PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
|
|
- Sugiarto Pranata
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN ( ) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng, Ph.D
2 Latar Belakang Penanganan benda pos merupakan proses yang membutuhkan banyak sumber daya manusia, terlebih bila dilaksanakan seluruhnya secara manual. Benda pos saat ini membutuhkan penanganan yang lebih cepat dan handal, yang tidak dapat dipenuhi oleh tenaga manusia saja.
3 Permasalahan Pada tugas akhir ini permasalahan yang akan diangkat yaitu : Mengambil citra dari sebuah kartu pos Memproses citra sehingga kode posnya dapat dikenali
4 Batasan Masalah Berdasarkan permasalahan yang diangkat, maka dapat ditentukan batasan masalah dalam perancangan : Kartu pos mempunyai bentuk standar seperti kartu pos pada umumnya Kode pos ditulis pada tempat kartu pos (sejumlah 5 kotak ) Tulisan kode pos tidak melebih tempat kode pos
5 Dasar Teori Akuisisi Citra Digital akuisisi citra digital dapat terjadi diperlukan tiga komponen utama yang harus dipenuhi yaitu 1. sumber cahaya 2. obyek atau benda yang akan diamati 3. sensor peka cahaya atau kamera
6 Representasi Citra Citra dapat direpresentasikan sebagai data array 2 dimensi, setiap data merepresentasikan intensitas citra pada posisi relatif tersebut. Tiap elemen pada data array 2 dimensi disebut pixel Pada representasi greylevel dari citra digital, tiap pixel direpresentasikan sebagai data byte (8 bit), citra berwarna tiap pixel direpresentasikan sebagai kombinasi dari 3 warna primer (Red Green Blue) atau yang biasanya disebut sebagai RGB. Untuk citra warna 24 bit 0 (0,0) (0,1) (0,2) (1,0) (1,1) (1,2) (3,3) (3,4)
7 Thresholding Pengolahan citra yang bertujuan untuk memisahkan pixel citra dari latar belakangnya. Thresholding mengubah citra greylevel menjadi citra biner. Proses pengubahan ini didasarkan pada suatu nilai batas tertentu yang dikenal sebagai nilai threshold. Setiap pixel yang nilai intensitasnya dibawah nilai threshold akan diset menjadi 0 (black) sedangkan yang tidak akan diset menjadi 1 (white). g( i, j) = 1; f ( i, j) T 0; f ( i, j) < T
8 Neural Network Metode Neural Network dikembangkan dari jaringan syaraf biologis pada manusia yang memiliki kemampuan mempelajari dan mengingat dari pengalaman yang pernah ditemui. U0z W0z 1 1 Input 1 X1 Z1 Input 2 X2 Z2 Y1 Output 1 Input 3 X3 Z3 Y2 Output 2 Input 4 X4 Z4 Input 5 X5 Z5 OUTPUT LAYER INPUT LAYER HIDDEN LAYER Uxz Wzy Arsitektur Neural network Neuron dikelompokan dalam layer-layer Setiap layer dapat terdiri dari satu atau lebih neuron Setiap arsitektur Neural network minimal terdiri dari dua layer (input dan output) dapat juga ditambah dengan layer hidden/tersembunyi. Layer hidden sendiri bisa juga lebih dari satu dalam arsitektur Neural network.
