BAB IV HASIL DAN PEMBAHASAN
|
|
- Widya Hermawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 60 BAB IV HASIL DAN PEMBAHASAN 41 Hasil Eksperimen E-nose terdiri dari 4 buah sensor gas dimana masing-masing dari sensor tersebut memiliki kepekaan yang berbeda pada saat pendeteksian aroma Jenis teh yang diuji dalam penelitian ini merupakan jenis teh hitam yang diperoleh dari Pusat Teh dan Kia (PPTK) Pengujian aroma teh dengan menggunakan E-nose yang dilengkapi dengan 4 sensor kimia, akan memperoleh data perubahan voltase dari masing-masing jenis teh hitam tersebut Grafik perubahan voltase pada masing-masing sensor dapat dilihat pada gambar 41 Perubahan voltase terbesar ada pada sensor TGS822, dimana sensor TGS822 memiliki kepekaan terhadap gugus alkohol Walaupun setiap sensor didesign hanya sensitif terhadap aroma teh tertentu, namun setelah disusun secara kolektif dalam bentuk rangkaian sensor gas, keluaran masing-masing sensor akan memberikan kontribusi dalam membentuk pola unik pada setiap jenis teh (Triyana, 1997) Menurut Yamanishi (1995) komposisi kimia yang mempengaruhi aroma teh berupa senyawa-seyawa hydrocarbons, alcohols, aldehydes, acids, esters, sulfur dan nitrogenous
2 61 Gambar 41 Grafik perubahan voltase pada sampel teh hitam jenis BP2 Gambar 42 mengabarkan respon sensor teh hitam jenis DT2 pada sensor salah satu sensor, yaitu TGS822 Grafik pada gambar 42 terdapat 5 siklus proses pembacaan aroma teh Dalam 1 siklus pembacaan aroma terjadi 2 proses penghisapan, yaitu 1 proses penghisapan udara bersih dan 1 proses penghisapan aroma teh Perpindahan proses penghisapan udara bersih ke aroma teh terdapat time off selama 5 detik Ketika terjadi penghisapan udara bersih, grafik akan turun dan ketika dilakukan penghisapan aroma teh, grafik akan naik Hal ini terjadi karena ketika muncul aroma, terhadi reaksi terhadap gas sensor berupa perugahan tahanan Besarnya perubahan tahanan pada masing-masing sensor berbeda Dengan adanya perubahan terkanan mengakibatkan perubahan voltasi pada masing-masing sensor Dari kelima siklus tersebut akan membentuk alur garis(grafik)
3 62 Gambar 42 Grafik perubahan voltase sensor TGS822 pada sampel teh hitam jenis DT2 Contoh perubahan voltase pada ketiga jenis teh dapat dilihat pada gambar 43 Secara umum dapat dilihat untuk teh jenis BP2 memiliki nilai voltase yang lebih besar dibandingkan dengan jenis lainnya Semakin besar voltase yang ditunjukan, maka akan semakin besar pula kandungan komponen-komponen aroma teh Perbedaan hasil yang didapat dari ketiga jenis teh tersebut dikarenakan mutu dari teh hitam tersebut Mutu teh hitam hasil pengolahan terutama ditentukan oleh bahan bakunya yaitu daun segar hasil petikan (Arifin, 1994)
4 63 Gambar 43 Grafik perubahan voltase sensor TGS822 pada tiga jenis teh (BP2, BT2 dan DT2) 411 Ekstrasi Ciri Menurut Suranjan Panigrahi (2006) DWT ortogonal genap menunjukan hasil yang lebih baik dalam denoising dan kompresi dibandingkan dengan DWT orthogonal ganjil Tinjauan tersebut menunjukan DB4, DB8 dan DB20 pada level 3 dan 6 sebagai wavelet yang umum untuk denoising dan kompresi dari noise sinyal Keriteria pemilihan level dokomposisi yang optimal adalah perbedaan antara siyal denoised dan asli DWT memungkin dapat menjadi yang terbaik untuk transformasi denoising dan kompresi, karena mencari resolusi terbaikbaik dari data dengan meningkatkan tingkat dekomposisi DB8 wavelet digunakan untuk aplikasi ini Pilihan tingkat dekomposisi tergantung pada jenis dari sinyal bising Level dekomposisi digunakan oleh peneliti berbeda dalam setiap aplikasi, namun, level 3 seperti yang disarankan oleh Pasti dkk (1999) dan tren optimal yang serupa ditemukan oleh Roy dkk (1998) dan Jiang (2006)
5 64 Analisis wavelet dilakukan dengan menggunakan toolbox sinyal wavelet dari perangkat lunak MATLAB Sinyal E-nose seperti dapat dilihat pada gambar 44 diuji untuk denoising dan kompresi menggunakan Daubechies DB4 dan tranformasi di level 3 dari dekomposisi Setelah dilakukan dekomposisi level 3, komponen sinyal asli terpadu dalam perkiraan (a3) dan noise terkonsentrasi dalam grafik (d1, d2, d3) dengan informasi tentang sinyal Gambar 44 : Dekomposisi dari sinyal E-nose (sensor TGS880 pada teh BP2)level 3 dengan mengunakan Daubechies DB8 wavelet transform Transformasi dengan menggunakan wavelet bertujuan untuk mendapatkan fitur atau ciri dari masing-masing tehgambar 45 dan Gambar 46 Merupakan hasil transformasi wavelet yang menggambarkan ciri dari jenis the BP2
