DETEKSI PENGENDARA SEPEDA MOTOR MENGGUNAKAN DEEP CONVOLUTIONAL NEURAL NETWORKS
|
|
- Deddy Sudjarwadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 DETEKSI PENGENDARA SEPEDA MOTOR MENGGUNAKAN DEEP CONVOLUTIONAL NEURAL NETWORKS Stephen Ekaputra Limantoro 1), Yosi Kristian 2), Devi Dwi Purwanto 3) Teknologi Informasi, Sekolah Tinggi Teknik Surabaya Jl. Ngagel Jaya Tengah 73-77, Surabaya, Jawa Timur, Indonesia 1 stephenekaputra@gmail.com, 2 yosi@stts.edu, 3 devi@stts.edu ABSTRAK Jumlah motor di Indonesia mencapai 84 juta di tahun 2013 sehingga menjadi sulit bagi pemerintah untuk mengawasi kendaraan bermotor yang melanggar. Teknologi visi komputer diperlukan untuk mendeteksi keberadaan pengendara sepeda motor. Sebelum melakukan proses deteksi, proses klasifikasi perlu dilakukan. Proses klasifikasi pengendara sepeda motor sukar dilakukan karena memiliki fitur yang kompleks. Salah satu metode yang digunakan oleh penelitian sebelumnya adalah mengesktraksi fitur yang kompleks menggunakan convolutional neural networks (CNN). Hasil penggunaan CNN dari penelitian AlexNet memenangi kontes ILSVRC 2010 dan Oleh karena itu, convolutional neural networks digunakan untuk mengatasi masalah fitur yang kompleks. Tujuan dari penelitian ini adalah memahami arsitektur CNN dengan hasil yang terbaik. Pada penelitian ini, dash cam digunakan untuk merekam video di jalan raya Surabaya pada siang hari atau cuaca cerah dengan resolusi 1080 HD. Video dengan warna RGB diekstrak menjadi beberapa citra dan diberi label. Lalu, data citra dilatih dengan convolutional neural networks menghasilkan bobot. Eksperimen yang dilakukan adalah membagi arsitektur CNN menjadi tiga, yaitu kecil, sedang, dan besar. Lalu, arsitektur CNN tersebut saling dibandingkan. Pada hasil eksperimen, arsitektur CNN besar memiliki akurasi yang tertinggi sebesar 93% dan f1-score sebesar 94,9%. Arsitektur CNN yang kompleks dan besar cenderung memiliki peforma yang lebih baik. Kata kunci : Deteksi, Convolutional Neural Networks, Sepeda Motor. ABSTRACT The number of motorcycles in Indonesia reaches 84 million in 2013, making it difficult for the government to monitor motor vehicles in violation. Computer vision technology is needed to detect the presence of motorcyclists. Before performing the detection process, the classification process needs to be done. The process of classifying motorcyclists is difficult because it has a complex feature. One method used by previous research is to extract complex features using convolutional neural networks (CNN). The results of CNN use from the AlexNet research won the ILSVRC 2010 and 2012 contests. Therefore, convolutional neural networks are used to solve complex feature problems. The purpose of this research is to understand CNN architecture with the best result. In this study, dash cam is used to record video on Surabaya highway during the day or sunny weather with 1080 HD resolution. Videos with RGB colors are extracted into multiple imagery and labeled. Then, image data trained with convolutional neural networks produces weight. The experiment is to divide the CNN architecture into three, ie small, medium, and large. Then, the CNN architecture is comparable to each other. In the experimental results, the large CNN architecture has the highest accuracy of 93% and f1-score of 94.9%. Complex and large CNN architectures tend to have better performance. Keywords: Detection, Convolutional Neural Networks, Motorcycles. 