9 Parameter Neural Network parameter parameter yang harus ditentukan sebelum dimulainya tahap pelatihan oleh artificial neural network Jumlah Layer Jumlah unit tiap layer Inisialisasi Bobot Nilai Learning Rate Nilai koefisien Momentum Iterasi / Epoch Error Tolerance Convergen
10 Algoritma Backpropagation Neural Network Menghitung semua nilai hasil output pada layer hidden Zj untuk keseluruhan input (Xi). Lalu menghitung nilai hasil output pada layer output untuk semua input Zj pada layer hidden. Menghitung error yaitu nilai sinyal error k pada layer output dan layer hidden. j pada layer hidden dan layer input. Menyesuaikan bobot yang terletak antara layer input dan layer hidden, dan selanjutnya antara layer hidden dan layer output. Memperhatikan apakah total error yang terjadi dapat diterima (E<Emaks) dan/atau jumlah iterasi yang dilakukan telah melewati batas iterasi yang ditetapkan. Jika telah memenuhi syarat proses training, maka nilai bobot yang didapat akan disimpan dan proses training selesai. Jika belum, proses training akan diulang. 1 1 wo1 vo1 Y1 Yk Ym wok wom w11 wj1 wp1 w1k wjk wpk w1k wjk wpk Z1 Zj Zp voj vop v11 vi1 vn1 v1j vij vnj v1p vip vnp X1 Xi Xn
11 PERANCANGAN SISTEM PENGENAL KODE POS Input Citra Perancangan ini meliputi proses pengambilan citra yang dibantu dengan menggunakan Pegasus CapturePRO 3.0, pengolahan citra dengan menggunakan ImagXpress 7, dan penentuan parameter backpropagation neural network. Deteksi Warna Binarize Deteksi Kotak Bounding Box Pola Pengenalan Pola Pola Proses Training Running Pengenalan Bobot / Weight Pola Kode Pos
12 Pengambilan Citra Untuk mengambil citra kartu pos, kartu pos dilewatkan tempat sensor yang terdiri dari kotak dan lampu. Rancangan kotak sensor diilustrasikan pada gambar 3.2. Kotak digunakan agar kamera tidak terpengaruh cahaya dari luar, lampu digunakan sebagai sumber cahaya internal sehingga pengambilan citra kartu pos dapat dilakukan dalam kondisi gelap maupun terang dan noise citra kartu pos dapat dikurangi.
13 Deteksi Warna Deteksi Warna bertujuan untuk mendapatkan citra kartu pos Algoritma Deteksi Warna 1. CapturePRO 3.0 menangkap setiap citra dibawah web-cam 2. Citra dirubah dalam bentuk DIB kemudian ditransfer ke ImagXpress pertama. 3. Di dalam ImagXpress pertama ini dilakukan deteksi warna. Warna hitam adalah warna yang hanya ada pada kartu pos. 4. Jika ImagXpress menemukan warna hitam maka DIB di trasfer ke ImagXpress kedua untuk dilakukan pemprosesan citra kartu pos. CapturePRO ImagXpress I Warna <40 Y ImagXpress II T
14 Binarize Binarize adalah metode yang terdapat dalam komponenimagxpress. Metode ini megubah gambar RBG atau Grayscale menjadi gambar biner atau gambar hitam putih. Metode ini digunakan untuk memisahkan citra dengan background-nya. Biasanya digunakan untuk gambar terdiri dari teks hitam di atas background abu-abu yang sulit untuk dibedakan. Hasil dari metode ini menganti teks menjadi warna hitam dan background abuabu menjadi warna putih. PIX2.Binarize (PegasusImaging.WinForms.ImagXpress7.enumBinarizeMode.BIN _MODE_QUICK_TEXT, 50, 100, 0, 1, 0,200, PegasusImaging.WinForms.ImagXpress7.enumBinarizeBlur.BIN_B LUR_SMART);
15 Deteksi Kotak Setiap angka kode pos terletak pada kotak, untuk mengetahui kode pos harus diketahui letak kotak kode pos. Kotak dibentuk oleh garis panjang dan garis lebar. Garis panjang dibentuk oleh titik-titik dalam arah horizontal sedangkan garis lebar dibentuk oleh titiktitik dalam arah vertikal Algoritma Deteksi Warna 1. Proses deteksi kotak dimulai dengan mencari titik hitam pada ImagXpress kedua. 2. Jika ditemukan titik hitam yang membentuk garis vertikal dan horizontal maka kotak berhasil dideteksi. 3. Ketika kotak berhasil dideteksi, citra dari kotak ditransfer ke ImagXpres ketiga dalam bentuk DIB. T Titik Hitam Titik =Hitam Y Panjang & Lebar = P & L Y ImagXpress III T