6 65 (a) (b) (c) (d) Gambar45 Grafik koefisien perkiraan sampel teh hitam BP2 dengan dekomposisi DB 4 Level 6 (a) Sensor TGS880, (b) Sensor TGS826, (c) Sensor TGS822 dan (d) Sensor TGS825
7 66 (a) (b) (c) (d) Gambar46 Grafik koefisien perkiraan sampel teh hitam BP2 dengan dekomposisi DB 4 Level 6 (a) Sensor TGS880, (b) Sensor TGS826, (c) Sensor TGS822 dan (d) Sensor TGS825 Kompresi dari dekompresi sinyal E-nose dengan kesalahan 1,75e -11 memungkinkan dengan hanya 13,12% total wavelet koefisien Hasil analisis menunjukkan bahwa untuk db8 menggunakan dekomposisi level 3, menghasilkan error 4,22e -11 dengan 13,53% koefisien wavelet Dengan menggunakan DB20 menghasilkan error 2,43e -10 dengan 14,76 % koefisien wavelet Selanjutnya, untuk fungsi wavelet yang sama (DB4, DB8 dan Db20), tingkat dekomposisi diubah dari 3 menjadi 6 Untuk level dekomposisi 6, sinyal rekonstruksi adalah mungkin dengan hanya 2,00%, 2,41% dan 3,82% dari jumlah total koefisien wavelet
8 67 Tabel 41 Persentase Error dan wavelet koefisien perkiraan transformasi wavelet dari data e-nose Teh BP2 BT2 DT2 Wavelete db4 db8 db20 db4 db8 db20 db4 db8 db20 Level TGS880 TGS826 TGS822 TGS825 wavelet wavelet wavelet wavelet error koefisien (%) error koefisien (%) error koefisien (%) error koefisien (%) 3 1,75E 11 13,12 9,83E 11 13,12 2,56E 10 13,12 1,70E 10 13,12 6 3,21E 11 2,00 3,53E 10 2,00 6,42E 10 2,00 4,17E 10 2,00 3 4,22E 11 13,53 2,31E 10 13,53 6,26E 10 13,53 4,10E 10 13,53 6 8,40E 11 2,41 9,26E 10 2,41 1,62E 09 2,41 1,06E 09 2,41 3 2,43E 11 14,76 1,52E 10 14,76 3,78E 10 14,76 2,37E 10 14,76 6 6,61E 11 3,82 8,00E 10 3,82 1,24E 09 3,82 8,13E 10 3,82 3 1,31E 12 13,12 4,08E 11 13,12 3,22E 11 13,12 1,67E 11 13,12 6 1,85E 11 2,00 2,91E 10 2,00 4,34E 10 2,00 2,39E 10 2,00 3 4,01E 12 13,53 1,19E 10 13,53 1,06E 10 13,53 5,54E 11 13,53 6 4,93E 11 2,41 7,52E 10 2,41 1,11E 09 2,41 6,32E 10 2,41 3 4,92E 12 14,76 1,31E 10 14,76 1,27E 10 14,76 6,51E 11 14,76 6 4,12E 11 3,82 6,12E 10 3,82 9,25E 10 3,82 5,24E 10 3,82 3 1,93E 12 13,12 4,97E 11 13,12 6,70E 11 13,12 3,64E 11 13,12 6 2,24E 11 2,00 3,69E 10 2,00 6,00E 10 2,00 3,55E 10 2,00 3 6,37E 12 13,53 1,46E 10 13,53 2,11E 10 13,53 1,18E 10 13,53 6 5,80E 11 2,41 9,79E 10 2,41 1,50E 09 2,41 9,01E 10 2,41 3 7,80E 12 14,76 1,26E 10 14,76 2,55E 10 14,76 1,43E 10 14,76 6 4,49E 11 3,82 8,49E 10 3,82 1,12E 09 3,82 7,26E 10 3,82 Tabel 41 memperlihatkan hasil transformasi wavelet menggunakan menggunakan Daubechie(DB4, DB8 dan DB20) dengan menggunakan dekomposisi di level 3 dan 6 Untuk fungsi wavelet yang sama (DB4, DB8 dan DB20), tingkat dekomposisi diubah dari 3 sampai 6 Dengan fungsi wavelet yang sama, semakin tinggi level dekomposisi maka koefisien wavelet akan semakin kecil Gambar 47a menunjukan sinyal asli yang diperoleh dari sensor TGS880 pada jenis teh BP2 Sedangkan gambar 47b menunjukan perbandingan antara sinyal asli dan sinyal rekonstruksi Dimana dekomposisi wavelet membersihkan dari noise, sehingga sinyal rekonstruksi tidak terdapat noise lagi
9 68 (a) (b) Gambar 47 : Rekonstruksi sinyal menggunakan Db8 (dekomposisi level 6) (a) Sinyal asli, (b) Rekonstruksi Setelah sinyal di dekomposisi menggunakan wavelet, maka akan terbentuk perubahan data seperti pada gambar 48 Dari gambar tersebut dapat dilihat adanya perubahan baris data t(k) menjadi T(m) Nilai k lebih kecil dari m, karena dekomposisi wavelet melakkuan kompresi dari data Sehingga nilai-nilai pada
10 69 setiap sensor juga berubah Dekomposisi wavelet tidak mengurangi jumlah kolom yang mepresentasikan jumalah sensor Sensor 1 Sensor 2 Sensor n t k (0) x 0,1 x 0,2 x 0,n t k (1) x 1,1 x 1,2 x 1,n t k (k) x k,1 x k,2 x k,n W f Sensor 1 Sensor 2 Sensor n T(0) X 0,1 X 0,2 X 0,n T(1) X 1,1 X 1,2 X 1,n T(m) X m,1 X m,2 X m,n Gambar 48 Perubahan data sinyal Analisis Komponen Utama banyak dalama penelitian ini digunakan untuk memproyeksikan atau mengubah kolom data berukuran 4 menjadi bentuk sajian data dengan ukuran 2 Transformasi PCA terhadap sebuah ruang data yang besar akan menghasilkan sejumlah vektor basis ortonormal dalam bentuk kumpulan
11 70 vektor eigen dari suatu matriks kovarian tertentu yang dapat secara optimal menyajikan distribusi data Sasaran dari PCA adalah menangkap variasi total dari citra yang ada di dalam basis data yang dilatihkan Untuk kemudian mereduksinya sehingga menjadi variabel-variabel yang lebih sedikit Dengan reduksi ini maka waktu komputasi dapat dikurangi dan kompleksititas dari ciri yang tidak perlu dapat dihilangkan Gambar 49 memperlihatkan kumpulan data yang sudah di transformasi dengan PCA Jumalah 4 sensor menggambarkan 4 dimensi data, kemudian di transformasi menjadi dimensi 2 dimensi yaitu PC1 dan PC2 Hasilnya memperlihatkan bahwa Principle Component atau Komponen Utama ke-1 dan ke- 2 (PC1 dan PC2) mampu menyerap 9754% dan 1,88% keragaman data, sedamgkan PC3 dan PC4 masing-masing 056%, 002% Principal Components Analysis BP2 BT2 DT2 PC PC1 a Gambar 49 PCA pada semua data teh (BP2, BT2, DT2)
12 Klasifikasi Pola 4121 Support Vector Machine Klasifikasi pola pada penelitian ini menggunakan SupportVectorMachine(SVM) SVM merupakansalahsatu tekniksupervised learningdimana pembelajarandilakukan dengan menggunakan data-data yang sudahjelaskelasnyas V M mampu melakukan klasifikasi dengan baik Hal ini disebabkan karena pencarian solusi optimal yang dilakukan oleh SVM bertujuan untuk mencari solusi optimal berdasarkan data yang dimiliki sekarang ini, dan bukan bertujuan mencari solusi yang optimal untuk data yang tidak terbatas Pada dasarnya,svmdirancanghanyauntukmasalahklasifikasibiner, dimana data yang terdapat di dalam suatu model SVM hanya mungkin terklasifikasi ke dalam dua kelas saja Walaupun demikian dilakukan sebuah pendekatan agar dapat dilakukan pemecahan untuk dapat mengklasifikasi lebih dari 2 kelas Pada penelitian ini dilakukan SVM mutti kelas dengan menggunakan one-against-all, dimana setiap data yang terdapat di dalamsalahsatukelassvmakandibandingkandengangabungandaridatadatayangbukanmerupakananggotakelastersebut Gambar 410 menunjukan sampel yang akan diuji dengan SVM Data 1 mengambarkan data dari BP2 dan 0 merupakan data selain data BP2 (data BT2 dan DT2) Gambar 411 merupakan hasil dari pembelajaran menggunakan SVM multi kelas dengan karnel Gausian Hasil yang didapat dari pembelajaran tersebut menghasilkan performa klasifikasi sebesar 94,14%
13 72 Gambar 410Training data BP2 Gambar 411Testing data BP2 Gambar 412 menunjukan sampel yang akan diuji dengan SVM Data 1 mengambarkan data dari BT2 dan 0 merupakan data selain data BT2 (data BP2 dan DT2) Gambar 413 merupakan hasil dari pembelajaran
14 73 menggunakan SVM multi kelas dengan karnel Gausian Hasil yang didapat dari pembelajaran tersebut menghasilkan performa klasifikasi sebesar 87,09% Gambar 412Training data BT2 Gambar 413Testing data BT2
15 74 Gambar 414 menunjukan sampel yang akan diuji dengan SVM Data 1 mengambarkan data dari DT2 dan 0 merupakan data selain data DT2 (data BP2 dan DT2) Gambar 415 merupakan hasil dari pembelajaran menggunakan SVM multi kelas dengan karnel Gausian Hasil yang didapat dari pembelajaran tersebut menghasilkan performa klasifikasi sebesar 80,95% Gambar 414Training data DT2
16 75 Gambar 415Testing data DT2 Tabel 42 merupakan parameter-parameter yang didapat dari hasil training menggunakan Support Vector Machine (SVM) adalah fungsi kernel, bias, shift dan scale Kemudian parameter-parameter SVM tersebut akan digunakan dalam proses pengujianteh hitam Tabel 42Parameter-parameter SVM pada teh hitam wavelet Teh Fungsi Kernel Bias Shfit scale BP2 Radial Basis 0,04 33,07 1,97 4,98E 04 3,69E 03 DB4 BT2 Radial Basis 0,56 9,26 0,24 5,08E 04 3,60E 03 DT2 Radial Basis 0,71 17,94 0,12 4,99E 04 3,66E 03 BP2 Radial Basis 0,00 21,61 6,22 5,10E 04 3,61E 03 DB8 BT2 Radial Basis 0,56 17,60 10,17 5,03E 04 3,64E 03 DT2 Radial Basis 0,70 43,86 2,94 5,15E 04 3,71E 03 BP2 Radial Basis 0,05 60,99 0,89 5,23E 04 3,46E 03 DB20 BT2 Radial Basis 0,56 6,47 2,34 5,17E 04 3,51E 03 DT2 Radial Basis 0,74 1,93 9,93 5,27E 04 3,45E 03
