HASIL DAN PEMBAHASAN
|
|
- Dewi Hartanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 24 HASIL DAN PEMBAHASAN Sistem pengenalan roda kendaraan mengunakan citra kendaraan yang diambil dari samping (side view) sehingga roda akan terlihat berbentuk lingkaran. Citra kendaraan yang dikumpulkan terdiri atas kendaraan seperti mobil sedan, SUV, pick-up, truk sedang dan truk besar. Pemrosesan Awal Citra kendaraan asli memiliki dimensi 640x480 piksel, dirubah ke gray scale kemudian dipotong (crop) secara horisontal sehingga dimensinya menjadi piksel dan diperhalus dengan average filter untuk mengurangi noise. Berikut adalah citra asli (Gambar 13) dan citra yang telah mengalami praproses (Gambar 14). Gambar 13 Citra asli dimensi 640x480 piksel. Gambar 14 Citra setelah pemrosesan awal.
2 25 Deteksi Lingkaran dengan CHT Citra yang telah mengalami praproses akan melalui CHT untuk mendeteksi lingkaran roda. Kemampuan deteksi lingkaran CHT sangat menentukan keberhasilan pengenalan dengan JST. Penetapan nilai parameter dilakukan secara trial and error meliputi: gradient threshold, jangkauan radius (radrange) terdiri atas nilai minimal dan maksimal, radius filter untuk lokal maksima (radius to LM) dan radius jamak (multirad). Data latih yang digunakan dalam penelitian ini adalah sebanyak 180 citra dari kendaraan roda empat, sehingga CHT harus dapat mendeteksi lingkaran roda sebanyak citra. Penentuan nilai parameter CHT dalam penelitian ini berdasarkan citra yang diamati, dengan memperhatikan waktu komputasi dan ketepatan deteksi. Nilai radius filter untuk local maxima sebaiknya besar, parameter ini digunakan untuk mencari lokal maksima dalam accumulator array. Gambar 15 memperlihatkan nilai parameter Radius Filter LM terhadap jumlah lingkaran roda yang berhasil dideteksi. Jumlah Lingkaran Roda Radius Filter LM Gambar 15 Nilai optimum parameter Radius Filter LM. Jumlah lingkaran roda terbanyak terdapat pada nilai 30 yaitu sebanyak 358 lingkaran atau 99,4% dari target deteksi, oleh karena itu parameter Radius Filter LM pada nilai tersebut akan di eksplorasi lebih lanjut, sedangkan nilai-nilai yang lain tidak digunakan. Gambar 16 memperlihatkan nilai parameter Gradient Threshold. Jumlah lingkaran roda terbanyak terdapat pada nilai 16, yaitu sebanyak lingkaran atau seluruh lingkaran roda berhasil dideteksi.
3 26 Jumlah Lingkaran Roda Gradient Threshold Gambar 16 Nilai optimum parameter Gradient Threshold. Penggunaan nilai parameter multirad dengan toleransi terkecil, yaitu 1 (satu), meminimalkan lingkaran lingkaran kosentrik terdeteksi, artinya hanya lingkaran yang prinsipal dengan titik pusat saja yang akan dideteksi. Gambar 17 memperlihatkan deteksi lingkaran dengan nilai parameter multirad yang berbeda. Gambar 17 Deteksi lingkaran dengan nilai parameter multirad berbeda. Penggunaan nilai minimal (25, 26, 27) dan nilai maksimal (50, 65, 80, 100) pada parameter radrange yang semakin besar, menyebabkan waktu komputasi yang diperlukan semakin lama (Lampiran 1). Gambar 18 menunjukkan nilai minimal parameter Radrange pada beberapa nilai gradient threshold dan nilai parameter multirad.
