BAB IV HASIL DAN PEMBAHASAN
|
|
|
- Adi Makmur
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini, eksperimen dilakukan terhadap 3 metode NMF, yaitu normal NMF, Local NMF, dan nsnmf.untuk setiap metode NMF, eksperimenakan dilakukan sebanyak 5 kali dengan mnggunakan nilai r yang berbeda beda untuk pembentukan matrix basis images W dan koefisien matrix H. nilai - nilai r yang digunakan dalam eksperimen ini adalah 10, 20, 30, 40 dan 50. Hal ini dilakukan untuk menentukan nilai r yang terbaik untuk mendapatkan nilai matrix basis images W yang akan digunakan dalam proses klasifikasi. Proses klasifikasi yang dilakukan pada penelitian ini dibagi menjadi 2 bagian, pertama proses klasifikasi gambar mammogram menjadi benign dan malignant, yang kedua adalah proses klasifikasi gambar mammogram menjadi 4 jenis penyakit kanker, yaitu calcification (CALC), well-defined/circumscribed masses (CIRC), Other, ill-defined masses (MISC), Asymmetry (ASYM).Untuk melakukan proses klasifikasi tersebut, eksperimen dibagi menjadi fase online dan fase offline Fase Offline Pada tahap awal, fase offline dijalankan dengan caramelakukan proses cropping pada mammogram untuk mengambil ROI. ROI yang didapatkan akan melalui proses morphology yang dibagi menjadi 2 proses, yaitu dilatasi dan erosi. Setelah proses processingimages dilakukan,proses 31
2 32 resize gambar akan dijalankan agar ROI gambar menjadi berukuran 90 x 90. Kemudian semua ROI akandisatukan menjadi matrix V. matrix V tersebut akan dipecah menjadi matrix W dan H untuk setiap metode NMF. Setiap metode NMF akan dibentuk 5 buah matrix W dan matrix H berdasarkan nilai r yang sudah ditetapkan. Proses pembentukan matrix W dan H ini dibentuk melalui proses perulangan sebanyak 1500 kali atau sampai rasio perubahan KL divergence menjadi lebih kecil atau sama dengan Tahap kedua pada fase offline ini dilakukan dengan cara memasukkan koefisien matrix H yang sudah didapatkan ke dalam neural network untuk proses training. Untuk proses training ini, arsitektur jaringan neural network dipilih dengan bentuk sebagai berikut : Input Layer : 1 dengan banyak node berdasarkan nilai r Hidden Layer : 1 dengan banyak node 50 Output Layer : 1 dengan banyak node 2 pada klasifikasi benign malignant, 6 pada klasifikasi kanker Fase Online Fase online, dilakukan dengan cara melakukan kembali proses cropping, dilatasi dan erosi pada gambar yang ingin di tes. Setelah itu, satu per satu gambar tersebut dibentuk matrix H nya dengan cara melakukan pseudoinvers terhadap matrix W yang didapatkan pada saat fase offline dikalikan dengan matrix gambar yang ingin di tes. Setelah itu matrix H yang didapatkan dari gambar tes akan dimasukkan ke dalam proses neural
3 33 network yang sudah ditraining sebelumnya pada fase offline untuk diklasifikasi Experimen Menggunakan NMF 1. NMF dengan r = 10 Gambar 4.1 Basis Images NMF dengan nilai r = 10 Tabel 4.1 Confusion Matrix NMF nilai r = Jika dilihat dari tabel 4.1 confusion matrix, pada eksperimen ini 28 dari 30 kasus benign dapat diklasifikasi dengan benar dan 3 dari 15 kasus malignant dapat diklasifikasi dengan benar.berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 68.89%. 2. NMF dengan r = 20 Gambar 4.2 Basis Images NMF dengan nilai r = 20
4 34 Tabel 4.2 Confusion Matrix NMF nilai r = Jika dilihat dari tabel 4.2 confusion matrix, pada eksperimen ini 18 dari 30 kasus benign dapat diklasifikasi dengan benar dan 10 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 62.22%. 3. NMF dengan r = 30 Gambar 4.3 Basis Images NMF dengan nilai r = 30 Tabel 4.3 Confusion Matrix NMF nilai r = Jika dilihat dari tabel 4.3 confusion matrix, pada eksperimen ini 27 dari 30 kasus benign dapat diklasifikasi dengan benar dan 6 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 73.33%. 4. NMF dengan r = 40
5 35 Gambar 4.4 Basis Images NMF dengan nilai r = 40 Tabel 4.4 Confusion Matrix NMF nilai r = Jika dilihat dari tabel 4.4 confusion matrix, pada eksperimen ini 27 dari 30 kasus benign dapat diklasifikasi dengan benar dan 6 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 73.33%. 5. NMF dengan r = 50
6 36 Gambar 4.5 Basis Images NMF dengan nilai r = 50 Tabel 4.5 Confusion Matrix NMF nilai r = Jika dilihat dari tabel 4.5 confusion matrix, pada eksperimen ini 24 dari 30 kasus benign dapat diklasifikasi dengan benar dan 7 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 68.88%. Setelah klasifikasi benign dan malignant dilakukan, maka tahap selanjutnya adalah melakukan klasifikasi dari hasil benign malignant menjadi 4 jenis kanker yaitu well-defined/circumscribed masses (CIRC), Asymmetry (ASYM), calcification (CALC), Other, ill-defined masses (MISC).