16 Bounding Box ttktengah Bounding box digunakan untuk mendapat informasi mengenai posisi, panjang dan lebar angka yang terdapat pada ImagXpress ketiga. Semua informasi ini digunakan untuk menentukan pola gambar angka. Algoritma Deteksi Warna 1. mencari perubahan warna hitam ke putih secara horizontal pada tengah ImagXpress ketiga. 2. bergerak ke kiri untuk mencari batas kiri, posisi batas kiri didapat dari perubahan warna hitam ke putih secara vertikal yang jumlahnya lebih kecil dari Bergerak ke kanan untuk mencari batas kanan, posisi batas kanan didapat dari perubahan warna hitam ke putih secara vertikal yang jumlahnya lebih kecil dari bergerak ke atas untuk mencari batas atas, posisi batas atas didapat ketika tidak ditemukan warna hitam pada pencarian secara horizantal dimulai dari batas kiri sampai batas kanan. Bergerak ke bawah untuk mencari batas bawah, posisi batas bawah didapat ketika tidak ditemukan warna hitam pada pencarian secara horizantal dimulai dari batas kiri sampai batas kanan T T Y Y X-- inpy < 2 X++ inpy < 2 Y-- == 0 Y++ == 0 T Y Y T pxkiri, pxkanan pyatas, pybawah
17 Bounding Box Perubahan warna vs Bounding Box Biasa Bounding box biasa mencari batas-batas ketika pertama kali ditemukan warna hitam
18 Pola Pola yang digunakan dalam tugas akhir ini menggunakan enam logika. Keenam logika ini dapat mewakili tiap angka secara berbeda. 1. Jika pada tengah bounding box ditemukan 3 buah garis / lengkungan horizontal maka logika V dan VI bernilai true 2. Jika pada kiri atas ditemukan garis / lengkungan vertikal maka logika I akan bernilai true 3. Jika pada kanan atas ditemukan garis / lengkungan vertikal maka logika II akan bernilai true 4. Jika pada kiri bawah ditemukan garis / lengkungan vertikal maka logika III akan bernilai true 5. Jika pada kanan bawah ditemukan garis / lengkungan vertikal maka logika IV akan bernilai true 1 I II 2 III IV 3 I II V III IV VI
19 Gambar Pola 6 Logika
20 Pola 6 Logika vs Pola Biasa Pola Biasa direpresentasikan dengan pixel 1. Tergantung panjang dan lebar pixel citra 2. Perlu normalisasi untuk ukuran berbeda 3. Pola menjadi unik Pola 6 Logika 1. Tidak tergantung panjang dan lebar pixel citra 2. Tidak perlu normalisasi untuk angka yg sama 3. Pola hampir sama untuk satu jenis angka
21 Pengenalan Pola Pengenalan pola menggunakan artificial neural network dibuat dengan menggunakan perangkat lunak C#. Pengenalan Pola dengan neural network terdiri dari 2 bagian : training dan running. Training hanya dilakukan satu kali sampai dicapainya error yang diinginkan, proses training menghasilkan bobot / weight. Running digunakan untuk mengambil keputusan dari input pola yang diberikan dengan menggunakan bobot / weight dari proses training sebelumnya
22 Training Pada proses training terdiri dari dua bagian : Feedforward dan Backpropagation. Feedforward Input pola sebanyak 6 unit akan disebar ke input layer dari jaringan. Selanjutnya akan dikirim ke hidden layer. Pada input layer akan ditambahkan bias yang juga menjadi input untuk hidden layer. Output dari hidden layer dihasilkan dari fungsi aktivasi bipolar sigmoid yang kemudian dikalikan pada masingmasing hidden yang dipengaruhi oleh bobot dan pola input yang ada. Kemudian Output hidden layer menjadi input untuk output layer, dan prosedur yang diterapkan pada output layer akan sama dengan layer yang sebelumnya. Backpropagation. Hasil dari output layer akan dibandingkan dengan target jika terdapat error yang lebih besar dari error yang diinginkan, maka akan dihitung faktor δ pada output selanjutnya nilai ini akan menuju ke hidden layer untuk menghitung faktor δ pada layer ini. Seteah didapatkan angka koreksi, bobot lama diperbarui untuk dikirim ke jaringan pada iterasi selanjutnya, sampai errornya <= Emaks Update Bobot START Data Pola Input Masukkan Parameter Y Hitung Aktivasi Hidden & Output Hitung Error Error > Emaks END T
23 Running Pada proses running hanya terdiri dari Feedforward. Feedforward menghasilkan keputusan output dari input pola yang diberikan. Bobot / Weight yang digunakan berasal dari proses Training sebelumnya START Load Bobot Masukkan Pola Hitung Aktivasi Hidden & Output Keputusan ulang END