4 27 Jumlah Lingkaran Roda Min RR = 25 Min RR = 26 Min RR = Jumlah Lingkaran Roda Min RR = 25 Min RR = 26 Min RR = Gradient Threshold Gradient Threshold Jumlah Lingkaran Roda Min RR = 25 Min RR = 26 Min RR = Gradient Threshold Gambar 18 Nilai optimum parameter Multirad dan nilai minimal Radrange. Jumlah roda terbanyak yang dapat dideteksi terjadi pada saat nilai minimal parameter Radius Range (Radrange) sebesar 27 dan parameter Multirad sebesar 0,98 serta gradient threshold adalah 14 seperti yang telah diperlihatkan pada gambar sebelumnya. Nilai maksimal parameter Radrange adalah 100 (Gambar 19). Jumlah Lingkaran Roda Nilai Maksimal Radrange Gambar 19 Nilai maksimal untuk parameter Radrange. Dalam penelitian ini dilakukan percobaan-percobaan pendahuluan untuk mendapatkan nilai-nilai parameter CHT yang optimum. Jika nilai parameter yang
5 28 ditentukan tidak dapat memberikan hasil yang diinginkan, maka untuk nilai tersebut tidak dieksplorasi lebih lanjut, seperti parameter Radius Filter LM yaitu nilai 10, 20 dan 40 (Gambar 15) serta nilai maksimal untuk parameter Radrange yaitu nilai 50, 65 dan 80 (Gambar 19) tidak digunakan lagi. Nilai optimum untuk setiap parameter-parameter CHT yang dipergunakan dalam penelitian ini disajikan dalam Tabel 4. Tabel 4 Nilai optimum untuk parameter-parameter CHT Parameter Nilai Radius Filter LM 30 Gradient Threshold 14 Radius Range Min = 27 dan Max = 100 Multirad 0,98 Gambar 20 memperlihatkan deteksi lingkaran dengan nilai-nilai parameter yang telah ditentukan diatas. Gambar 20 Hasil deteksi lingkaran CHT. Kedua lingkaran roda berhasil dideteksi, ditandai dengan lingkaran berwarna biru pada roda, selain itu juga terdapat lingkaran berwarna biru lainnya pada objek bukan roda. Seluruh lingkaran nantinya akan melalui proses selanjutnya yaitu, proses pengenalan dengan JST. Normalisasi Normalisasi dilakukan setelah lingkaran citra didapatkan, dalam hal ini ukuran citra lingkaran yang beragam, akan dirubah menjadi berukuran piksel, sebelumnya citra lingkaran dikelompokkan menjadi roda dan bukan roda secara manual untuk proses pengenalan dengan JST. Gambar 21 menunjukan citra roda dan bukan roda sebelum normalisasi. Gambar 22 citra roda dan bukan roda setelah melalui proses normalisasi.
6 29 Gambar 21 Citra roda dan bukan roda sebelum normalisasi. Gambar 22 Citra roda dan bukan roda setelah normalisasi. Reduksi 2DPCA Reduksi citra roda dan bukan roda dilakukan dengan 2DPCA yang memiliki kesamaan informasi sebesar 99%. Masukan untuk 2DPCA adalah citra roda dan bukan roda berdimensi piksel dari proses sebelumnya yaitu, proses normalisasi. Proses 2DPCA menghasilkan citra tereduksi dan matriks transformasi berdimensi 80 11, artinya dibutuhkan 11 akar ciri untuk mendapatkan kesamaan informasi 99%, sehingga masukan ke JST adalah sebesar 880 neuron (Lampiran 2). Pengenalan dengan JST Propagasi Balik Pengenalan roda kendaraan dilakukan dengan JST propagasi balik melalui tahapan pelatihan dan tahapan pengujian. Tahapan pelatihan merupakan tahapan perhitungan maju (feedforward) untuk melatih JST dalam mengenali citra roda.
7 30 Pelatihan JST Propagasi Balik dilakukan menggunakan Data Latih dengan memvariasikan jumlah neuron pada hidden layer yaitu, 5, 10, 20, 30, 40, 50, 60, 70, 80, 90, dan 100 (Lampiran 3). Tahapan pengujian juga mengalami beberapa proses yang sama dengan proses pada tahapan pelatihan yaitu, sebelum pengujian dengan JST terlebih dahulu data yang akan diujicobakan diproses dulu dengan CHT, kemudian lingkaran yang berhasil dideteksi dinormalisasi ke dalam citra berukuran 80x80 piksel, dan ditransformasikan dengan matriks transformasi yang didapatkan dari reduksi 2DPCA pada tahapan pelatihan. Penghitungan prosentasi keberhasilan dilakukan pada pengujian Data Uji. Data Uji yang digunakan adalah sebanyak 45 citra kendaraan roda empat, sehingga kinerja JST terbaik adalah mampu mengenali sebanyak 90 roda. Roda yang berhasil dikenali oleh JST, ditandai dengan lingkaran berwarna merah (Gambar 23), sedangkan untuk objek bukan roda ditandai dengan lingkaran berwarna biru. Gambar 23 Lingkaran berwarna merah tanda roda dikenali oleh JST. Hasil pengujian juga menunjukkan adanya kesalahan pengenalan. Gambar 24 memperlihatkan kesalahan JST dalam mengenali roda, citra roda pada gambar tersebut memiliki lingkaran yang berbeda warna, yaitu lingkaran berwarna merah dan lingkaran berwarna biru. Lingkaran berwarna merah menyatakan bahwa JST mengenali roda, sedangkan citra roda yang satu lagi tidak dikenali JST (lingkaran berwarna biru). Kesalahan seperti ini disebut dengan miss, yaitu JST luput dalam mengenali sebuah atau kedua lingkaran roda. Gambar 24 Lingkaran roda yang tidak dikenali JST.
8 31 Sistem pengenalan roda ini juga memiliki kesalahan pengenalan lainnya, yaitu objek bukan roda dikenali sebagai roda seperti ditunjukan dalam Gambar 25. Kesalahan seperti ini disebut dengan false alarm. Gambar 25 Objek bukan roda dikenali sebagai roda. Gambar diatas memperlihatkan lingkaran berwarna merah terdapat pada kedua roda, artinya JST mengenali keduanya sebagai roda. Lingkaran berwarna biru pada objek bukan roda, artinya JST mengenalinyaa sebagai objek bukan roda, sedangkann sebuah lingkaran berwarna merah pada objek bukan roda artinyaa JST mengenali objek bukan roda sebagai roda, atau JST telah melakukan kesalahan pengenalan (false alarm). Gambar 26 menyajikan hasil pengujian Data Uji dengan berbagai jumlah neuron hidden layer. Keberhasilan Pengenalan(% %) Kesalahan Pengenalan(%) False Alarm Rate( (%) Gambar 26 Hasil pengujian JST dengan Data Uji. Gambar 26 menunjukkan bahwa prosentasee keberhasilan pengenalan terbaik adalah sebesar 94,4%, yaitu pada hidden layer dengann jumlah neuron sebanyak 100. Jumlah kesalahan pengenalan (miss) pada hidden layer tersebut adalah 5,56% artinyaa citra roda yang luput dikenali oleh JST adalah berjumlah 5
9 32 citra dari 90 citra roda. Jumlah false alarm rate adalah 6% atau citra bukan roda yang dikenali sebagai roda oleh JST berjumlah 8 citra. Citra bukan roda yang dikenali sebagai bukan roda berjumlah 125 citra (Lampiran 4). Kemampuan JST dalam mengenali Data Uji sebenarnya sudah cukup baik (94,4%). Kesalahan pengenalan (miss) disebabkan karena kemampuan JST dalam generalisir masukan untuk Data Uji dengan Data Latih yang digunakan dalam proses pelatihan JST. Penelitian ini melakukan pengujian terhadap kendaraan yang memiliki lebih dari empat roda, seperti diperlihatkan dalam Gambar 27. Ketiga roda dapat dideteksi oleh CHT, namun hanya dua roda yang dikenali oleh JST. Gambar 27 Pengujian kendaraan tiga gandar. Pengujian dengan Data Uji yang diberi noise berupa gaussian noise dan citra yang diberi lingkaran palsu diantara roda. Pengujian dilakukan dengan jumlah neuron sebanyak 100 pada hidden layer. Gambar 28 menunjukkan citra yang diberi variasi gaussian noise. Gambar 28 Citra dengan berbagai varians Gaussian Noise.
10 33 Tanpa Filter Filter Keberhasilan Pengenalan (%) , ,05 0,08 0, 1 0,5 Gaussian Noise Gambar 29 Hasil pengujiann Data Noise pada neuron hidden layer = 100. Pengujian Data Uji yang diberi noise dengan tambahan gaussian filter 5x5 dan tanpaa filter diperlihatkan dalam Gambar 29. Hasil pengujian Data Noise menunjukkan bahwa apabila nilai gaussian noise semakin diperbesar maka terjadi penurunann prosentasee pengenalan. Prosentase pengenalan JST dipengaruhii oleh kemampuan deteksi CHT. Pemberian noise pada Dataa Uji memberikan pengaruh signifikann pada deteksi CHT. Kinerja deteksi CHT pada varians gaussian noise sebesar 0,,02 mengalami penurunan sebesar 7% (tanpa filter) dan sebesar 3,33% (dengan tambahan filter). Penggunaan gaussian filter mampu memperbaiki kinerja JST walaupun tidak terlalu besar. Pengujian data Noise dengan penambahan filter, masih terdapat kesalahan, hal ini karena gaussian filter yang digunakann tidak dapat sepenuhnya mengembalikan citra noise ke citra sebelumnya (citra tanpa noise). Pengujian Data Noise dengan varians gaussian noise sebesar 0,5 terlihat JST tidak dapat mengenali roda (0%) baik tanpa filter ataupun dengan tambahan filter (Lampiran 5). Hal ini disebabkan citra dengan noise seperti itu, sudah sulit dideteksi dan dikenali (Gambar 30). Gambar 30 Citra dengan Varians Gaussian Noise = 0,5.
11 34 Gambar 31 memperlihatkan hasil pengenalan JST pada Dataa Uji yang diberi lingkarann palsu. Gambar 31a) menunjukkan lingkaran palsu dikenali sebagai roda, hal ini karenaa bentuk lingkaran palsu dan background hampir sama dengan lingkaran roda, sehingga JST mengenalinya sebagai roda. Berbeda dengan gambar 31b) bentuk lingkaran hampir sama tetapi background berbeda sehingga JST mengenalinya sebagai objek bukan roda. a) Lingkaran palsu dikenali sebagai roda. b) Lingkaran palsu tidak dikenali sebagai roda. Gambar 31 Hasil Pengenalann Data Uji dengan lingkaran palsu. Gambar 32 menyajikan hasil pengujian data lingkaran palsu pada neuron hidden layer berjumlah Prosentase Lingkaran Palsu Terdeteksi (CHT) Prosentase Lingkaran Palsu Tidak Terdeteksi (CHT) Prosentase Dikenali sebagai Roda (JST) Prosentase Tidak Dikenali Sebagai Roda (JST) Gambar 32 Hasil pengujian Data Lingkaran Palsu.
12 35 Gambar 32 menunjukkan kemampuan CHT mendeteksi keberadaan lingkaran palsu dibagian tengah roda, yaitu mencapai 80%, sedangkan lingkaran palsu tidak terdeteksi oleh CHT mencapai 20%. Penurunan kemampuan deteksi CHT disebabkan karena lingkaran palsu yang digunakan merupakan lingkaran tambahan yang diberikan dengan memanfaatkan aplikasi photoshop, sehingga background citra dan lingkaran palsu tidak menyatu secara alami. Pengenalan lingkaran palsu sebagai roda oleh JST sebesar 51,1% adalah lebih tinggi dibandingkan lingkaran palsu dikenali sebagai bukan roda (28,8%), artinya jika lingkaran palsu memiliki bentuk yang sama serta background dalam lingkaran palsu seperti bentuk lingkaran roda asli, maka JST akan mengenalinya sebagai roda.
METODOLOGI 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 terperinciINTEGRASI 2DPCA SRI BOGOR 20122
INTEGRASI METODE CIRCLE HOUGH TRANSFORM, 2DPCA DAN JARINGANN SYARAF TIRUAN UNTUK MODEL PENGENALAN RODA KENDARAAN SRI DIANING ASRI SEKOLAH PASCARJANA INSTITUTT PERTANIAN BOGOR BOGOR 20122 PERNYATAAN MENGENAI
Lebih terperinciTINJAUAN PUSTAKA ,...(1)
3 TINJAUAN PUSTAKA Dalam bab ini akan dibahas teori-teori yang mendasari penelitian ini. Dimulai dari teori dan konsep citra digital, deteksi pola lingkaran dengan Circle Hough Transform (CHT), ekstrasi
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masin-masing komponen perangkat.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengenalan Marka Jalan Marka jalan merupakan suatu penanda bagi para pengguna jalan untuk membantu kelancaran jalan dan menghindari adanya kecelakaan. Pada umumnya marka jalan
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 terperinciBAB 2 PENGENALAN IRIS, PENENTUAN LOKASI IRIS, DAN PEMBUATAN VEKTOR MASUKAN
BAB 2 PENGENALAN IRIS, PENENTUAN LOKASI IRIS, DAN PEMBUATAN VEKTOR MASUKAN Pengenalan suatu objek tentu saja tidak bisa dilakukan tanpa persiapan sama sekali. Ada beberapa proses yang perlu dilakukan sebelum
Lebih terperinciBAB III METODE PENELITIAN. ada beberapa cara yang telah dilakukan, antara lain : akan digunakan untuk melakukan pengolahan citra.
BAB III METODE PENELITIAN Untuk pengumpulan data yang diperlukan dalam melaksanakan tugas akhir, ada beberapa cara yang telah dilakukan, antara lain : 1. Studi Kepustakaan Studi kepustakaan berupa pencarian
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 terperinciBAB 4 PENGUJIAN DAN ANALISIS SISTEM
BAB 4 PENGUJIAN DAN ANALISIS SISTEM Bab ini akan membahas mengenai proses pengujian dari sistem yang dirancang terhadap beberapa citra dijital replika kulit. Pengujian terhadap sistem ini dilakukan untuk
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB III METODE PENELITIAN. Penelitian ini dilakukan dalam kurung waktu setahun.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Pelaksanaan Penelitian dilaksanakan di Laboratorium Intrumentasi Medis Departemen Fisika, Fakultas Sains dan Teknologi Universitas Airlangga. Lokasi pengambilan
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciMETODOLOGI PENELITIAN
digilib.uns.ac.id BAB III METODOLOGI PENELITIAN 3.1 Studi Literatur Studi ini dilakukan dengan cara mencari dan membaca berbagai literatur serta karya-karya penelitian mengenai topik penelitian yang sudah
Lebih terperinciANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR
ANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR Gibtha Fitri Laxmi 1, Puspa Eosina 2, Fety Fatimah 3 1,2,3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas
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 terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih terperinciGLOSARIUM Adaptive thresholding Peng-ambangan adaptif Additive noise Derau tambahan Algoritma Moore Array Binary image Citra biner Brightness
753 GLOSARIUM Adaptive thresholding (lihat Peng-ambangan adaptif). Additive noise (lihat Derau tambahan). Algoritma Moore : Algoritma untuk memperoleh kontur internal. Array. Suatu wadah yang dapat digunakan
Lebih terperinciBAB 3 IMPLEMENTASI SISTEM
BAB 3 IMPLEMENTASI SISTEM Bab ini akan membahas mengenai proses implementasi dari metode pendeteksian paranodus yang digunakan dalam penelitian ini. Bab ini terbagai menjadi empat bagian, bagian 3.1 menjelaskan
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinci4.1. Pengumpulan data Gambar 4.1. Contoh Peng b untuk Mean imputation
4.1. Pengumpulan data Data trafik jaringan yang diunduh dari http://www.cacti.mipa.uns.ac.id:90 dapat diklasifikasikan berdasar download rata-rata, download maksimum, download minimum, upload rata-rata,
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN
4 BAB HASIL DAN PEMBAHASAN Ada tiga tahap utama yang dilakukan pada percobaan ini yaitu ektraksi ciri, pelatihan dan pengujian JST. Percobaan dilakukan dengan mengkombinasikan data hasil ekstraksi ciri
Lebih terperinciGambar 3.1 Contoh Citra yang digunakan
BAB III DATASET DAN RANCANGAN PENELITIAN Pada bab ini dijelaskan tentang dataset citra yang digunakan dalam penelitian ini serta rancangan untuk melakukan penelitian. 3.1 DATASET PENELITIAN Penelitian
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 terperinciKLASIFIKASI POLA SIDIK JARI MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK ANALISA KARAKTERISTIK SESEORANG
KLASIFIKASI POLA SIDIK JARI MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK ANALISA KARAKTERISTIK SESEORANG [1] Ahmad Fahrudi Setiawan, [2] Alam Katon Agung [1], [2] Institut Teknologi Nasional
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi perangkat lunak dewasa ini tidak terlepas dari berkembangnya studi mengenai kecerdasan buatan. Ada dua hal yang termasuk dari kecerdasan buatan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciBAB 3 PERANCANGAN PROGRAM. dilanjutkan dengan rancangan cetak biru untuk program yang akan dibangun.
BAB 3 PERANCANGAN PROGRAM Pada bab 3 ini, akan dijelaskan proses rancangan program aplikasi pengurangan noise pada citra digital. Dimulai dari analisa kebutuhan sistem yang akan dirancang, dilanjutkan
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 terperinciBAB 2 HEMISPHERIC STRUCTURE OF HIDDEN LAYER NEURAL NETWORK, PCA, DAN JENIS NOISE Hemispheric structure of hidden layer neural network
BAB 2 HEMISPHERIC STRUCTURE OF HIDDEN LAYER NEURAL NETWORK, PCA, DAN JENIS NOISE Bab ini akan menjelaskan tentang Hemispheric Structure Of Hidden Layer Neural Network (HSHL-NN), Principal Component Analysis
Lebih terperinciBAB 2 LANDASAN TEORI. dari sudut pandang matematis, citra merupakan fungsi kontinyu dari intensitas cahaya
5 BAB 2 LANDASAN TEORI 2.1 Citra Secara harfiah citra atau image adalah gambar pada bidang dua dimensi. Ditinjau dari sudut pandang matematis, citra merupakan fungsi kontinyu dari intensitas cahaya pada
Lebih terperinciImplementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital
JURNAL SAINS DAN SENI IS Vol. 6, No.1, (2017) 2337-3520 (2301-928X Print) A 18 Implementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital Zulfa Afiq Fikriya, Mohammad Isa Irawan, dan Soetrisno
Lebih terperinciBAB 1 PENDAHULUAN. Sistem penglihatan manusia merupakan suatu system yang sangat kompleks,
BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG PERMASALAHAN Sistem penglihatan manusia merupakan suatu system yang sangat kompleks, tetapi sangat dapat diandalkan. Sistem ini memberikan sarana pengenalan obyek yang
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Pengerjaan tugas akhir ini ditunjukkan dalam bentuk blok diagram pada gambar 3.1. Blok diagram ini menggambarkan proses dari sampel citra hingga output
Lebih terperinciDETEKSI TERDISTRIBUSI ROBUST DENGAN MENGGUNAKAN SENSOR AKUSTIK
Company LOGO DETEKSI TERDISTRIBUSI ROBUST DENGAN MENGGUNAKAN SENSOR AKUSTIK Oleh : Lusia Tuties Kristianingrum (2206100627) Dosen Pembimbing : Dr. Ir Wirawan, DEA Januari 2011 1 Topik Pembahasan Pendahuluan
Lebih terperinciBAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian
BAB III METODE PENELITIAN 3.1 Model Penelitian Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1. Suara Burung Burung Kacer Burung Kenari Pengambil an
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciPengenalan Hand Gesture Dinamis Menggunakan JST Metode Pembelajaran Backpropagation
Pengenalan Hand Gesture Dinamis Menggunakan JST Metode Pembelajaran Backpropagation SEMINASIK FMIPA UGM 2013 Yuan Lukito, Agus Harjoko yuanlukito@gmail.com, aharjoko@ugm.ac.id Hand Gesture Gerakan anggota
Lebih terperinciBAB IV PEMBAHASAN. Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil
BAB IV PEMBAHASAN Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil model Radial Basis Function Neural Network untuk diagnosa kanker otak, hasil klasifikasi, dan ketepatan hasil klasifikasinya.
Lebih terperinciJURNAL INFORMATIKA PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Institut Teknologi Nasional Bandung ABSTRAK
Lebih terperinci6. PENDETEKSIAN SERANGAN GULMA. Pendahuluan
6. PENDETEKSIAN SERANGAN GULMA Pendahuluan Praktek pengendalian gulma yang biasa dilakukan pada pertanian tanaman pangan adalah pengendalian praolah dan pascatumbuh. Aplikasi kegiatan Praolah dilakukan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Citra merupakan suatu kemiripan, atau imitasi dari suatu objek atau benda. Citra memiliki beberapa karakteristik yang mengandung suatu infomasi. Citra yang bagus dapat
Lebih terperinciRANCANG BANGUN ALAT BANTU PENENTU POLA DISTRIBUSI INPUT DENGAN MEMANFAATKAN JARINGAN SYARAF TIRUAN DENGAN MENGGUNAKAN PERSENTIL SEBAGAI PENCIRI
RANCANG BANGUN ALAT BANTU PENENTU POLA DISTRIBUSI INPUT DENGAN MEMANFAATKAN JARINGAN SYARAF TIRUAN DENGAN MENGGUNAKAN PERSENTIL SEBAGAI PENCIRI Aris Tjahyanto Jurusan Sistem Informasi, Fakultas Teknologi
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 terperinci3 BAB III METODE PENELITIAN
20 3 BAB III METODE PENELITIAN 3.1 Metode penelitian Penenelitian ini merupakan penelitian eksperimen, dengan melalui beberapa tahapan sebagai berikut : 1. Pengumpulan data Tahapan ini merupakan langkah
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 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 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 3 ANALISA DAN PERANCANGAN SISTEM
BAB 3 ANALISA DAN PERANCANGAN SISTEM 3.1 Analisa Program Aplikasi Dalam proses identifikasi karakter pada plat nomor dan tipe kendaraan banyak menemui kendala. Masalah-masalah yang ditemui adalah proses
Lebih terperinciSISTEM PENGENALAN WAJAH REAL-TIME DALAM RUANG EIGEN DENGAN SEGMENTASI BERDASARKAN WARNA KULIT. Agus Buono, Ahmad Ridha, Hanief Bastian
SISTEM PENGENALAN WAJAH REAL-TIME DALAM RUANG EIGEN DENGAN SEGMENTASI BERDASARKAN WARNA KULIT Agus Buono, Ahmad Ridha, Hanief Bastian 1 Staf Pengajar Departemen Ilmu Komputer, Fakultas Matematika dan IPA
Lebih terperinciDOKUMENTASI ULANG NASKAH BRAILLE MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
DOKUMENTASI ULANG NASKAH BRAILLE MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Chairisni Lubis 1, Yoestinus 2 1 Fakultas Teknologi Informasi, Universitas Tarumanagara-Jakarta, Chairisni.fti.untar@gmail.com
Lebih terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciRekognisi karakter optik merupakan salah satu aplikasi pengenalan pola yang
17 BAB II REKOGNISI KARAKTER NUMERIK 2.1 Gambaran Singkat Rekognisi Karakter Optik Rekognisi karakter optik merupakan salah satu aplikasi pengenalan pola yang dirancang untuk menerjemahkan teks baik berupa
Lebih terperinciPERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION ALGORITHM
JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Vol.6 No. 2, Desember 217 : 8-91 PERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION
Lebih terperinciEKSTRAKSI CITRA BARCODE MENJADI KODE STRING MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION 1 Andrian Rakhmatsyah 2 Angga Sukma Prinata 3 Adiwijaya 12 Departemen Teknik Informatika
Lebih terperinciBAB II DASAR TEORI. 2.1 Meter Air. Gambar 2.1 Meter Air. Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus
BAB II DASAR TEORI 2.1 Meter Air Gambar 2.1 Meter Air Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor,
Lebih terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Ekstraksi ciri Citra yang digunakan dalam penelitian ini berukuran 150 x 150 pixel, sehingga jika divektorkan akan menghasilkan vektor berukuran 22500. Melalui tahap ekstraksi ciri
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Tujuan Penelitian
BAB I PENDAHULUAN 1.1 Latar Belakang Pada sebuah citra, sangat dimungkinkan terdapat berbagai macam objek. Objek yang ada pun bisa terdiri dari berbagai bentuk dan ukuran. Salah satu objek yang mungkin
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1. Analisis Masalah 3.1.1. Deskripsi Masalah Seiring dengan perkembangan jaman, maka makin meningkat pula kebutuhan seseorang akan informasi. Penerapan teknologi informasi
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengertian Citra Digital Citra digital merupakan sebuah fungsi intensitas cahaya f(x,y), dimana harga x dan y merupakan koordinat spasial dan harga fungsi f tersebut pada setiap
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MEMPERBAIKI CITRA DIGITAL
PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MEMPERBAIKI CITRA DIGITAL 1. Pendahuluan Citra / gambar merupakan hal yang vital dan menjadi bagian integral dari kehidupan sehari-hari. Pada kepentingan tertentu,
Lebih terperinciBAB I PENDAHULUAN. teknologi pengolahan citra (image processing) telah banyak dipakai di berbagai
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Citra (image) adalah bidang dalam dwimatra (dua dimensi) (Munir, 2004). Sebagai salah satu komponen multimedia, citra memegang peranan sangat penting sebagai
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Pada bab ini akan dijelaskan mengenai latar belakang, permasalahan, tujuan dan ruang lingkup, dan sistematika penulisan laporan dari tesis ini. 1.1 Latar Belakang Di tempat umum seperti
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Keamanan adalah masalah penting dalam kehidupan masyarakat pada saat ini. Terjadinya banyak tindak kejahatan dan pemalsuan identitas mengindikasikan bahwa masyarakat
Lebih terperinciBAB 4 UJI COBA DAN EVALUASI
BAB 4 UJI COBA DAN EVALUASI 4.1 Data dan Metode Pengujian Pada bagian ini akan dijelaskan mengenai data yang digunakan dalam proses penelitian yang dilakukan oleh penulis. Selain itu, akan dilakukan juga
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 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 terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
Lebih terperinciBAB IV PENGUJIAN DAN ANALISIS
BAB IV PENGUJIAN DAN ANALISIS Bab ini akan membahas tentang pengujian dan analisis sistem. Pada pengujian akan dijelaskan tentang kriteria pengujian serta analisis dari pengujian 4.1. Kriteria Pengujian
Lebih terperinciMENGGUNAKANN PNN TEROPTIMASI SKRIPSI
UNIVERSITAS INDONESIA SISTEM DETEKSI DAN PENENTU POSIS WAJAH DI DALAM CITRA MENGGUNAKANN PNN TEROPTIMASI SKRIPSI KIRANAA REINE KHANIFA 0606029435 FAKULTAS TEKNIK DEPARTEMEN TEKNIKK ELEKTRO DEPOK JUNI J
Lebih terperinciHASIL DAN PEMBAHASAN. Generalisasi =
6 Kelas Target Sidik jari individu 5 0000100000 Sidik jari individu 6 0000010000 Sidik jari individu 7 0000001000 Sidik jari individu 8 0000000100 Sidik jari individu 9 0000000010 Sidik jari individu 10
Lebih terperinciGolongan 6 = truk 2 as Golongan 7 = truk 3 as Golongan 8 = kendaraan tak bermotor
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Meningkatnya kemacetan pada jalan perkotaan maupun jalan luar kota yang diabaikan bertambahnya kendaraan, terbatasnya sumber daya untuk pembangunan jalan raya, dan
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di Laboratorium Pemodelan Fisika, Jurusan Fisika, Fakultas Matematika dan Ilmu
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciSISTEM PENGENALAN WAJAH MENGGUNAKAN NEURO-WAVELET
SISTEM PENGENALAN WAJAH MENGGUNAKAN NEURO-WAVELET Benni Agung Nugroho, Irna Wijayanti dan Agus Widayanti Jurusan Teknik Informatika, Politeknik Kediri e-mail : benni.nugroho@gmail.com Abstrak Sistem pengenalan
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinciBAB II TI JAUA PUSTAKA
BAB II TI JAUA PUSTAKA Pada bab ini akan dibahas mengenai teori-teori yang menunjang tugas akhir ini. Antara lain yaitu pengertian citra, pengertian dari impulse noise, dan pengertian dari reduksi noise.