1. PENDAHULUAN Teknologi saat ini banyak digunakan di mana saja. Salah satunya adalah penggunaan kamera dash cam di dalam mobil. Tetapi, kamera dash cam tersebut hanya bekerja untuk merekam saja. Oleh karena itu, kamera dashcam perlu diberi kecerdasan agar dapat mengklasifikasi objek yang direkamnya. Jumlah kendaraan bermotor yang terdaftar di Indonesia adalah 84 juta di tahun 2013 menurut Badan Pusat Statistik Indonesia [1]. Dengan jumlah kendaraan sebanyak itu, pemerintah mengalami kesulitan untuk mengawasi kendaraan bermotor yang melanggar sehingga teknologi diperlukan untuk membantu pemerintah. Klasifikasi pengendara sepeda motor bukan hal yang sederhana karena memiliki fitur yang variatif dan kompleks. Klasifikasi pengendara sepeda motor sukar dilakukan dengan deteksi tepi atau perbedaan warna saja karena ada banyak objek, seperti pohon, jalan, mobil, dan sebagainya. Salah satu metode yang diterapkan oleh AlexNet [2] dalam klasifikasi objek dengan fitur yang kompleks adalah convolutional neural networks. 79
2 2. METODE PENELITIAN Blok Diagram Gambar 1.1 Convolutional Neural Networks [3] CNN merupakan modifikasi dari Neural Networks yang mengandung bobot dan beberapa lapisan. CNN didesain untuk mengenali citra yang berpiksel. Pada Gambar 1.1, arsitektur CNN klasik yang biasa digunakan oleh Lecun dalam deep learning adalah lapisan konvolusi, fungsi aktivasi (relu), dan max pooling [4]. Relu adalah fungsi aktivasi yang berfungsi mengaktifkan dan menonaktifkan neuron. CNN menggunakan relu untuk mempercepat proses latihan [5]. Relu memiliki kecepatan 6 kali dibandingkan neuron tanh sehingga baik digunakan untuk mencegah overfitting. Nilai hasil konvolusi yang dibawah 0 diubah menjadi 0. Max pooling mengubah input menjadi output dengan cara memilih angka piksel terbesar terhadap piksel tetangganya tergantung dari ukuran filter [5]. Lapisan fully connected menghubungkan semua neuron dalam 1 lapisan dengan semua neuron di lapisan lainnya [5]. Prinsip dari lapisan ini sama dengan Multi Layer Perceptron (MLP). Dalam arsitektur CNN, lapisan fully connected terletak di bagian akhir arsitektur. Dalam [2], hasil dari penelitian AlexNet memenangi kompetisi ILSVRC 2010 dan 2012 dengan error rate terendah yaitu 15.3%. Klasifikasi yang dilakukan menggunakan 1,2 juta data citra yang beresolusi tinggi dengan 1000 kelas yang berbeda. Dalam proses pelatihan, stochastic gradient descent digunakan dengan parameter ukuran batch (128), learning rate (0,01), momentum (0,9), dan decay (0,0005). Arsitektur CNN terdiri dari 5 lapisan konvolusi, 5 relu, 2 lapisan max pooling, dan 3 lapisan fully-connected. Pada penelitian [6], klasifikasi terhadap kecacatan rel kereta api dilakukan menggunakan CNN dengan dataset grayscale diambil dari rekaman kamera di atas rel kereta. Proses pelatihan menggunakan 40 iterasi dengan parameter learning rate 0,01 dan decay 0,0001 untuk menghindari overfitting. Dua hasil percobaan dilaporkan dalam penelitian ini. Jaringan dilatih untuk mengklasifikan data menjadi 6 kelas, antara lain normal, weld, light squat, moderate squat, severe squat, dan joint. Lalu, konfusi matriks terhadap 6 kelas tersebut dibandingkan dengan 3 model arsitektur, yaitu kecil, sedang, dan besar. Dari hasil perbandingan tersebut, 6 kelas dipersempit menjadi 3 kelas, yaitu normal, weld, dan joint agar lebih efisien. Setalah itu, komparasi akurasi 3 kelas tersebut saling dibandingkan dengan 2 fungsi aktivasi, yaitu tanh dan relu. Hasil dari penelitian ini adalah peforma penggunaan relu lebih baik dibandingkan dengan tanh dan model arsitektur CNN besar memiliki peforma yang paling baik. Dalam paper ini, metode menggunakan convolutional neural networks untuk