24 Pengujian Sistem secara off-line Pengujian angka time new roman
25 Pengujian angka tulisan tangan
26 Pengujian angka tulisan tangan
27 Pengujian angka tulisan tangan
28 Pengujian Sistem secara on-line Pengujian deteksi warna waktu kartu pos masuk tempat sensor No. Kecepatan Hasil Keterangan 1 Kecepatan rendah Terdeteksi 2 Kecepatan tinggi Terdeteksi Pengujian deteksi kotak waktu kartu pos masuk tempat sensor No. Kecepatan Hasil Keterangan 1 Kecepatan rendah Terdeteksi 2 Kecepatan tinggi Tidak Terdeteksi Garis vertikal menjadi terputus-putus, kadang kadang hilang
29 Kesimpulan Telah didapat pola angka yang dapat mewakili variasi tulisan angka Telah dapat mengenali pola citra kode pos dengan metoda Artificial Neural Network yang menggunakan bahasa pemrograman C#. Setelah melakukan serangkaian proses pembelajaran dengan 1000 iterasi dan error sebesar 0,1 maka diperoleh struktur jaringan saraf tiruan yang optimal yaitu tersusun atas 6 node input, 10 node hidden, dan 4 node output, sedangkan nilai learning rate sebesar 0.2, dan nilai momentum sebesar 0.5. Setelah melakukan proses testing maka diperoleh tingkat keberhasilan jaringan dalam pengenalan angka untuk kondisi offline sebesar 100% untuk angka time new roman standart, 85 % untuk tulisan tangan standart kondisi on-line hampir sama dengan kondisi off-line ketika beberapa kondisi terpenuhi : kamera menangkap citra tanpa ada kerusakan pada citra, deteksi kotak tepat.
30 Saran Memberikan pola inputan yang bervariasi pada proses pembelajaran agar tingkat pengenalan jaringan lebih bagus. Perlu adanya penggunaan metoda lain untuk meningkatkan keberhasilan jaringan dalam proses pengenalan Menggunakan kamera yang mampu menangkap benda yang bergerak dengan baik.
31 Pendahuluan Latar Belakang Permasalahan Batasan Masalah Dasar Teori Akuisisi Citra Digital Representasi Citra Thresholding Perancangan Sistem Pengambilan Citra Deteksi Warna Binarize Deteksi Kotak Bounding Box Pola Pengenalan Pola Neural Network Analisa dan Pembahasan Menu Utama Pengujian Sistem secara off-line Pengujian Sistem secara on-line Kesimpulan dan Saran *
32 Input Pola Training dan Tes Pola
33 SISTEM PENGENAL KODE POS
34 Sekian Terima Kasih
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
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
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 terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciPERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL
PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL Oleh : ACHMAD FAUZI ARIEF 1203 109 007 Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem
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 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciPERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL
PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL Nama Mahasiswa : Achmad Fauzi Arief NRP : 03 09 007 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom Abstrak
Lebih terperinciTujuan Penelitian Tujuan penelitian ini adalah untuk melakukan deteksi penyakit pada daun rose dengan menggunakan metode ANN.
Laporan Akhir Projek PPCD Deteksi Penyakit Daun Menggunakan Artificial Neural Network (ANN) TRI SONY(G64130020), GISHELLA ERDYANING (G64130040), AMALIYA SUKMA RAGIL PRISTIYANTO (G64130044), MUHAMMAD RIZQI
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB II DASAR TEORI. 2.1 Citra Digital
BAB II DASAR TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f (x,y) dua dimensi,dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
Lebih terperinciArsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah memin
BACK PROPAGATION Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan
Lebih terperinciBAB 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
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 terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini dibahas teori yang digunakan sebagai landasan pengerjaan pengenalan kata berdasarkan tulisan tangan huruf Korea (hangūl) menggunakan jaringan saraf tiruan propagasi balik.