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Fungsi utama perancangan program aplikasi tugas akhir ini adalah melakukan konversi terhadap citra dengan format raster atau bitmap ke format vektor dengan tipe
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 terperinciRancang Bangun Sistem Pengujian Distorsi Menggunakan Concentric Circle Method Pada Kaca Spion Kendaraan Bermotor Kategori L3 Berbasis Edge Detection
JURNAL TEKNIK POMITS Vol., No., (22) -6 Rancang Bangun Sistem Pengujian Distorsi Menggunakan Concentric Circle Method Pada Kaca Spion Kendaraan Bermotor Kategori L3 Berbasis Edge Detection Muji Tri Nurismu
Lebih terperinciIDENTIFIKASI AWAL PLAT NOMOR MOBIL MENGGUNAKAN PROGRAM KONVENSIONAL SEBAGAI LANGKAH AWAL PENGGUNAAN JARINGAN SARAF TIRUAN
IDENTIFIKASI AWAL PLAT NOMOR MOBIL MENGGUNAKAN PROGRAM KONVENSIONAL SEBAGAI LANGKAH AWAL PENGGUNAAN JARINGAN SARAF TIRUAN Soegianto Soelistiono, Ardan Listya Romdhoni Departemen Fisika Fakultas Sains dan
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF)
PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF) AINUN JARIAH 1209201721 DOSEN PEMBIMBING 1. Prof. Dr. Mohammad Isa Irawan, M.T 2. Dr Imam Mukhlas, S.Si, M.T
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan dan Praproses Data Kegiatan pertama dalam penelitian tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data sekunder
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 terperinciIMPLEMENTASI TEKNIK STEGANALISIS MENGGUNAKAN METODE IMPROVEMENT DIFFERENCE IMAGE HISTOGRAM PADA STEGANOGRAFI LSB
IMPLEMENTASI TEKNIK STEGANALISIS MENGGUNAKAN METODE IMPROVEMENT DIFFERENCE IMAGE HISTOGRAM PADA STEGANOGRAFI LSB Friski Gatra Pamungkas 1), Bambang Hidayat 2), Nur Andini 3) 1),2),3 ) Prodi S1 Teknik Telekomunikasi,
Lebih terperinciBAB II LANDASAN TEORI...
DAFTAR ISI HALAMAN JUDUL... i LEMBAR PENGESAHAN PEMBIMBING... ii LEMBAR PERNYATAAN KEASLIAN HASIL TESIS... iii LEMBAR PENGESAHAN PENGUJI... iv PERSEMBAHAN... v MOTTO... vi KATA PENGANTAR... vii SARI...
Lebih terperinciBab III ANALISIS&PERANCANGAN
3.1 Analisis Masalah Bab III ANALISIS&PERANCANGAN Pada penelitian sebelumnya yaitu ANALISIS CBIR TERHADAP TEKSTUR CITRA BATIK BERDASARKAN KEMIRIPAN CIRI BENTUK DAN TEKSTUR (A.Harris Rangkuti, Harjoko Agus;
Lebih terperinciPENGHAPUSAN NOISE PADA CITRA DENGAN FILTER ADAPTIVE-HIERARCHICAL
PENGHAPUSAN NOISE PADA CITRA DENGAN FILTER ADAPTIVE-HIERARCHICAL Kata Kunci : Noise Removal, Edge Detection, impuls noise, Oleh : ANA WAHYU HAKIM Dosen pembimbing I: Prof. Dr. Ir. Handayani Tjandrasa M.Sc
Lebih terperinci