7 37 Tabel 4.6 Hasil Klasifikasi Kanker NMF Untuk Setiap r Abnormal Kanker Jumlah Data Jumlah data yang diklasifikasi dengan benar untuk setiap nilai r CIRC ASYM CALC MISC CIRC ASYM CALC MISC Total Hasil ketepatan akurasi tertinggi NMF dengan neural network berdasarkan data di atas adalah : % untuk nilai r = % untuk nilai r = % untuk nilai r = % untuk nilai r = % untuk nilai r= Experimen Menggunakan LNMF 1. LNMF dengan nilai r = 10 Gambar 4.6 Basis Images LNMF dengan nilai r = 10
8 38 Tabel 4.7 Confusion Matrix LNMF nilai r = Jika dilihat dari tabel 4.7 confusion matrix, pada eksperimen ini 29 dari 30 kasus benign dapat diklasifikasi dengan benar dan 3 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 71.11%. 2. LNMF dengan nilai r = 20 Gambar 4.7 Basis Images LNMF dengan nilai r = 20 Tabel 4.8 Confusion Matrix LNMF nilai r = Jika dilihat dari tabel 4.8 confusion matrix, pada eksperimen ini 18 dari 28 kasus benign dapat diklasifikasi dengan benar dan 12 dari 17 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 73.33%. 3. LNMF dengan nilai r = 30
9 39 Gambar 4.8 Basis Images LNMF dengan nilai r = 30 Tabel 4.9 Confusion Matrix LNMF nilai r = Jika dilihat dari tabel 4.9 confusion matrix, pada eksperimen ini 30 dari 30 kasus benign dapat diklasifikasi dengan benar dan 0 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 66.66%. 4. LNMF dengan nilai r = 40 Gambar 4.9 Basis Images LNMF dengan nilai r = 40
10 40 Tabel 4.10 Confusion Matrix LNMF nilai r = Jika dilihat dari tabel 4.10 confusion matrix, pada eksperimen ini 30 dari 30 kasus benign dapat diklasifikasi dengan benar dan 0 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 66.66%. 5. LNMF dengan nilai r = 50 Gambar 4.10 Basis Images LNMF dengan nilai r = 50 Tabel 4.11 Confusion Matrix LNMF nilai r = Jika dilihat dari tabel 4.11 confusion matrix, pada eksperimen ini 29 dari 30 kasus benign dapat diklasifikasi dengan benar dan 2 dari
11 41 13kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 68.88%. Tabel 4.12 Hasil Klasifikasi Kanker LNMF Untuk Setiap r Abnormal Kanker Jumlah Data Jumlah data yang diklasifikasi dengan benar untuk setiap nilai r CIRC ASYM CALC MISC CIRC ASYM CALC MISC Total Hasil ketepatan akurasi tertinggi LNMF dengan neural network berdasarkan data di atas adalah : % untuk nilai r = % untuk nilai r = % untuk nilai r = % untuk nilai r = % untuk nilai r= Experiment Menggunakan NSNMF 1. NSNMF dengan nilai r =10
12 42 Gambar 4.11 Basis Images NSNMF dengan nilai r = 10 Tabel 4.13 Confusion Matrix NSNMF nilai r = Jika dilihat dari tabel 4.13 confusion matrix, pada eksperimen ini 27 dari 30 kasus benign dapat diklasifikasi dengan benar dan 5 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 71.11%. 2. NSNMF dengan nilai r =20 Gambar 4.12 Basis Images NSNMF dengan nilai r = 20 Tabel 4.14 Confusion Matrix NSNMF nilai r = Jika dilihat dari tabel 4.14 confusion matrix, pada eksperimen ini 28 dari 30 kasus benign dapat diklasifikasi dengan benar dan 6 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 75.55%.
13 43 3. NSNMF dengan nilai r =30 Gambar 4.13 Basis Images NSNMF dengan nilai r = 30 Tabel 4.15 Confusion Matrix NSNMF nilai r = Jika dilihat dari tabel 4.15 confusion matrix, pada eksperimen ini 29 dari 30 kasus benign dapat diklasifikasi dengan benar dan 1 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 66.66%. 4. NSNMF dengan nilai r =40 Gambar 4.14 Basis Images NSNMF dengan nilai r = 40 Tabel 4.16 Confusion Matrix NSNMF nilai r = 30
14 Jika dilihat dari tabel 4.16 confusion matrix, pada eksperimen ini 26 dari 30 kasus benign dapat diklasifikasi dengan benar dan 7 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 73.33%. 5. NSNMF dengan nilai r = 50 Gambar 4.15 Basis Images NSNMF dengan nilai r = 50 Tabel 4.17 Confusion Matrix NSNMF nilai r = Jika dilihat dari tabel 4.17 confusion matrix, pada eksperimen ini 28 dari 30 kasus benign dapat diklasifikasi dengan benar dan 4 dari 15 kasus malignant dapat diklasifikasi dengan benar. Berdasarkan hasil ini maka tingkat ketepatan akurasi tertinggi yang didapatkan adalah 71.11%.
15 45 Tabel 4.18 Hasil Klasifikasi Kanker NSNMF Untuk Setiap r Abnormal Kanker Jumlah Data Jumlah data yang diklasifikasi dengan benar untuk setiap nilai r CIRC ASYM CALC MISC CIRC ASYM CALC MISC Total Hasil ketepatan akurasi tertinggi NSNMF dengan neural network berdasarkan data di atas adalah : % untuk nilai r = % untuk nilai r = % untuk nilai r = % untuk nilai r = % untuk nilai r = Pembahasan Hasil Penelitian Data tingkat akurasi dari pengklasifikasian mammogram menjadi benign dan malignant dapat digambarkan sebagai berikut
16 % 70.00% 60.00% 50.00% 40.00% 30.00% 20.00% NMF LNMF nsnmf 10.00% 0.00% r Gambar 4.16 Perbandingan hasil akurasi NMF, LNMF dan nsnmf untuk benign malignant dengan nilai r yang berbeda Dari gambar 4.16 dapat dilihat bahwa nsnmf memiliki tingkat akurasi yang rata rata lebih baik dari NMF dan LNMF. Untuk kasus klasifikasi kelas menjadi benign dan malignant, nsnmf hanya memerlukan nilai r sebesar 20 untuk mencapai akurasi yang tertinggi yaitu 75.55%, sedangkan untuk NMF membutuhkan nilai r sampai dengan 30 dengan akurasi 73.33% dan LNMF membutuhkan nilai r sebesar 20 untuk mencapai akurasi 73.33%. Perbedaan nilai r ini akan mempengaruhi besarnya ukuran basis images, sehingga semakin besar ukuran r, maka untuk menjalankan proses klasifikasi akan membutuhkan waktu yang semakin banyak. Data tingkat akurasi dari pengklasifikasian images mammogram setelah tahap klasifikasi benign dan malignant dapat digambarkan sebagai berikut
17 47 45% 40% 35% 30% 25% 20% 15% NMF LNMF nsnmf 10% 5% 0% r Gambar 4.17 Perbandingan hasil akurasi NMF, LNMF dan nsnmf untuk klasifikasi kanker dengan nilai r yang berbeda Dari gambar 4.17, dapat dilihat nsnmf memiliki performance yang lebih baik dibandingkan dengan metode NMF dan LNMF. Untuk nsnmf dengan nilai r = 10 sudah mendapatkan performance yang terbaik yaitu 40%, sedangkan NMF perlu mendapatkan nilai r sebesar 30 untuk mencapai performance yang terbaik yaitu dengan akurasi 37.77% dan LNMF membutuhkan nilai r sebesar 10 untuk mendapatkan akurasi 33.33%. Di dalam data MIAS ini memiliki beberapa kekurangan, yaitu titik koordinat yang diberikan untuk mendapatkan ROI (Region of Interest) dari gambar mammogram terkadang ada yang tidak tepat. Hal ini dapat menyebabkan turunnya akurasi karena dapat merusak hasil training pada neural network. Jika dibandingkan hasil dari penelitian ini dengan penelitian sejenis mengenai NMF dan mammogram yang dilakukan oleh Buciu dan
18 48 Gascadi.Hasil akurasi tertinggi yang dicapai oleh NMF pada penelitian Buciu dan Gascadi adalah pada saat nilai r = 70 dan r = 80, sedangkan dalam penelitian ini, nilai akurasi tertinggi yang dicapai NMF pada saat nilai r = 30 dan r = 40.Sedangkan untuk nsnmf, sudah mencapai nilai tertinggi pada saat nilai r = 20.Perbedaan hasil ini dapat disebabkan karena perbedaan classifier dan juga adanya image processing di dalam penelitian ini.
BAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini dilakukan eksperimen sebanyak dua kali. Eksperimen pertama dilakukan untuk menguji keberhasilan klasifikasi ROI ke dalam jenis keabnormalan,
BAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Kanker payudara merupakan salah satu penyebab kematian yang sering dialami oleh wanita pada usia lanjut. Tercatat bahwa pada tahun 2011, terdapat lebih
DIAGNOSIS KANKER PAYUDARA PADA MAMMOGRAM MENGGUNAKAN METODE TRANSFORMASI CURVELET DAN CBIR
DIAGNOSIS KANKER PAYUDARA PADA MAMMOGRAM MENGGUNAKAN METODE TRANSFORMASI CURVELET DAN CBIR TRI ADHI WIJAYA [5108100510] Surabaya, 19 Juli 2010 / Ruang Sidang S2 Gedung Teknik Informatika ITS Latar Belakang
BAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini, eksperimen dilakukan dua kali, dimana setiap eksperimen memiliki perbedaan pada pembagian dari kelas-kelas kanker. Eksperimen pertama
BAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1. Implementasi Pengujian dalam penelitian ini dilakukan dengan menggunakan MATLAB 29. Citra mammogram yang digunakan dibagi menjadi tiga kelas, yaitu kelas Normal, Benign
BAB II KAJIANPUSTAKA
BAB II KAJIANPUSTAKA 2.1 Klasifikasi Klasifikasi adalah proses pengelompokan data menjadi suatu kelas berdasarkan kesamaan karakteristik pada data data yang ada. Ada 2 jenis metode yang dapat digunakan
BAB 4 HASIL DAN PEMBAHASAN. untuk pengenalan ekspresi wajah diantara metode Non Negative Matrix
BAB 4 HASIL DAN PEMBAHASAN 4.1. Hasil Penelitian Penelitian akan dilakukan untuk mencari hasil yang paling optimal untuk pengenalan ekspresi wajah diantara metode Non Negative Matrix Factorization (NMF),
BAB 4 IMPLEMENTASI DAN EVALUASI. kanker payudara apakah tergolong normal atau abnormal (benign atau malignant)
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Sistem aplikasi yang kami kembangkan adalah sistem pengklasifikasian jenis kanker payudara apakah tergolong normal atau abnormal (benign atau malignant)
BAB 3 METODOLOGI. melakukan pengamatan dan analisis dari gambar yang didapat. Untuk bisa mendapatkan
BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah 3.1.1 Analisis Kebutuhan Dalam melakukan analisa gambar mammogram, biasanya dokter secara langsung melakukan pengamatan dan analisis dari gambar yang
BAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA 2.1 Computer Aided Mammography Menurut Yusuf (2007), Computer-Aided Mammography (CAM) merupakan sebuah sistem yang digunakan untuk melakukan deteksi dan klasifikasi terhadap kanker
PENELITIAN. David PROGRAM
COMPUTER AIDED DIAGNOSIS SISTEM UNTUK DIGITAL MAMMOGRAM MENGGUNAKAN NEURAL NETWORK DAN DUAL TREE COMPLEX WAVELET TRANSFORM PENELITIAN 11124007555 Program Pascasarjana Ilmu Komputer PROGRAM STUDI MAGISTER
BAB 1 PENDAHULUAN. terjadi terhadap para wanita semenjak beberapa dekade terakhir ini. Tentunya hal ini
BAB 1 PENDAHULUAN 1.1 Latar Belakang Kanker payudara telah menjadi salah satu penyebab kematian terbesar yang terjadi terhadap para wanita semenjak beberapa dekade terakhir ini. Tentunya hal ini menjadi
BAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Kombinasi Teknik Ekstraksi Fitur pada Sistem Temu Kembali Citra Mammogram
Kombinasi Teknik Ekstraksi Fitur pada Sistem Temu Kembali Citra Mammogram Diana Purwitasari Teknik Informatika - FTIF, Institut Teknologi Sepuluh Nopember diana@if.its.ac.id Anugrah Nahari Teknik Informatika
BAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Pengenalan Ekspresi Wajah Manusia Pengenalan ekspresi wajah manusia oleh mesin dapat dideskripsikan sebagai interpretasi terhadap karakteristik ekspresi wajah manusia melalui
PERBANDINGAN DTCWT DAN NMF PADA FACE RECOGNITION MENGGUNAKAN EUCLIDEAN DISTANCE
PERBANDINGAN DTCWT DAN NMF PADA FACE RECOGNITION MENGGUNAKAN EUCLIDEAN DISTANCE David; Ferdinand Ariandy Luwinda Computer Science Department, School of Computer Science, Binus University Jl. K.H. Syahdan
BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker adalah suatu penyakit dimana terjadi pertumbuhan berlebihan atau perkembangan tidak terkontrol dari sel-sel jaringan pada bagian tubuh tertentu. Kanker payudara
BAB III PEMBAHASAN. arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk
BAB III PEMBAHASAN Bab III merupakan pembahasan yang meliputi proses penelitian yaitu arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk klasifikasi stadium kanker payudara,
BAB 1 PENDAHULUAN. tubuh manusia. Hal itu dapat dipicu oleh berbagai faktor. Salah satunya adalah dari
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Di zaman ini, semakin banyak penyakit yang bermunculan dan terjangkit pada tubuh manusia. Hal itu dapat dipicu oleh berbagai faktor. Salah satunya adalah dari makanan
BAB 1 PENDAHULUAN. di bidang pendidikan, keamanan, perkantoran, bahkan pada bidan g
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarangini dunia berada di era digital. Era dimana hampir setiap aspek dalamkehidupan manusia sangat berhubungan erat dengan teknologi komputasi baik di bidang pendidikan,
Klasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM)
IJCCS, Vol.8, No.1, January 2014, pp. 59~68 ISSN: 1978-1520 59 Klasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM) Refta Listia* 1, Agus Harjoko 2 1 Prodi S2/S3 lmu
Convolutional Neural Networks (CNNs) dengan Keras
Convolutional Neural Networks (CNNs) dengan Keras Alfan Farizki Wicaksono Fakultas Ilmu Komputer Universitas Indonesia References http://ufldl.stanford.edu/tutorial/ http://cs231n.github.io/convolutional-networks/
BAB 3 METODOLOGI. 3.1 Rancangan Program Pemilihan Metode. Dalam perancangan program mammogram, telah ditemukan banyak
BAB 3 METODOLOGI 3.1 Rancangan Program 3.1.1 Pemilihan Metode Dalam perancangan program mammogram, telah ditemukan banyak sekali metode yang dapat digunakan. Metode-metode yang ada mencakup program yang
SISTEM DIAGNOSIS MAMMOGRAM DIJITAL BERBANTUKAN KOMPUTER DENGAN MENGGUNAKAN TEKNIK EKSTRAKSI FITUR DAN SUPPORT VECTOR MACHINES
SISTEM DIAGNOSIS MAMMOGRAM DIJITAL BERBANTUKAN KOMPUTER DENGAN MENGGUNAKAN TEKNIK EKSTRAKSI FITUR DAN SUPPORT VECTOR MACHINES Hendry Kosasi Binus University, Jakarta, DKI Jakarta, Indonesia Kevin Setiawan
BAB 1 PENDAHULUAN Latar belakang masalah
BAB 1 PENDAHULUAN 1.1. Latar belakang masalah Saluran pernapasan pada manusia terdiri dari rongga hidung, faring, laring, trakea, percabangan bronkus dan paru-paru (bronkiolus, alveolus). Paru-paru merupakan
BAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Perancangan Sistem Neural Network di Matlab Gambar 3.1 Blok Diagram Perancangan Sistem Neural network 3.1.1 Training Neural Network Untuk pelatihan neural network penulis lebih
PERANCANGAN 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
DAFTAR ISI. KATA PENGANTAR... Error! Bookmark not defined. DAFTAR ISI... i. DAFTAR TABEL... vi. DAFTAR GAMBAR... vii
DAFTAR ISI KATA PENGANTAR... Error! Bookmark not defined. DAFTAR ISI... i DAFTAR TABEL... vi DAFTAR GAMBAR... vii BAB I PENDAHULUAN... Error! Bookmark not defined. 1.1 Latar Belakang... Error! Bookmark
LAPORAN SKRIPSI DETEKSI KANKER PAYUDARA MENGGUNAKAN EKSTRAKSI FITUR STATISTICAL PADA CITRA MAMMOGRAM BERBASIS JARINGAN SYARAF TIRUAN
LAPORAN SKRIPSI DETEKSI KANKER PAYUDARA MENGGUNAKAN EKSTRAKSI FITUR STATISTICAL PADA CITRA MAMMOGRAM BERBASIS JARINGAN SYARAF TIRUAN Oleh : WAHYU JATMIKA 2009-51-009 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU
BAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Computer Aided Detection (CADe) and Diagnosis (CADx) Mammogram Sejak 1998, teknologi CADe telah disetujui oleh FDA (Food and Drug Administration) untuk digunakan dalam mammography
LAPORAN SKRIPSI DETEKSI KANKER OTAK PADA DATA MRI MELALUI JARINGAN SYARAF TIRUAN DENGAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM
LAPORAN SKRIPSI DETEKSI KANKER OTAK PADA DATA MRI MELALUI JARINGAN SYARAF TIRUAN DENGAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM Oleh : Saeful Anwar 2009-51-030 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT
BAB I PENDAHULUAN. pengetahuan yang sangat populer saat ini. Dengan ilmu pengetahuan ini, teknologi di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi Informasi dan Komunikasi (TIK) merupakan suatu cabang ilmu pengetahuan yang sangat populer saat ini. Dengan ilmu pengetahuan ini, teknologi di dunia
BAB I PENDAHULUAN. jaringan ikat pada payudara. Terdapat beberapa jenis kanker payudara antara lain
BAB I PENDAHULUAN A. Latar Belakang Kanker payudara adalah pertumbuhan sel-sel pada jaringan payudara secara abnormal, terus menerus, tidak terkontrol dan tidak terbatas. Kanker bisa mulai tumbuh di dalam
BAB 1 PENDAHULUAN. saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Cepatnya perubahan fluktuasi harga index saham membuat para pemegang saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung. Saham yang mempunyai
BAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Artificial Neural Network atau jaringan syaraf tiruan merupakan bidang yang sangat berkembang saat ini. Pemanfaatan teknologi mesin dan computer yang tidak terbatas
BAB 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
DETEKSI KELAINAN KANKER PAYUDARA BERDASARKAN CITRA MAMMOGRAM MENGGUNAKAN JARINGAN SYARAF TIRUAN LVQ (LEARNING VEQTOR QUANTIZATION)
DETEKSI KELAINAN KANKER PAYUDARA BERDASARKAN CITRA MAMMOGRAM MENGGUNAKAN JARINGAN SYARAF TIRUAN LVQ (LEARNING VEQTOR QUANTIZATION) Juwita Puteri Nurasyah¹, Achmad Rizal², Koredianto Usman³ ¹Teknik Telekomunikasi,,
PEMANFAATAAN 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
UKDW BAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Topik yang sering mendapat perhatian khusus dalam bidang Digital Image Processing adalah mengenai pengenalan pola (pattern recognition). Sistem pengenalan pola tidak
BAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam perkembangan teknologi yang semakin pesat ini banyak sekali perubahan perkembangan yang telah terjadi untuk membantu kehidupan masyarakat. Dalam perkembangan
BAB IV HASIL DAN PENGUJIAN. Perancangan perangkat lunak terdiri dari beberapa bagian, yaitu perangkat