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
32 BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas tentang analisis sistem melalui pendekatan secara terstruktur dan perancangan yang akan dibangun dengan tujuan menghasilkan model atau representasi
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciBAB 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
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal
Lebih terperinciSISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON
30 BAB IV SISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON 4.1 Gambaran Umum Sistem Diagram sederhana dari program yang dibangun dapat diilustrasikan dalam diagram konteks berikut. Gambar
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini akan dibahas mengenai teori-teori pendukung pada penelitian ini. Adapun teori tersebut yaitu teori jaringan saraf tiruan dan algoritma backpropragation. 2.1. Jaringan Saraf
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
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 terperinciIMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI
IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI Andi Harmin Program Studi : Teknik Komputer STMIK Profesional Makassar andiharmin1976@gmail.com
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 terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
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 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
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
BAB 2 LANDASAN TEORI 2.1 Jaringan Syaraf Tiruan Jaringan saraf tiruan bisa dibayangkan seperti otak buatan di dalam cerita-cerita fiksi ilmiah. Otak buatan ini dapat berpikir seperti manusia, dan juga
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciBAB 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
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan membahas landasan teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teknik-teknik yang dibahas mengenai pengenalan pola, prapengolahan citra,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Suara Manusia Menurut Inung Wijayanto (2013), produksi suara manusia memerlukan tiga elemen, yaitu sumber daya, sumber suara dan pemodifikasi suara. Ini adalah dasar dari teori
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2008 Express Edition. Proses perancangan menggunakan pendekatan Object Oriented
Lebih terperinciBAB 3 PERANCANGAN SISTEM. untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
29 BAB 3 PERANCANGAN SISTEM 3.1 Gambaran Umum Sistem Pada dasarnya untuk pembuatan aplikasi ini, yakni aplikasi pengenalan suara untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
Lebih terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
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 3 METODE PERANCANGAN
BAB 3 METODE PERANCANGAN 3.1 Konsep dan Pendekatan Tujuan utama yang ingin dicapai dalam pengenalan objek 3 dimensi adalah kemampuan untuk mengenali suatu objek dalam kondisi beragam. Salah satu faktor
Lebih terperinciBAB II LANDASAN TEORI
5 BAB II LANDASAN TEORI 2.1. Citra Digital Citra digital dapat didefenisikan sebagai fungsi f(x,y) yaitu dua dimensi, dimana x dan y merupakan koordinat spasial dan f(x,y) disebut dengan intensitas atau
Lebih terperinciPengendalian Posisi Mobile Robot Menggunakan Metode Neural Network Dengan Umpan Balik Kamera Pemosisian Global
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Pengendalian Posisi Mobile Robot Menggunakan Metode
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciPENGENDALIAN POSISI MOBILE ROBOT MENGGUNAKAN METODE NEURAL NETWORK DENGAN UMPAN BALIK KAMERA PEMOSISIAN GLOBAL
PENGENDALIAN POSISI MOBILE ROBOT MENGGUNAKAN METODE NEURAL NETWORK DENGAN UMPAN BALIK KAMERA PEMOSISIAN GLOBAL Randy Reza Kautsar (1), Bima Sena Bayu D S.ST M.T (2), A.R. Anom Besari. S.ST, M.T (2) (1)
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI
APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI Putri Khatami Rizki 1), Muchlisin Arief 2), Priadhana Edi Kresnha 3) 1), 2), 3) Teknik Informatika Fakultas
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciBAB III PERANCANGAN SISTEM. Pada dewasa sekarang ini sangat banyak terdapat sistem dimana sistem tersebut
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Pada dewasa sekarang ini sangat banyak terdapat sistem dimana sistem tersebut sudah terintegrasi dengan komputer, dengan terintegrasinya sistem tersebut
Lebih terperinciIMPLEMENTASI PENGOLAHAN CITRA UNTUK MENGHITUNG RESISTANSI RESISTOR MENGGUNAKAN METODE BACK PROPAGATION
IMPLEMENTASI PENGOLAHAN CITRA UNTUK MENGHITUNG RESISTANSI RESISTOR MENGGUNAKAN METODE BACK PROPAGATION Abdi Haqqi An Nazilli 1, Deddy Kusbianto Purwoko Aji 2, Ulla Delfana Rosiani 3 1,2 Teknik Informatika,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciBAB 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
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Sistem sortir mur dan baut ini terdiri dari beberapa rangkaian sub sistem yang
BAB 3 PERANCANGAN SISTEM 3.1 Penjelasan Sistem Secara Umum Sistem sortir mur dan baut ini terdiri dari beberapa rangkaian sub sistem yang saling melengkapi. Di mana setiap sistem memberikan peran yang
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
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 terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka berpikir Perubahan nilai tukar rupiah terhadap mata uang asing tidak dapat dihindari. Untuk mengatasi perubahan yang tidak pasti ini diperlukan suatu prediksi.