mengklasifikasikan pengendara sepeda motor diharapkan mampu mencapai akurasi minimal 70%. Batasan dalam penelitian ini adalah dash cam ditempelkan pada dashboard mobil lalu pengambilan data gambar pengendara sepeda motor dilakukan pada saat posisi sepeda motor menghadap lurus ke depan searah dengan mobil penulis dan diambil pada siang hari/cuaca cerah. Dalam penggunaan metode penelitian ini, penulis juga menjelaskan hal-hal terkait dengan proses penelitiannya dalam bentuk blok diagram. Blok diagram dibagi menjadi 3 bagian, yaitu proses awal, pelatihan, dan pengujian. Bahasa pemrograman yang digunakan adalah Python dengan menggunakan library keras dan opencv untuk Windows dan pelatihan menggunakan CPU. Blok diagram klasifikasi pengendara sepeda motor dapat dilihat pada Gambar 2.1. Gambar 2.1 Blok Diagram Klasifikasi Pengendara Sepeda Motor 80
3 Dataset Dataset diambil dari sebuah video beresolusi 1080 HD yang ditempelkan di dashboard mobil yang menghadap ke depan. Video diambil pada siang hari atau cuaca cerah sehingga gambar yang diambil lebih mudah untuk diproses. Dataset yang digunakan berjumlah 1000 dan dibagi menjadi 3 bagian, yaitu 600 untuk data pelatihan, 200 untuk data validasi, dan 200 untuk data pengujian. Dataset pelatihan dan validasi terdiri dari 400 citra pengendara sepeda motor dan 400 citra bukan pengendara sepeda motor. Pengambilan data dilakukan dengan cara cropping citra dari frame video yang sudah diekstrak. Pembagian dataset klasifikasi pengendara sepeda motor dapat dilihat pada Gambar 2.2. Data citra bukan pengendara sepeda motor diambil dari semua objek yang ada di jalan raya, antara lain pohon, langit, mobil, jalan, rumah, sepeda, dan sebagainya. Ukuran dari dataset yang berskala 1:2 diubah menjadi ukuran 200x400 piksel dengan format warna RGB. Contoh data pengendara sepeda motor dan bukan sepeda motor dengan ukuran 200x400 piksel dapat dilihat pada Gambar 2.3. Gambar 2.2 Pembagian Dataset Klasifikasi Pengendara Sepeda Motor Gambar 2.3 Data Citra Pengendara Sepeda Motor dan Bukan Pengendara Sepeda Motor Parameter Pada tahap pelatihan, data dilatih untuk menghasilkan bobot [7]. Proses pelatihan menggunakan stochastic gradient descent untuk meminimalkan error dengan memperbarui nilai bobot [8]. Formula untuk memperbarui nilai bobot ω dapat dilihat pada formula (1) [2]. υ i+1 = 0.9. υ i ε. ω i ε. L ω D i ω i+1 = ω i + υ i+1 (1) Dari formula (1), i adalah angka indeks, υ adalah momentum, ε adalah learning rate, dan L ω D i adalah turunan untuk memperbarui bobot ω terhadap iterasi yang ke-i yang dievaluasi pada ω i. Beberapa parameter yang digunakan dalam proses pelatihan adalah ukuran batch (32), learning rate (0,01), decay (5x10-4 ), dan momentum (0,9). Nilai parameter yang digunakan pada penelitian ini mengikuti sebagian besar nilai parameter dari penelitian AlexNet di mana decay berfungsi untuk menurunkan nilai error [2]. Setelah proses pelatihan selesai, pengujian dilakukan untuk mengevaluasi hasil peforma model pelatihan CNN. Pada tahap ini, 20% dari data digunakan sebagai data pengujian dan 80% dari data digunakan sebagai data pelatihan dan data validasi. 81
4 Arsitektur Convolutional Neural Networks Eksperimen yang dilakukan sama dengan yang dilakukan penelitian [6] yaitu membagi arsitektur CNN menjadi 3 bagian, antara lain arsitektur kecil, arsitektur sedang, dan arsitektur besar. Lalu, hasil akurasi dibandingkan antara satu arsitektur CNN dengan arsitektur CNN yang lain. Proses pelatihan menggunakan 40 iterasi atau epoch. Pembagian arsitektur CNN dapat dilihat pada Tabel 2.1. Tabel 2.1. