelatihan LVQ pada sistem. Data yang diujikan berjumlah 94 data dan data diuji berdasarkan jumlah kelas yang dikenali. Adapun parameter parameter yang digunakan pada pengujian akurasi dengan LVQ terhadap data latih yaitu menggunakan learning rate 0.05, minimum learning rate sebesar dan pengurangan learning rate sebesar 0.1. Hasil pengujian data latih dapat dilihat seperti pada Tabel 3. Tabel 3 Pengujian Akurasi Data Latih Data Tepat Dikenali 1 Serangan Jauh Regenerasi Stamina NPC (RTN) Serangan Jauh NPC (KJN) Serangan Dekat NPC (KDN) {0,2,4} 0-3 stamina point NPC serangan jauh NPC terhadap player serangan dekat NPC terhadap player 2 Serangan Dekat Bertahan Menghindar Total Bertahan NPC (KBN) Koordinat X NPC (KXN) {0,2} bertahan NPC dari serangan player Titik koordinat X NPC pada stage Berdasarkan hasil pengujian seperti pada Tabel 3, sistem dapat mengenali data latih berdasarkan jumlah kelas yang dikenali sebanyak 92 dari 94 data yang diujikan dengan menggunakan bobot hasil pelatihan menggunakan LVQ, yaitu sebesar 97,87%. 15
4 Seminar Nasional Teknologi Informasi Pengujian Terhadap Data Uji Pada tahap ini dilakukan pengujian terhadap data uji menggunakan bobot pelatihan LVQ. Data yang diujikan berjumlah 94 data, dan diuji berdasarkan jumlah kelas yang dikenali. Adapun parameter parameter yang digunakan pada pengujian akurasi dengan LVQ terhadap data uji yaitu dengan menggunakan learning rate 0.05, minimum learning rate sebesar dan pengurangan learning rate sebesar 0.1. Hasil pengujian data latih dapat dilihat seperti pada Tabel 4. Tabel 4 Pengujian Akurasi Data Uji Data Tepat Dikenali 1 Serangan Jauh Serangan Dekat Bertahan Menghindar 18 4 Total Berdasarkan hasil pengujian seperti pada Tabel 4, sistem dapat mengenali data uji berdasarkan jumlah kelas yang dikenali sebanyak 66 dari 94 data yang diujikan dengan menggunakan bobot hasil pelatihan menggunakan LVQ, yaitu sebesar 70,21%. Adapun grafik yang dihasilkan dari proses pengujian akurasi terhadap data latih dan terhadap data uji dapat dilihat pada Gambar Kesimpulan Gambar 3 Grafik Pengujian Akurasi Penelitian ini telah menghasilkan sebuah game dengan aksi n Player Character (NPC) berdasarkan variabel variabel di dalam game menggunakan Learning Vector Quantization (LVQ). Atribut yang digunakan dibagi atas sembilan variabel seperti Health Point (HP), Skill Point (SP), Stamina Point (ST), Serangan Jauh (KJ), Serangan Dekat (KD), Bertahan (KB), Regenerasi Skill Point (RS), Regenerasi Stamina Point (RT), dan Koordinat X (KX) baik dari NPC maupun player yang membentuk banyak pola dan dapat diklasifikasikan menggunakan Learning Vector Quantization (LVQ). NPC dapat merespon player dengan aksi aksi yang telah ditentukan sebelumnya seperti Serangan Jauh, Serangan Dekat, Bertahan, dan Menghindar. Hasil pengujian terhadap data uji dengan parameter learning rate 0.05, minimum learning rate sebesar dan pengurangan learning rate sebesar 0.1. diperoleh akurasi sebesar 72% dan waktu respon rata-rata detik. Kelemahan sistem terletak pada klasifikasi kelas 4 yaitu aksi menghindar dimana hanya memiliki akurasi 30% sehingga masih membutuhkan perbaikan akurasi. Sistem dilatih dengan 100 data latih dengan 4 data latih awal digunakan sebagai inisialisai bobot. Hasil pengujian akurasi terhadap data latih sebesar 98 %. Adapun saran apabila penelitian ini dikembangkan yaitu dengan cara menambah maupun mengubah jenis variabel variabel masukan yang ada di dalam game, dan menambahkan jumlah aksi yang dapat diambil baik oleh NPC maupun oleh player sehingga game akan menjadi lebih menarik untuk dimainkan. Kemudian merubah proses pembuatan data latih dari cara manual menjadi sebuah proses perekaman langsung pada saat pertarungan NPC dan player. REFERENSI [1] D. Fathurochman, W. Witanti and R. Yuniarti, "Perancangan Game Turn Based Strategy Menggunakan Logika Fuzzy dan Naive Bayes Classifier," in Seminar Nasional informatika, Yogyakarta, [2] K. R. Purba, R. N. Hasanah and M. A. Muslim, "Implementasi Logika Fuzzy untuk Mengatur Perilaku Musuh dalam Game Bertipe Action-RPG," Jurnal EECCIS, vol. VII, no. 1, pp , [3] A. Shaout, B. King and L. Reisner, "Real-Time Game Design of Pac-Man Using Fuzzy Logic," The International Arab Journal of Information Technologi, vol. III, no. 4, pp , [4] A. A. Ridwa, I. Setyawan and I. K. Timotius, "Performance Comparison between Principal Component Analysis and Discriminant Analysis in a Gender Recognition System," in IEEE Conference on Control, Systems and industrial Informatics (ICCSII), Bandung, [5] O. AL-Allaf, "REVIEW OF FACE DETECTION SYSTEMS BASED ARTIFICIAL NEURAL NETWORKS ALGORITHMS," The International Journal of Multimedia & Its Applications (IJMA), vol. 6, no. 1, [6] E. Budianita and W. Prijodiprodjo, "Penerapan Learning Vector Quantization (LVQ) untuk Klasifikasi Status Gizi Anak," IJCCS, vol. VII, no. 2, pp ,
5 [7] M. Nasir and M. Syahroni, "Pengujian Kualitas Citra Sidik Jari Kotor Menggunakan Learning Vector Quantization (LVQ)," Jurnal Litek, vol. IX, no. 1, pp , [8] M. D. Wuryandari and I. Afrianto, "Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation dan Learning Vector Quantization Pada Pengenalan Wajah," Jurnal Komputer dan Informatika (KOMPUTA), vol. I, no. 1, pp , [9] M. A. Syufagi, M. Hariadi and M. H. Purnomo, "A Cognitive Skill Classification Based on Multi Objective Optimization Using Learning Vector Quantization for Serious Games," ITB J. ICT, vol. V, no. 3, pp , [10 ] M. A. Syufagi, M. Hariadi and M. H. Purnomo, "A Motivation Behavior Classification Base on Multi Objective Optimization using Learning Vector Quantization for Serious Game," International Journal of Computer Applications, vol. LVII, no. 14, pp ,
Klasifikasi Identitas Wajah Untuk Otorisasi Menggunakan Deteksi Tepi dan LVQ
Klasifikasi Identitas Wajah Untuk Otorisasi Menggunakan Deteksi Tepi dan LVQ Gilang Ramadhan *, Esmeralda C Djamal, Tedjo Darmanto Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani Jl.
Lebih terperinciPERANCANGAN GAME TURN BASED STRATEGY MENGGUNAKAN LOGIKA FUZZY DAN NAIVE BAYES CLASSIFIER
PERANCANGAN GAME TURN BASED STRATEGY MENGGUNAKAN LOGIKA FUZZY DAN NAIVE BAYES CLASSIFIER Dery Fathurochman 1), Wina Witanti 2), Rezki Yuniarti 3) 1,2,3) Jurusan Teknik Informatika, Universitas Jenderal
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 terperinciPENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU
PENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU Risky Meliawati 1,Oni Soesanto 2, Dwi Kartini 3 1,3Prodi Ilmu Komputer FMIPA UNLAM 2 Prodi Matematika
Lebih terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
Lebih terperinciOPTICAL CHARACTER RECOGNIZATION (OCR)
LAPORAN JARINGAN SYARAF TIRUAN OPTICAL CHARACTER RECOGNIZATION (OCR) DISUSUN OLEH: DIJAS SCHWARTZ. S (524) FIRNAS NADIRMAN (481) INDAH HERAWATI (520) NORA SISKA PUTRI (511) OKTI RAHMAWATI (522) EKSTENSI
Lebih 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 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 terperinciPENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Alfa Ceria Agustina (1) Sri Suwarno (2) Umi Proboyekti (3) sswn@ukdw.ac.id othie@ukdw.ac.id Abstraksi Saat ini jaringan saraf tiruan
Lebih 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 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 terperinciPenerapan Learning Vector Quantization Penentuan Bidang Konsentrasi Tugas Akhir (Studi Kasus: Mahasiswa Teknik Informatika UIN Suska Riau)
Penerapan Learning Vector Quantization Penentuan Bidang Konsentrasi Tugas Akhir (Studi Kasus: Mahasiswa Teknik Informatika UIN Suska Riau) Elvia Budianita 1, Ulti Desi Arni 2 1,2 Teknik Informatika, UIN
Lebih terperinciIMPLEMENTASI NON PLAYER CHARACTER PADA GAME PERTARUNGAN GALAH ASIN MENGGUNAKAN LOGIKA FUZZY
IMPLEMENTASI NON PLAYER CHARACTER PADA GAME PERTARUNGAN GALAH ASIN MENGGUNAKAN LOGIKA FUZZY Nomo Haga A.G 1, Yulison Herry C 2, Rezki Yuniarti 3 Jurusan Informatika, Fakultas MIPA, UniversitasJenderal
Lebih terperinciPERANCANGAN GAME TURN BASED STARATEGY MENGGUNAKAN LOGIKA FUZZY UNTUK MENGATUR PERILAKU MUSUH
PERANCANGAN GAME TURN BASED STARATEGY MENGGUNAKAN LOGIKA FUZZY UNTUK MENGATUR PERILAKU MUSUH Andi Fitrawan Dwi Pratama 1, Husaini 2 Jurusan Teknologi Informasi dan Komputer, Program Studi Teknik Multimedia
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
Lebih 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 terperinciAPLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT
APLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT Fradika Indrawan Jurusan Teknik Informatika, Universitas Ahmad Dahlan, Yogyakarta Jl.
Lebih terperinciOleh: Angger Gusti Zamzany( ) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.
Oleh: Angger Gusti Zamzany(1210100 073) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI PENGUJIAN
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 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 terperinciIdentifikasi Tingkat Perhatian Produk Berdasarkan Sinyal EEG Sebagai Neuro Marketing
Identifikasi Tingkat Perhatian Produk Berdasarkan Sinyal EEG Sebagai Neuro Marketing Juliyanto Pratama*, Esmeralda C. Djamal, Faiza Renaldi Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad
Lebih terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
Lebih terperinciIDENTIFIKASI JENIS BATU AKIK MENGGUNAKAN METODE LEARNING VEKTOR QUANTIZATION (LVQ)
IDENTIFIKASI JENIS BATU AKIK MENGGUNAKAN METODE LEARNING VEKTOR QUANTIZATION (LVQ) SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S. Kom.) Pada Program Studi Teknik
Lebih terperinciPerbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Ayam seperti halnya hewan lain juga tidak terlepas dari serangan penyakit. Antisipasi untuk mencegah dan mengenali gejala penyakit yang berbahaya sangatlah penting.
Lebih terperinciPENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) UNTUK DIAGNOSIS PENYAKIT IKAN BAWAL BINTANG (Studi Kasus : BALAI BUDIDAYA LAUT BATAM)
PENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) UNTUK DIAGNOSIS PENYAKIT IKAN BAWAL BINTANG (Studi Kasus : BALAI BUDIDAYA LAUT BATAM) Mulia Parna Putri Sijabat Jurusan Teknik Informatika, Fakultas
Lebih terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
Lebih 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 terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciBAB I PENDAHULUAN. ke karakteristik tertentu pada manusia yang unik dan berbeda satu sama lain.
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah keamanan (security) merupakan salah satu isu yang sangat penting akhir-akhir ini. Salah satu teknik yang diunggulkan bisa diterapkan untuk permasalahan tersebut
Lebih terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
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 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 terperinciABSTRAK. Michael Parlindungan ( ) Jurusan Teknik Elektro Universitas Kristen Maranatha
PENGENALAN POLA HURUF t DARI TULISAN TANGAN UNTUK MENENTUKAN KARAKTER SESEORANG DENGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN ALGORITMA BACKPROPAGATION ABSTRAK Michael Parlindungan (0722017) Jurusan
Lebih terperinciSISTEM PENGENALAN WAJAH BERBASIS METODA FISHERFACE TUGAS AKHIR. Febrian Ardiyanto NIM :
SISTEM PENGENALAN WAJAH BERBASIS METODA FISHERFACE TUGAS AKHIR Oleh Febrian Ardiyanto NIM : 13203137 PROGRAM STUDI TEKNIK ELEKTRO SEKOLAH TEKNIK ELEKTRO DAN INFORMATIKA INSTITUT TEKNOLOGI BANDUNG 2007
Lebih terperinciSegitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 1, May 2007, 9 16 Segitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi Hary Budiarto Pusat Teknologi Informasi
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih terperinciBAB 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 terperinciDAFTAR ISI. Halaman Judul. Lembar Pengesahan Pembimbing. Lembar Pengesahan Penguji. Halaman Persembahan. Halaman Motto. Kata Pengantar.
DAFTAR ISI Halaman Judul i Lembar Pengesahan Pembimbing ii Lembar Pengesahan Penguji iii Halaman Persembahan iv Halaman Motto v Kata Pengantar vi Abstraksi viii Daftar Isi ix Daftar Gambar xii Daftar Tabel
Lebih terperinciKata kunci : Slant correction, jaringan saraf tiruan, multilayer perceptron, backpropagation.
SLANT CORRECTION MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS MULTILAYER PERCEPTRON Disusun oleh : Nama : George L. Immanuel NRP : 0922080 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha
Lebih terperinciKomparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation
Komparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation DOSEN PEMBIMBING Prof. Dr. Moh. Isa Irawan, M.T. Dr. Imam Mukhlash,
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 terperinciJurnal Sains & Informatika ISSN: X Volume 2,Nomor 2, Nopember Perbandingan PNN dan LVQ dalam Identifikasi Jenis Bercak pada Daun Cabai
Perbandingan PNN LVQ dalam Identifikasi Jenis Bercak pada Daun Cabai Jaka Permadi Jurusan Teknik Informatika, Politeknik Negeri Tanah Laut Jl. A. ni Km.06 Desa Panggung, Pelaihari jakapermadi.88@gmail.com
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
34 BAB 3 METODOLOGI PENELITIAN 3.1. Pendahuluan Pengenalan pola (pattern recognition) adalah proses klasifikasi dari suatu objek atau pola menjadi beberapa kategori atau kelas, yang mana bertujuan untuk
Lebih terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih terperinciKLASIFIKASI POLA UKIR KAYU JEPARA BERDASARKAN DETEKSI TEPI BERBASIS JARINGAN SYARAF TIRUAN
LAPORAN SKRIPSI KLASIFIKASI POLA UKIR KAYU JEPARA BERDASARKAN DETEKSI TEPI BERBASIS JARINGAN SYARAF TIRUAN VAHRUL MEILANI NIM.2012-51-115 DOSEN PEMBIMBING Endang Supriyati, M.Kom Alif Catur Murti, S.Kom,
Lebih terperinciKLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION A B S T R A K
KLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION Oleh : Gunawan Abdillah, Agus Komarudin, Rachim Suherlan A B S T R A K Kelainan jantung anak merupakan salah
Lebih terperinciPenerapan Learning Vector Quantization (LVQ) untuk Klasifikasi Status Gizi Anak
IJCCS, Vol.7, No.2, July 2013, pp. 155~166 ISSN: 1978-1520 155 Penerapan Learning Vector Quantization (LVQ) untuk Klasifikasi Status Gizi Anak Elvia Budianita* 1, Widodo Prijodiprodjo 2 1 Jurusan Teknik
Lebih terperinciSISTEM PENGENALAN TULISAN TANGAN REAL TIME MENGGUNAKAN METODE DOMINANT POINT DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN TULISAN TANGAN REAL TIME MENGGUNAKAN METODE DOMINANT POINT DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Oleh: Bakhtiar Arifin (1206 100 722) Dosen Pembimbing: Prof. DR. M.
Lebih terperinciANALISIS ACCURATE LEARNING PADA LEARNING VECTOR QUANTIZATION (LVQ) MENGGUNAKAN ALGORITMA GENETIKA DALAM PENGENALAN POLA ALFANUMERIK TESIS
ANALISIS ACCURATE LEARNING PADA LEARNING VECTOR QUANTIZATION (LVQ) MENGGUNAKAN ALGORITMA GENETIKA DALAM PENGENALAN POLA ALFANUMERIK TESIS FADHILLAH AZMI 137038027 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA)
61 LEARNING VECTOR QUANTIZATION UNTUK PENDETEKSIAN ANAK BERBAKAT (GIFTED CHILD) PADA MASA PERKEMBANGAN Nuri Insania Andyani1, Nelly Indriani Widiastuti2 1,2 Teknik Informatika Universitas Komputer Indonesia
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 terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6 1
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6 1 Identifikasi Cacat Peluru dengan Menggunakan Pengolahan Citra Digital Berbasis Learning Vector Quantization (LVQ) Angger Gusti Z dan Dwi Ratna S
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 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini menjelaskan tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan dalam penelitian ini.
Lebih terperinciKlasifikasi Status Gizi Balita Berdasarkan Indikator Antropometri Berat Badan Menurut Umur Menggunakan Learning Vector Quantization
Klasifikasi Status Gizi Balita Berdasarkan Indikator Antropometri Berat Badan Menurut Umur Menggunakan Learning Vector Quantization Elvia Budianita 1, Novriyanto 2 Teknik Informatika UIN Suska Riau Jl.H.R
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 terperinciANALISIS DEKOMPOSISI WAVELET PADA PENGENALAN POLA LURIK DENGAN METODE LEARNING VECTOR QUANTIZATION
ANALISIS DEKOMPOSISI WAVELET PADA PENGENALAN POLA LURIK DENGAN METODE LEARNING VECTOR QUANTIZATION Bambang Robi in eure_bbg@yahoo.com Akademi Teknik PIRI Yogyakarta Abstrak Indonesia merupakan negara yang
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 terperinciPenerapan Model Fuzzy Sugeno dan Fuzzy Mamdani menentukan perilaku NPC pada Game
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Penerapan Model Fuzzy Sugeno dan Fuzzy Mamdani menentukan perilaku NPC pada Game Robi Sanjaya 1, Toni Iskandar 2, Daniel Udjulawa 3 1,2 STMIK GI
Lebih terperinciIDENTIFIKASI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN LEARNING VECTOR QUANTIZATION
IDENTIFIKASI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN LEARNING VECTOR QUANTIZATION RULIAH Program Studi Sistem Informasi Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru Jl. A. Yani Km. 33,3 Loktabat
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 terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
Lebih terperinciIDENTIFIKASI DAN VERIFIKASI TANDA TANGAN STATIK MENGGUNAKAN BACKPROPAGATION DAN ALIHRAGAM WAVELET
TESIS IDENTIFIKASI DAN VERIFIKASI TANDA TANGAN STATIK MENGGUNAKAN BACKPROPAGATION DAN ALIHRAGAM WAVELET ROSALIA ARUM KUMALASANTI No. Mhs. : 135302014/PS/MTF PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM
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 terperinciPENGENALAN NOTASI BALOK MENGGUNAKAN SEGMENTASI DAN JARINGAN SYARAF TIRUAN UNTUK MENGHASILKAN NADA BERIRAMA BERBASIS IOS
TESIS PENGENALAN NOTASI BALOK MENGGUNAKAN SEGMENTASI DAN JARINGAN SYARAF TIRUAN UNTUK MENGHASILKAN NADA BERIRAMA BERBASIS IOS OZZI SURIA No. Mhs : 135302011/PS/MT PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA
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 terperinciPENGENALAN KARAKTER DAN MANAJEMEN DATABASE PADA FORMULIR ISIAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN KARAKTER DAN MANAJEMEN DATABASE PADA FORMULIR ISIAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) SKRIPSI ANTONI SIAHAAN 051401063 PROGRAM STUDI S-1 ILMU
Lebih terperinci1.1 Latar Belakang. Universitas Indonesia
BAB 1 PENDAHULUAN Bab ini menjelaskan latar belakang penelitian tugas akhir, pernyataan permasalahan yang timbul dari latar belakang tersebut, tujuan penelitian, batasan masalah, manfaat penelitian, tahapan
Lebih terperinciKLASIFIKASI MUSIK MENGGUNAKAN POLYNOMIAL NEURAL NETWORK
KLASIFIKASI MUSIK MENGGUNAKAN POLYNOMIAL NEURAL NETWORK Rocky Yefrenes Dillak Abstrak : Penelitian ini bertujuan mengembangkan suatu metode yang dapat digunakan untuk melakukan klasifikasi terhadap jenis
Lebih terperinciSISTEM KLASIFIKASI PENYEBARAN PENYAKIT MATA DI JAWA BARAT DENGAN ALGORITMA ITERATIVE DICHOTOMISER 3 DAN NAÏVE BAYES CLASSIFIER
SISTEM KLASIFIKASI PENYEBARAN PENYAKIT MATA DI JAWA BARAT DENGAN ALGORITMA ITERATIVE DICHOTOMISER 3 DAN NAÏVE BAYES CLASSIFIER Wina Witanti 1*, Dian Nursantika 2, Zillan Taufiq Budiman 3 1,2,3 Program
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 terperinciJARINGAN SYARAF TIRUAN UNTUK KLASIFIKASI STATUS GIZI BALITA JENIS KELAMIN LAKI-LAKI DENGAN METODE BACKPROPAGATION
JARINGAN SYARAF TIRUAN UNTUK KLASIFIKASI STATUS GIZI BALITA JENIS KELAMIN LAKI-LAKI DENGAN METODE BACKPROPAGATION Naskah Publikasi Program Studi Informatika Fakultas Komunikasi dan Informatika Oleh: Hasna
Lebih terperinciINTRUSION DETECTION SYSTEM (IDS) MENGGUNAKAN JARINGAN SYARAF TIRUAN ENSEMBLE
INTRUSION DETECTION SYSTEM (IDS) MENGGUNAKAN JARINGAN SYARAF TIRUAN ENSEMBLE SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Jurusan Informatika Disusun oleh : UDHI PERMANA
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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Mata adalah indra terbaik yang dimiliki oleh manusia sehingga citra (gambar) memegang peranan penting dalam perspektif manuasia. Namun mata manusia memiliki keterbatasan
Lebih terperinciPENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION Heru Satria Tambunan AMIK Tunas Bangsa Jalan Sudirman Blok A No. -3, Kota Pematang Siantar, Sumatera
Lebih terperinciOPTIMISASI TOTAL TEMPUH NPC PADA RTS GAME MENGGUNAKAN HARMONY SEARCH ALGORITHM. Herti Miawarni 1* Jl. A. Yani 114, Surabaya 60231, Telp.
OPTIMISASI TOTAL TEMPUH NPC PADA RTS GAME MENGGUNAKAN HARMONY SEARCH ALGORITHM Herti Miawarni 1* 1 Program Studi Teknik Elektro, Fakultas Teknik, Universitas Bhayangkara Surabaya Jl. A. Yani 114, Surabaya
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 terperinciPENERAPAN ALGORITMA DIJKSTRA DAN FUZZY LOGIC SUGENO PADA GAME ZOMBIE SHOOTER
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 PENERAPAN ALGORITMA DIJKSTRA DAN FUZZY LOGIC SUGENO PADA GAME ZOMBIE SHOOTER Andryano Pratama 1, Fadli Delta Rizky 2, Daniel Udjulawa 3 3 STMIK GI
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 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 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 terperinciSTUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
STUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Muh. Ishak Jumarang 1), Lyra Andromeda 2) dan Bintoro Siswo Nugroho 3) 1,3) Jurusan Fisika,
Lebih terperinciPREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION
JIMT Vol. 4 No. Juni 207 (Hal 47-55) ISSN : 2450 766X PREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION J.R. Mustakim, R. Ratianingsih 2 dan D. Lusiyanti 3,2,3 Program Studi
Lebih terperinciADLN - Perpustakaan Universitas Airlangga ABSTRAK. viii
Muhammad Arif Santoso, 2015. Peramalan Penjualan Produk Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine. Skripsi ini dibawah bimbingan Auli Damayanti,S.Si, M.Si dan Dr. Herry Suprajitno,
Lebih terperinciKLASIFIKASI RUMAH LAYAK HUNI DI KABUPATEN BREBES DENGAN MENGGUNAKAN METODE LEARNING QUANTIZATION DAN NAIVE BAYES
KLASIFIKASI RUMAH LAYAK HUNI DI KABUPATEN BREBES DENGAN MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION DAN NAIVE BAYES SKRIPSI Disusun Oleh : FITRI JUNIATY SIMATUPANG 24010211140078 JURUSAN STATISTIKA
Lebih terperinciPENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program
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 terperinciKLASIFIKASI HELPDESK UNIVERSITAS JENDERAL ACHMAD YANI MENGGUNAKAN CONCEPT FREQUENCY-INVERSE DOCUMENT FREQUENCY (CF-IDF) DAN K-NEAREST NEIGHBORS (K-NN)
Klasifikasi Helpdesk Universitas Jenderal Achmad ni... (Herawan dkk.) KLASIFIKASI HELPDESK UNIVERSITAS JENDERAL ACHMAD YANI MENGGUNAKAN CONCEPT FREQUENCY-INVERSE DOCUMENT FREQUENCY (CF-IDF) DAN K-NEAREST
Lebih terperinciMENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB
POLITEKNOSAINS VOL. X NO. 2 Juni 2011 MENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB Yaya Finayani Teknik Elektro, Politeknik Pratama Mulia, Surakarta 57149, Indonesia ABSTRACT
Lebih terperinciDETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ. Muhammad Imron Rosadi 1
DETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ Muhammad Imron Rosadi 1 Prodi Teknik Informatika, Universitas Yudharta Pasuruan Purwosari 67162 Pasuruan Jawa Timur 1 Email : Imron_uyp@yahoo.com ABSTRAK
Lebih terperinciPERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR
PERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR Ragil Anggararingrum Perwira Nagara¹, Adiwijaya², Ratri Dwi Atmaja³ ¹Teknik
Lebih terperinciKeywords: Artificial Neural Network, Learning Vector Quantization (LVQ), Final Project
Riau Journal Of Computer Science Vol.3 No.1 Januari 2017: 81-94 81 PENENTUAN BIDANG KONSENTRASI TUGAS AKHIR MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION Muhammad Siddik; 1), Sarjon Defit 2), Julius
Lebih terperinciPENENTUAN NILAI VEKTOR PEWAKIL AWAL PADA ARSITEKTUR JARINGAN SYARAF TIRUAN LVQ UNTUK PENGENALAN WAJAH
PENENTUAN NILAI VEKTOR PEWAKIL AWAL PADA ARSITEKTUR JARINGAN SYARAF TIRUAN LVQ UNTUK PENGENALAN WAJAH Devira Anggi Maharani 1, Mila Fauziyah 2, Denda Dewatama 3 1,2 Jurusan Elektro, Prodi Elektronika,
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 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 terperinci