17 76 Hasil rata-rata klasifikasi data teh hitam ditampilkan pada table 43, dan hasil untuk masing-masing pada lampiran Tabel L1 Untuk semua nilai performa klasifikasi diperoleh dari ekstraksi fitur menggunakan DWT DB4, DB8 dan DB20 pada tingkat dekomposisi 6 Tabel 43 Performa rata-rata klasifikasi menggunakan SVM Teh wavelet BP2 BT2 DT2 db4 94,14% 87,09% 80,95% db8 95,98% 87,45% 82,02% db20 96,82% 96,94% 86,71% 4122 Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) dapat mengenali pola aroma teh dengan menggunakan parameter-parameter masukan sebagai berikut : Iterasi maksimum = 1000 Batas toleransi error = 10-4 Jumlah pelatihan = 3 data masukan Training data = 60% Testing data = 40%
18 77 Jumlah hidden Neuron = 10 Form tampilan JST ditampilkan pada gambar 412 Gambar 414Form tampilan JSTRadial Basis Function Hasil klasifikasi data teh hitam dengan menggunakan JSTRadial Basis Functionditampilkan pada table 44 Untuk semua nilai performa klasifikasi diperoleh dari ekstraksi fitur menggunakan DWT db4, db8 dan db20 pada tingkat dekomposisi 6
19 78 Tabel 44 Performa klasifikasi Menggunakan JST Wavelet Hidden Neuron Klasifikasi (%) db ,52% db ,37% db ,00% 42 Pembahasan Berdasarkan hasil eksperimen penentuan level dekomposisi wavelet yang terbaik adalah 6 Karena error yang dihasilkan masih relatif kecil dengan koefisien wavelet hanya 2,00% Berdasarkan hasil pengurangan dimensi dengan menggunakan Principal Component Analysis (PCA), Komponen PC1 memiliki keragaman 9754%, PC2 1,88% Total persentase keragaman PC1 dan PC2 cukup besar bisa dinilai cukup untuk menangkap struktur data, sehingga pengurangan dimensi dapat dilakukan menjadi dua dimensi yaitu PC1 dan PC2 Pada pengenalan pola pada masing-masing wavelet Daubechies, DB20 memiliki performa yang lebih baiksedangkan performa yang paling rendah ada pada Daubechies DB4 Pengenalan pola menggunakan Support Vector Machine yang dilakukan dalam penelitian, jenis teh BP2 adalah yang paling bisa dikenal dengan baik Nilai akurasi pada teh BP2 sebesar 96,82% pada Daubechies DB20 dengan level dekomposisi 6
20 79 Dari hasil perbandingan Support Vector Machine(SVM) dengan Jaringan Syaraf Tiruan Radial Basis Function(JST-RBF), SVM dapat mengenali pola lebih baik dari JST-RBF Akurasi tertinggi SMV pada pengenalan pola sedangkan JST-RBF sebesar 80,52%
BAB III METODOLOGI PENELITIAN
36 BAB III METODOLOGI PENELITIAN 31 Kerangka Pikir Salah satu sifat penting dari kualitas teh adalah aromaidentifikasi aroma teh dapat dilakukan dengan alat Electronic Nose(e-nose) Sistem pengenalan aroma
Lebih terperinciANALISIS SINYAL ELECTRONIC NOSE BERBASIS WAVELET MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK IDENTIFIKASI JENIS TEH HITAM
ANALISIS SINYAL ELECTRONIC NOSE BERBASIS WAVELET MENGGUNAKAN SUPPORT VECTOR MACHINE UNTUK IDENTIFIKASI JENIS TEH HITAM Marlus Eri Sitohang Abstrak, Penelitian ini bertujuan untuk melakukan identifikasi
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 terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang Diagnosis kanker dapat dilakukan berdasarkan struktur morfologisnya, namun hal tersebut mengalami kesulitan karena perbedaan struktur morfologis yang sangat tipis
Lebih terperinci11 BAB I 12 PENDAHULUAN
11 BAB I 12 PENDAHULUAN 1.1 Latar Belakang Indonesia selama ini dikenal sebagai negeri penghasil rempah-rempah seperti jahe, pala, merica, cengkeh dan kunyit. Selain rempah-rempah, Indonesia juga dikenal
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
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 terperinciMETODOLOGI PENELITIAN
18 METODOLOGI PENELITIAN Kerangka Penelitian Sistem pengenalan roda kendaraan pada penelitian ini tampak pada Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu, tahapan pelatihan
Lebih 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 terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciUJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES
1 Uji Kinerja Face Recognition Menggunakan Eigenfaces UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES ABDUL AZIS ABDILLAH 1 1STKIP Surya, Tangerang, Banten, abdillah.azul@gmail.com Abstrak. Pada paper