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 terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciPENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK
PENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK Eko Budi Wahyono*), Suzuki Syofian**) *) Teknik Elektro, **) Teknik Informatika - Fakultas Teknik Abstrak Pada era modern
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Nama Mahasiswa : Gigih Prasetyo Cahyono NRP : 1206 100 067 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Prof.
Lebih 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 terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 1 Edisi.,Volume,. Bulan.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Edisi.,Volume,. Bulan.. ISSN : 289-933 ANALISIS METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN SEL KANKER OTAK Novita Handayani Teknik Informatika
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciBAB 1 PENDAHULUAN. 1 Universitas Kristen Maranatha. Gambar 1.1 : Ilustrasi jaringan syaraf manusia yang diadaptasi untuk ANN (Kriesel, 2011)
BAB 1 PENDAHULUAN 1.1 Latar Belakang Rentannya kesalahan yang dapat terjadi oleh pekerjaan yang dilakukan oleh manusia dalam menganalisa, atau ketika mencoba membangun relasi antar fitur yang berjumlah
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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciPertemuan 2 Representasi Citra
/29/23 FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 2 Representasi Citra Representasi Citra citra Citra analog Citra digital Matrik dua dimensi yang terdiri
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
Lebih terperinciBAB III 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 terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron Jaringan McCulloch-Pitts Model JST Pertama Diperkenalkan oleh McCulloch
Lebih terperinciMILIK UKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan Thinning atau penipisan citra adalah suatu operasi untuk mereduksi citra biner dalam suatu objek menjadi rangka (skeleton) yang menghampiri sumbu objek.
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui dan memahami permasalahan dari suatu sistem yang akan dibuat. Dalam implementasi persamaan Pulse
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciUniversitas Bina Nusantara
Universitas Bina Nusantara Jurusan Sistem Komputer Fakultas Ilmu Komputer Skripsi Sarjana Komputer Semester Genap tahun 2003/2004 SISTEM SORTIR MUR DAN BAUT MENGGUNAKAN JARINGAN SYARAF TIRUAN Tjhang Suwandi
Lebih terperinciIDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION
IDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION Dila Deswari [1], Hendrick, MT. [2], Derisma, MT. [3] Jurusan Sistem Komputer, Fakultas Teknologi Informasi, Universitas Andalas [1][3]
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciOleh: Angger Gusti Zamzany( ) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.
Oleh: Angger Gusti Zamzany(1210100 073) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI PENGUJIAN
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Perceptron 2. ADALINE 3. MADALINE 2 Perceptron Perceptron lebih powerful dari Hebb Pembelajaran perceptron mampu menemukan konvergensi terhadap bobot yang
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih terperinciOleh: Riza Prasetya Wicaksana
Oleh: Riza Prasetya Wicaksana 2209 105 042 Pembimbing I : Dr. I Ketut Eddy Purnama, ST., MT. NIP. 196907301995121001 Pembimbing II : Muhtadin, ST., MT. NIP. 198106092009121003 Latar belakang Banyaknya
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
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 terperinciBAB 4 ANALISA DAN BAHASAN
BAB 4 ANALISA DAN BAHASAN 4.1 Spesifikasi Sistem Sistem pengenalan objek 3 dimensi terbagi atas perangkat keras dan perangkat lunak. Spesifikasi sistem baik perangkat keras maupun lunak pada proses perancangan
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kebutuhan akan prediksi semakin meningkat pada era globalisasi saat ini sejalan dengan keinginan masyarakat khususnya pelaku bisnis untuk memberikan tanggapan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Jaringan Saraf Tiruan (JST) Jaringan saraf tiruan pertama kali secara sederhana diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. McCulloch dan Pitts menyimpulkan bahwa
Lebih terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciJARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB,
JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB, sigitkus@ub.ac.id ABSTRAKSI Salah satu kelemahan umum pada pengenalan pola untuk
Lebih terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
Lebih terperinci