BAB IV HASIL DAN PENGUJIAN Perancangan perangkat lunak terdiri dari beberapa bagian, yaitu perangkat lunak berbasis shadow feature dan multi layer perceptron (MLP), pada bagian shadow feature bagian input
PENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Indonesia merupakan negara tropis yang memiliki + 30.000 spesies tumbuh-tumbuhan ([Depkes] 2007). Tumbuh-tumbuhan tersebut banyak yang dibudidayakan sebagai tanaman hias. Seiring
BAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Metode Penelitian Penelitian ini menggunakan jenis penlitian eksperimen, dengan tahapan penelitian sebagai berikut: 1. Pengumpulan Data Tahap ini dilakukan sebagai langkah
BAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Oleh : Alif Tober Rachmawati
Perancangan softsensor steam quality pada steam generator dengan optimasi nilai spesifik volume dengan metode jaringan syaraf tiruan (JST) Oleh : Alif Tober Rachmawati 2410105022 Latar Belakang Steam generator
Deteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation
Deteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation Tri Deviasari Wulan 1, Endah Purwanti 2, Moh Yasin 3 1,2 Program Studi Fisika Fakultas Sains dan Teknologi
BAB 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
UCAPAN TERIMAKASIH. Denpasar, Agustus Penulis
UCAPAN TERIMAKASIH Pertama-tama perkenankanlah penulis memanjatkan puji syukur ke hadapan Ida Sang Hyang Widhi Wasa karena hanya atas asung wara nugraha-nya, tesis ini dapat diselesaikan. Pada kesempatan
IMPLEMENTASI DAN ANALISIS SISTEM PENGENALAN WAJAH DALAM RUANGAN PADA VIDEO MENGGUNAKAN METODE LNMF DAN NMFsc
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 389 IMPLEMENTASI DAN ANALISIS SISTEM PENGENALAN WAJAH DALAM RUANGAN PADA VIDEO MENGGUNAKAN METODE LNMF DAN NMFsc IMPLEMENTATION
Perbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik
Perbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik Imam Sutoyo AMIK BSI JAKARTA e-mail: imam.ity@bsi.ac.id Abstrak - Klasifikasi peserta didik merupakan kegiatan yang sangat penting
PENGENALAN 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
KLASIFIKASI UNTUK DIAGNOSA DIABETES MENGGUNAKAN METODE BAYESIAN REGULARIZATION NEURAL NETWORK (RBNN)
JURNAL INFORMATIKA VOL.11.NO1, JAN 2017 KLASIFIKASI UNTUK DIAGNOSA DIABETES MENGGUNAKAN METODE BAYESIAN REGULARIZATION NEURAL NETWORK (RBNN) M.Fadly Rahman 1, M.Ilham Darmawidjadja 2, Dion Alamsah 3 Teknik
BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pengembangan teknologi diharapkan menghasilkan berbagai hal yang berguna untuk memenuhi kebutuhan masyarakat serta memberi kemudahan dan kenyamanan pada pengguna
BAB 1 PENDAHULUAN. dengan proses pengolahan citra digital (digital image processing), dimana data berupa
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada awalnya, komputer hanya dapat digunakan untuk melakukan pemrosesan terhadap data numerik. Tetapi pada sekarang ini, komputer telah membawa banyak perubahan dan
BAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Optimasi Conjugate Gradient Pada Backpropagation Neural Network untuk Deteksi Kualitas Daun Tembakau
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Optimasi Conjugate Gradient Pada Backpropagation Neural Network untuk Deteksi Kualitas Daun Tembakau Yuslena Sari 1, Finki
PENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG)
PENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG) Zaenal Abidin Jurusan Matematika Universitas Negeri Semarang Kampus Sekaran
BAB 4 PEMROSESAN CITRA DAN IMPLEMENTASI Pemrosesan Citra dan Rancangan Eksperimen untuk Fusi Citra
BAB 4 PEMROSESAN CITRA DAN IMPLEMENTASI 4.1. Pemrosesan Citra dan Rancangan Eksperimen untuk Fusi Citra Pada fusi data citra fluorescent hijau dan fluorescent merah penulis melakukan Pixel Level Fusion
PERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA
PERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA Bharasaka Krisnandhika 51412445 Dr. Dewi Agushinta
BAB IV HASIL PENELITIAN DAN PEMBAHASAN. fold Cross Validation, metode Convolutional neural network dari deep learning
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Program P rinsip kerja program yaitu dengan melakukan pra pengolahan citra terhadap foto fisik dari permukaan buah manggis agar ukuran seluruh data
KOMPRESI DAN PENGENALAN CITRA WAJAH DENGAN PENDEKATAN NON-NEGATIVE MATRIX FACTORIZATION
KOMPRESI DAN PENGENALAN CITRA WAJAH DENGAN PENDEKATAN NON-NEGATIVE MATRIX FACTORIZATION Christianto Mewlando Binus University, Jakarta, DKI Jakarta, Indonesia Fictor Benny Kurniawan Usodo Binus University,
Identifikasi Abnormalitas Paru-Paru Pada Citra Foto Thorax (Chest X-Ray) menggunakan Metode Wavelet Daubechies dan Jaringan Syaraf Tiruan
Identifikasi Abnormalitas Paru-Paru Pada Citra Foto Thorax (Chest X-Ray) menggunakan Metode Wavelet Daubechies dan Jaringan Syaraf Tiruan Rezkiana Hasanuddin rezkianaaa@gmail.com Deasy Mutiara Putri deasymutiaraputri@gmail.com
BAB 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.
BAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Tahap 1 : Identifikasi Permasalahan Mencari literatur-literatur yang berhubungan dengan bahan penelitian. Tahap 2 : Pengambilan Data Training : Testing 5 : 1 150 : 30 Dari 10 responden
Pengenalan 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
Oleh: 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
PERBANDINGAN KOEFISIEN NMF DAN PROYEKSI BILINEAR SPACE SEBAGAI FITUR PADA PENGENALAN EKSPRESI WAJAH MANUSIA
PERBANDINGAN KOEFISIEN NMF DAN PROYEKSI BILINEAR SPACE SEBAGAI FITUR PADA PENGENALAN EKSPRESI WAJAH MANUSIA William Salim Computer Science Department, School of Computer Science, Binus University Jl. K.
BAB 3 ANALISIS DAN PERANCANGAN SISTEM PROGRAM APLIKASI HANDS RECOGNIZER
BAB 3 ANALISIS DAN PERANCANGAN SISTEM PROGRAM APLIKASI HANDS RECOGNIZER Dalam analisis dan perancangan sistem program aplikasi ini, disajikan mengenai analisis kebutuhan sistem yang digunakan, diagram
BAB I PENDAHULUAN 1 Bab 1
BAB I PENDAHULUAN 1 Bab 1 1.1 Latar Belakang Masalah Selama ini PT. Prima Karya Sarana Sejahtera (PKSS) dalam melakukan pendaftaran calon staff pembina masih dilakukan secara offline dan juga dalam mengolah
Tujuan 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
BAB I PENDAHULUAN. saluran kelenjar dan jaringan penunjang payudara, tidak termasuk kulit payudara
BAB I PENDAHULUAN A. Latar Belakang Kanker payudara adalah tumor ganas yang berasal dari sel kelenjar, saluran kelenjar dan jaringan penunjang payudara, tidak termasuk kulit payudara (Departemen Kesehatan,
Disusun oleh: Aziza Ratna Kumala
PERBANDINGAN K-MEANS DAN FUZZY C-MEANS CLUSTERING PADA MODEL RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN) UNTUK KLASIFIKASI STADIUM KANKER PAYUDARA SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu
PERBANDINGAN EKSTRAKSI CIRI PADA DATA MAMMOGRAM UNTUK IDENTIFIKASI MIKROKALSIFIKASI
PERBANDINGAN EKSTRAKSI CIRI PADA DATA MAMMOGRAM UNTUK IDENTIFIKASI MIKROKALSIFIKASI Endang Supriyati Fakultas Teknik, Program Studi Teknik Informatika Universitas Muria Kudus Email: esupriyati@gmail.com
BAB I PENDAHULUAN. Universitas Sumatera Utara
BAB I PENDAHULUAN Bab ini membahas tentang latar belakang, rumusan masalah, batasan masalah, tujuan masalah, manfaat penelitian, metodologi penelitian, dan sistematika penulisan pada skripsi. 1.1. Latar
BAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
BAB III ANALISIS DAN PENYELESAIAN MASALAH
BAB III ANALISIS DAN PENYELESAIAN MASALAH 3.1 Deskripsi Sistem Gambar III-1 Deskripsi Umum Sistem Pada gambar III-1 dapat dilihat deskripsi sistem sederhana yang mendeteksi intrusi pada jaringan menggunakan
1. BAB I PENDAHULUAN
1. BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Deteksi kulit manusia berperan penting dan digunakan secara luas sebagai langkah awal pada aplikasi pengolahan citra seperti gesture analysis, content based
PENGENALAN POLA HURUF ALPHABET ABSTRAK
PENGENALAN POLA HURUF ALPHABET Tugas Akhir N. A. Pamungkas 1, Firdaus 2, E. S. Wahyuni 3 1. Penulis, Mahasiswa Jurusan Teknik Elektro Universitas Islam Indonesia 2. Dosen Pembimbing, Staf Pengajar di Jurusan
Pengenalan Huruf Dan Angka Tulisan Tangan Mengunakan Metode Convolution Neural Network (CNN) Sam ani 1, M. Haris Qamaruzzaman 2
Pengenalan Huruf Dan Angka Tulisan Tangan Mengunakan Metode Convolution Neural Network (CNN) Sam ani 1, M. Haris Qamaruzzaman 2 1 Teknik Informatika, 2 Manajemen Informatika - STMIK Palangkaraya 1 sam.stmikplk@gmail.com,
BAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Permainan catur cina, yang dikenal sebagai xiang qi dalam bahasa mandarin, merupakan sebuah permainan catur traditional yang memiliki jumlah 32 biji catur. Setiap
BAB III PERANCANGAN DAN METODOLOGI
BAB III PERANCANGAN DAN METODOLOGI Setelah bab sebelumnya membahas tentang teori teori yang mendasari perancangan dalam Tugas Akhir ini, maka pada bab ini akan dijelaskan mengenai bentuk perancangan Jaringan
BAB 3 METODOLOGI. untuk mengurangi adanya false positive dan false negative. False positive dalam hal ini
34 BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah Dalam proses diagnosis kanker payudara dibutuhkan akurasi yang tinggi untuk mengurangi adanya false positive dan false negative. False positive dalam
BAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Piranti yang digunakan untuk pelatihan maupun pengujian sistem terdiri dari perangkat keras dan perangkat lunak. 4.1.1 Perangkat Keras Perangkat keras
HALAMAN 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
BAB 1 PENDAHULUAN. Data medis manusia adalah salah satu data yang paling bermanfaat
1 BAB 1 PENDAHULUAN 1.1. Latar Belakang Data medis manusia adalah salah satu data yang paling bermanfaat namun sulit dari semua data biologis untuk menggali dan menganalisis informasi. Tiga perempat miliaran
1. Pendahuluan Perumusan Masalah Dari latar belakang yang dipaparkan di atas, masalah yang dapat dirumuskan adalah:
1. Pendahuluan 1.1. Latar Belakang Wajah manusia dapat menunjukkan dimorfisme seksual yang cukup jelas [1][2][3][4][5]. Wajah pria dan wanita memiliki bentuk dan tekstur yang berbeda, dan petunjuk yang
UNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
7 UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 PERANCANGAN APLIKASI PENGENAL PLAT NOMOR KENDARAAN BERMOTOR DENGAN PENDEKATAN BACKPROPAGATION
BAB I PENDAHULUAN. Machine learning (ML), bagian dari kecerdasan buatan (artificial
BAB I PENDAHULUAN 1. 1.1. Latar Belakang Machine learning (ML), bagian dari kecerdasan buatan (artificial intelligence), merupakan metode untuk mengoptimalkan performa dari sistem dengan mempelajari data
BAB I PENDAHULUAN. Manggis (Garcinia mangostana L.) merupakan tanaman yang tumbuh di
BAB I PENDAHULUAN 1.1 Latar Belakang Manggis (Garcinia mangostana L.) merupakan tanaman yang tumbuh di daerah tropis dan berasal dari Indonesia yang menjadi komoditas utama perdagangan nasional serta mempunyai
UNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2006/2007 ANALISIS DAN PERANCANGAN PERANGKAT LUNAK PENGENALAN JENIS ALAT MUSIK BERDASARKAN SUMBER SUARANYA
BAB I PENDAHULUAN. tangan dijadikan alat untuk menganalisis kepribadian pemiliknya. Sebuah
BAB I PENDAHULUAN 1.1 Latar Belakang Tulisan tangan merupakan salah satu hal unik yang dapat dihasilkan oleh manusia selain tanda tangan. Seperti halnya tanda tangan, tulisan tangan juga dapat digunakan
pengambilan citra video, pemrosesan citra pada setiap frame,, pendeteksian objek
BAB IV MODEL SISTEM 4.1. Model Sistem Aplikasi yang dibangun adalah aplikasi yang dapat mengolah citra yang diambil dari kamera video, dan menganalisisnya untuk mengetahui keberadaan suatu objek. Ada beberapa
BAB I PENDAHULUAN. beberapa dekade ini. Kanker paru merupakan pertumbuhan sel-sel abnormal yang
BAB I PENDAHULUAN A. Latar Belakang Kanker paru telah menjadi salah satu kanker yang sering terjadi dalam beberapa dekade ini. Kanker paru merupakan pertumbuhan sel-sel abnormal yang tak terkendali pada
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
SNIPTEK 2014 ISBN:
KOMPARASI MENGGUNAKAN ALGORITMA C4.5, NEURAL NETWORK DAN NAÏVE BAYES DALAM PREDIKSI UJIAN KOMPENTENSI SMK MAHADHIKA 4 JAKARTA Aswan Supriyadi Sunge STMIK Nusa Mandiri mardian82@gmail.com Kaman Nainggolan
BAB I PENDAHULUAN. banyak kemungkinan tulisan dengan huruf yang khas mempunyai histories
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Keberadaan sebuah tulisan bagi masyarakat, merupakan hal yang penting untuk berkomunikasi dengan orang lain selain dengan bahasa (lisan). Disisi lain banyak
ADLN - 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
BAB I PENDAHULUAN. terkontrol pada jaringan paru. Munculnya kanker ditandai dengan
BAB I PENDAHULUAN A. Latar Belakang Kanker paru adalah penyakit pertumbuhan jaringan yang tidak dapat terkontrol pada jaringan paru. Munculnya kanker ditandai dengan pertumbuhan sel yang tidak normal,
BAB 4 PENGUJIAN DAN ANALISA
57 BAB 4 PENGUJIAN DAN ANALISA Pengujian dan analisa pada Bab 4 ini pada intinya adalah untuk mengetahui tingkat keberhasilan suatu sistem dengan metode yang sudah ditentukan. Masing masing metode mempunyai