Lebih terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciENHANCED K-SVD ALGORITHM for IMAGE DENOISING
ENHANCED K-SVD ALGORITHM for IMAGE DENOISING Edwin Junius, Reza Alfiansyah, Endra,Universitas Bina Nusantara, mono_unk@yahoo.com, devil.reza12@yahoo.com, ABSTRAK Penelitian ini bertujuan untuk membuat
Lebih terperinciBAB 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era yang semakin maju ini, teknologi telah memegang peranan penting dalam kehidupan manusia sehari-hari, sehingga kemajuannya sangat dinantikan dan dinikmati para
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK IDENTIFIKASI AROMA TEH MENGGUNAKAN ELECTRONIC NOSE 1
APLIKASI JARINGAN SYARAF TIRUAN UNTUK IDENTIFIKASI AROMA TEH MENGGUNAKAN ELECTRONIC NOSE 1 Joko Nugroho 2, Dwi Muryani 2, Sri Rahayoe 2, Nursigit Bintoro 2 Penelitian ini bertujuan untuk mengidentifikasi
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2004/2005
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2004/2005 PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANS FORMAS I WAVELET DIS KRIT D AN JARINGAN S ARAF
Lebih terperinciBAB 2 LANDASAN TEORI. mencakup teori speaker recognition dan program Matlab. dari masalah pattern recognition, yang pada umumnya berguna untuk
6 BAB 2 LANDASAN TEORI 2.1 Teori-teori Dasar / Umum Landasan teori dasar / umum yang digunakan dalam penelitian ini mencakup teori speaker recognition dan program Matlab. 2.1.1 Speaker Recognition Pada
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 terperincig(x, y) = F 1 { f (u, v) F (u, v) k} dimana F 1 (F (u, v)) diselesaikan dengan: f (x, y) = 1 MN M + vy )} M 1 N 1
Fast Fourier Transform (FFT) Dalam rangka meningkatkan blok yang lebih spesifik menggunakan frekuensi dominan, akan dikalikan FFT dari blok jarak, dimana jarak asal adalah: FFT = abs (F (u, v)) = F (u,
Lebih terperinciBAB 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
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kata tahu berasal dari bahasa Cina yaitu tao-hu, teu-hu/tokwa. Kata tao/teu berarti kacang untuk membuat tahu, orang menggunakan kacang kedele kuning yang disebut wong-teu
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Electronic nose (e-nose) adalah sebuah instrument yang digunakan untuk mendeteksi bau atau aroma.
BAB I PENDAHULUAN 1.1 Latar Belakang Electronic nose (e-nose) adalah sebuah instrument yang digunakan untuk mendeteksi bau atau aroma. Sistem ini dibangun atas larik sensor gas yang dikenal dengan sistem
Lebih terperinciGambar IV-1. Perbandingan Nilai Korelasi Antar Induk Wavelet Pada Daerah Homogen Untuk Level Dekomposisi Pertama
BAB IV ANALISIS IV.1 Analisis Terhadap Hasil Pengolahan Data Gambar IV-1 menunjukkan peningkatan nilai korelasi dari sebelum transformasi wavelet dengan setelah transformasi wavelet pada level dekomposisi
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 terperinciIdentifikasi Otentifikasi Citra Tanda Tangan Menggunakan Wavelet dan Backpropagation
Identifikasi Otentifikasi Citra Tanda Tangan Menggunakan Wavelet dan Backpropagation Resa Abdilah 1, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani
Lebih terperinciMelalui persamaan di atas maka akan terbentuk pola radargram yang. melukiskan garis-garis / pola pendekatan dari keadaan yang sebenarnya.
BAB IV SIMULASI DAN ANALISIS 4.1 Pembuatan Data Sintetis Dalam karya tulis ini pembuatan data sintetis mengikuti pola persamaan (3.1) Melalui persamaan di atas maka akan terbentuk pola radargram yang melukiskan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini dilakukan eksperimen sebanyak dua kali. Eksperimen pertama dilakukan untuk menguji keberhasilan klasifikasi ROI ke dalam jenis keabnormalan,
Lebih 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 I PENDAHULUAN. 1.1 Latar Belakang !! "(!
"( BAB I PENDAHULUAN 1.1 Latar Belakang Tanda tangan (signature) adalah sebuah tanda (sign) atau symbol yang merupakan versi miniatur dari pemiliknya. Tanda tangan bukanlah sembarang tanda atau symbol,
Lebih terperinci4 Notepad dan Microsoft Excel sebagai editor data.
dengan menggunakan perangkat lunak ENVI disimpan dalam file.txt (Lampiran 1). File ini berisi informasi mengenai panjang gelombang dan nilai pantulan (reflectance) objek di permukaan bumi. Objek yang diperlukan
Lebih terperinciENKRIPSI DATA HASIL ANALISIS KOMPONEN UTAMA (PCA) ATAS CITRA IRIS MATA MENGGUNAKAN ALGORITMA MD5
MAKALAH SEMINAR TUGAS AKHIR ENKRIPSI DATA HASIL ANALISIS KOMPONEN UTAMA (PCA) ATAS CITRA IRIS MATA MENGGUNAKAN ALGORITMA MD5 Sunaryo 1, Budi Setiyono 2, R. Rizal Isnanto 2 Abstrak - Biometrik merupakan
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Persaingan dalam dunia bisnis, terlebih lagi bagi perusahaan besar, tidak lepas dari adanya proses jual beli saham. Saham secara umum merupakan surat berharga yang dapat
Lebih terperinciBAB 1. PENDAHULUAN. 1.1 Latar Belakang
BAB 1. PENDAHULUAN 1.1 Latar Belakang Sesuai dengan isu strategis ketahanan pangan, terdapat arah kebijakan nasional tentang peningkatan mutu dan keamanan pangan[1]. Makanan yang aman dikonsumsi adalah
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 terperinciSISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST)
Berkala Fisika ISSN : 1410-9662 Vol. 15, No. 1, Januari 2012, hal 15-20 SISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST) Tri Mulyono, Kusworo Adi dan Rahmat Gernowo Jurusan
Lebih terperinciBAB I PENDAHULUAN. 1 U n i v e r s i t a s T e l k o m
BAB I PENDAHULUAN 1.1 Latar Belakang Sapi merupakan hewan ternak yang dapat dikelompokkan menjadi dua bagian besar yaitu kelompok sapi tropis dan sub tropis. Sapi juga hewan ternak anggota family Bovidae
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Dalam setiap harinya, manusia memerlukan protein untuk mencukupi kebutuhan tubuh. Protein berfungsi untuk pertumbuhan dan perkembangan tubuh disamping
Lebih terperinciDIAGNOSA KETIDAKLURUSAN (MISALIGNMENT) POROS MENGGUNAKAN METODE MULTICLASS SUPPORT VECTOR MACHINE (SVM)
DIAGNOSA KETIDAKLURUSAN (MISALIGNMENT) POROS MENGGUNAKAN METODE MULTICLASS SUPPORT VECTOR MACHINE (SVM) SKRIPSI Diajukan sebagai salah satu syarat Untuk memperoleh gelar Sarjana Teknik Oleh: WANTO NIM.
Lebih terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih terperinciDETEKSI OBYEK PEJALAN KAKI DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE SKRIPSI
DETEKSI OBYEK PEJALAN KAKI DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE SKRIPSI Diajukan Oleh : FIRMAN ISNANDI S. NPM. 0634010273 JURUSAN TEKNIK INFORMATIKA FAKULTAS
Lebih terperinciTeknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil
Teknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil Ronny Susetyoko, Elly Purwantini Politeknik Elektronika Negeri Surabaya
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 terperinciImplementasi Principal Component Analysis (PCA) Untuk Pengenalan Wajah Manusia
Nusantara of Engineering/Vol. 2/ No. 1/ISSN: 2355-6684 65 Implementasi Principal Component Analysis (PCA) Untuk Pengenalan Wajah Manusia Rina Firliana, Resty Wulanningrum, Wisnu Sasongko Jurusan Teknik
Lebih terperinciPENGENALAN TULISAN TANGAN MENGGUNAKAN EKSTRAKSI CIRI WAVELET TRANSFORM DARI PROJECTION PROFILE
PENGENALAN TULISAN TANGAN MENGGUNAKAN EKSTRAKSI CIRI WAVELET TRANSFORM DARI PROJECTION PROFILE Radian Rizki Triadhi NRP : 1222033 E-mail : radianrizkitriadhi@ymail.com ABSTRAK Pengenalan tulisan tangan
Lebih terperinciBAB 4 IMPLEMENTASI DATA SPEKTROFOTOMETER DAN ANALISA DENGAN BACKPROPAGATION DAN ALGORITMA PCA
BAB 4 IMPLEMENTASI DATA SPEKTROFOTOMETER DAN ANALISA DENGAN BACKPROPAGATION DAN ALGORITMA PCA 4.1 Deteksi DD dengan Dengue Duo (NS1 Ag dan IgG/IgM) Data yang diperoleh merupakan hasil pemeriksaan Dengue
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem yaitu dengan melakukan pengambilan data berupa foto fisik dari permukaan buah manggis kemudian melakukan sampling data
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 terperinciPENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR
PENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR Angga Lisdiyanto (1), Lukman Zaman P.C.S.W (2) Teknik Informatika, Universitas Islam Lamongan (1) Teknik Informatika, Sekolah
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 terperinciDIAGNOSA KERUSAKAN BANTALAN BOLA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
DIAGNOSA KERUSAKAN BANTALAN BOLA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE SKRIPSI Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik Oleh: MUHAMMAD FATHURROHMAN NIM. I0411032 JURUSAN
Lebih terperinciBAB III PENGOLAHAN DATA
BAB III PENGOLAHAN DATA Pengolahan data pada penelitian ini meliputi tahapan pengambilan data, penentuan titik tengah area yang akan menjadi sampel, pengambilan sampel, penentuan ukuran window subcitra
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman
BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM. penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari
Lebih terperinciREDUKSI DIMENSI INPUT PADA JARINGAN SYARAF PCA-RBF DENGAN SINGULAR VALUE DECOMPOSITION
REDUKSI DIMENSI INPUT PADA JARINGAN SYARAF PCA-RBF DENGAN SINGULAR VALUE DECOMPOSITION Abdul Hakim Maulana, Oni Soesanto, Thresye Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat Email:
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Perkembangan multimedia saat ini sangat cepat. Dengan multimedia, pengguna dapat menyerap informasi dengan lebih mudah, sehingga pemilihan informasi yang tepat menjadi penting. Pemilihan informasi
Lebih terperinciBAB I PENDAHULUAN. bahkan di Dunia. Penyakit jantung dapat dideteksi dengan alat elektrokardiograf
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Penyakit jantung adalah penyebab kematian terbesar di Indonesia, bahkan di Dunia. Penyakit jantung dapat dideteksi dengan alat elektrokardiograf (EKG). Petugas
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 I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN Pada bab ini akan dibahas tentang latar belakang, perumusan masalah, tujuan penelitian, manfaat penelitian, dan kontribusi penelitian. Masalah-masalah yang dihadapi berkaitan dengan melakukan
Lebih terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Saat ini jalan tol menjadi suatu jalan alternatif untuk mengatasi kemacetan lalu lintas ataupun untuk mempersingkat jarak dari satu tempat ke tempat lain. Untuk menikmati layanan
Lebih terperinciTraining. Level Transformasi Wavelet. Banyak Fitur. Ukuran Dimensi. 0 40x x30 600
Citra asli Citra ya Inisialisasi: Topologi jaringan, Bobot awal, Lebar tetangga, Nilai laju awal pembelajaran Kriteria pemberhentian Training Error> -6 Epoch< 4 Alpha> HASIL DAN PEMBAHASAN Pada penelitian
Lebih terperinciAkurasi. Perangkat Lunak: Sistem operasi: Windows Vista Home Premium Aplikasi pemrograman: Matlab 7.0
Tabel 1 Dimensi citra di tiap level Level transformasi Dimensi citra 1 46 56 2 23 28 3 12 14 4 6 7 5 3 4 6 2 2 Pada Gambar 5 disajikan visualisasi transformasi wavelet hingga level 3. Deskripsi citra dekomposisi
Lebih 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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Citra digital dalam dunia modern memainkan peran yang sangat penting dalam berbagai bidang kehidupan seperti penyelidikan forensik, pemrosesan asuransi, sistem pengawasan,
Lebih terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
Lebih terperinciMempelajari dasar-dasar teori dan mengumpulkan referensi yang berhubungan dengan batubara, jenis batubara, metode ekstraksi ciri Discrete Wavelet
BAB 1 PENDAHULUAN 1.1 Latar Belakang Batubara adalah bahan bakar fosil yang dapat terbakar, terbentuk dari endapan batuan organik yang terutama terdiri dari karbon, hidrogen dan oksigen. Batubara terbentuk
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciDIAGNOSA KEGAGALAN RODA GIGI BERBASIS SINYAL GETARAN MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
DIAGNOSA KEGAGALAN RODA GIGI BERBASIS SINYAL GETARAN MENGGUNAKAN METODE SUPPORT VECTOR MACHINE SKRIPSI Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik Oleh: AGIL RIZKI ARDIANSYAH
Lebih terperinciPERBANDINGAN KINERJA BEBERAPA METODE KLASIFIKASI HASIL REDUKSI DATA BERDIMENSI TINGGI
ISSN 1858-4667 JURNAL LINK Vol 16/No. 1/Februari 212 PERBANDINGAN KINERJA BEBERAPA METODE KLASIFIKASI HASIL REDUKSI DATA BERDIMENSI TINGGI Ronny Susetyoko 1, Elly Purwantini 2 1,2 Departemen Teknik Elektro,
Lebih terperinciDAFTAR ISI. BAB I PENDAHULUAN 1.1 Latar Belakang Tujuan Penelitian Manfaat Penelitian... 4
DAFTAR ISI Halaman Judul... Halaman Pengesahan... Halaman Pernyataan... Halaman Pernyataan Publikasi... Kata Pengantar... Daftar Isi... Daftar Gambar... Daftar Tabel... Daftar Arti Lambang... Daftar Singkatan...
Lebih terperinciHasil Ekstraksi Algoritma Principal Component Analysis (PCA) untuk Pengenalan Wajah dengan Bahasa Pemograman Java Eclipse IDE
Hasil Ekstraksi Algoritma Principal Component Analysis (PCA) untuk Pengenalan dengan Bahasa Pemograman Java Eclipse IDE Fiqih Ismawan Dosen Program Studi Teknik Informatika, FMIPA Universitas Indraprasta
Lebih terperinciPENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
Lebih terperinciBAB III WAVELET. yang memenuhi
BAB III WAVELET 3.1 Analisis Multiresolusi Definisi 3.1.1 Analisis Multiresolusi (Daubechies, 1992) Analisis Multiresolusi terbentuk dari barisan subruang tertutup dari i. dari yang memenuhi ii. jika dan
Lebih terperinciBAB I PENDAHULUAN SIMULASI DAN ANALISIS PEMANTAUAN KAMAR PASIEN RAWAT INAP DENGAN DETEKSI DAN KLASIFIKASI SINYAL AUDIO 1
BAB I PENDAHULUAN 1.1 Latar Belakang Pasien rawat inap di rumah sakit membutuhkan perawatan yang intensif dari dokter atau perawat. Hal ini dilakukan dengan memantau kesehatan pasien secara fisik dan psikologi
Lebih terperinciPROGRAM PASCA SARJANA JURUSAN TEKNIK ELEKTRO ELEKTRONIKA
RANCANG BANGUN SISTEM KOMUNIKASI ANTAR PEMAKAI HELM BERBASIS PENGENALAN WICARA DISUSUN OLEH : YUNUS WICAKSONO SUGIARSO NRP.2208204002 PROGRAM PASCA SARJANA JURUSAN TEKNIK ELEKTRO ELEKTRONIKA INSTITUT TEKNOLOGI
Lebih terperinciBAB 1 PENDAHULUAN. salah satunya adalah untuk proses image denoising. Representasi adalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sinyal adalah besaran besaran fisik yang berubah ubah terhadap satu atau beberapa variabel bebas. Representasi sinyal sangat penting untuk sinyal proses, salah satunya
Lebih terperinciBAB II SISTEM KLASIFIKASI DENGAN ALGORITMA PROPAGASI BALIK. Bab ini akan membahas tentang ekstraksi fitur dengan Principal Componen
BAB II SISTEM KLASIFIKASI DENGAN ALGORITMA PROPAGASI BALIK Bab ini akan membahas tentang ekstraksi fitur dengan Principal Componen Analysis (PCA) dan tentang algoritma propagasi balik serta kelemahan dari
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Jenis kelainan pada tulang punggung manusia bermacam-macam, bergantung pada faktor umur, kebiasaan, dan kecelakaan/virusbakteri. Skoliosis adalah kelainan tulang belakang
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciIDENTIFIKASI KARAKTERISTIK SINYAL ARUS STATOR MOTOR INDUKSI TIGA FASE AKIBAT GANGGUAN HUBUNG SINGKAT ANTAR LILITAN
IDENTIFIKASI KARAKTERISTIK SINYAL ARUS STATOR MOTOR INDUKSI TIGA FASE AKIBAT GANGGUAN HUBUNG SINGKAT ANTAR LILITAN Eko Prasetyo (12ekoprasetyo@gmail.com) Dr. Ir. Dian Retno Sawitri. M.T. Jurusan Teknik
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 terperinciBAB III METODOLOGI. dari suara tersebut dapat dilihat, sehingga dapat dibandingkan, ataupun dicocokan dengan
23 BAB III METODOLOGI 3.1 Metodologi Penelitian Penelitian ini ingin membangun sistem yang dapat melakukan langkah dasar identifikasi, yaitu melakukan ektraksi suara Gamelan Bonang, dengan ekstrasi ini,
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 terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Identifikasi Masalah Identifikasi permasalahan ini bahwasanya diambil dari sudut pandang masyarakat tentang objek (batik) yang dikenal dari segi pola dan gambar
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Tulisan Tangan angka Jawa Digitalisasi Pre-Processing ROI Scalling / Resize Shadow Feature Extraction Output Multi Layer Perceptron (MLP) Normalisasi
Lebih terperinciBAB I PENDAHULUAN. Perkembangan robotika di Indonesia cukup pesat dengan semakin
BAB I PENDAHULUAN 1.1. Latar Belakang Perkembangan robotika di Indonesia cukup pesat dengan semakin banyaknya aplikasi robot yang diterapkan di industri. Perkembangan robot di dunia industri juga diikuti
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF RADIAL BASIS FUNCTION (RBF)
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011 PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Indonesia
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dengan semakin berkembangnya teknologi telekomunikasi, internet menjadi sesuatu yang tidak lagi sulit dan mahal. Kemudahan ini menyebabkan internet dipenuhi berbagai
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Noise Pada saat melakukan pengambilan gambar, setiap gangguan pada gambar dinamakan dengan noise. Noise dipakai untuk proses training corrupt image, gambarnya diberi noise dan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Rancangan Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau informasi
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Kanker payudara merupakan salah satu penyebab kematian yang sering dialami oleh wanita pada usia lanjut. Tercatat bahwa pada tahun 2011, terdapat lebih
Lebih terperinciSistem Pengenalan Aroma Teh Dalam Instrumen Penciuman Elektronik Menggunakan Jaringan Syaraf Tiruan
Jurnal Gradien Vol.8 No.2 Juli 2012 : 796-801 Sistem Pengenalan Aroma Teh Dalam Instrumen Penciuman Elektronik Menggunakan Jaringan Syaraf Tiruan Suwardi Laboratorium Elektronika dan Instrumentasi, Jurusan
Lebih terperinciPencocokan Citra Digital
BAB II DASAR TEORI II.1 Pencocokan Citra Digital Teknologi fotogrametri terus mengalami perkembangan dari sistem fotogrametri analog hingga sistem fotogrametri dijital yang lebih praktis, murah dan otomatis.
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
39 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data dan Pembahasan Data yang dimiliki dalam penelitian ini dibagi menjadi dua, yaitu: 1. Suara gamelan Bonang 2. Bukan suara Gamelan Bonang (Gamelan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar belakang
BAB I PENDAHULUAN 1.1 Latar belakang Phalaenopsis atau yang biasa disebut dengan anggrek bulan mempunyai banyak jenis. Ada 26 jenis yang sudah dikenali di Indonesia. Anggrek dapat diklasifikasikan berdasarkan
Lebih terperinciBAB II TINJAUAN PUSTAKA
7 BAB II TINJAUAN PUSTAKA Penelitian maupun pembuatan aplikasi mengenai pengenalan karakter / pengenalan pola ataupun yang berhubungan dengan Jaringan Syaraf Tiruan terlebih dengan metode Backpropagation
Lebih terperinciBAB 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 terperinci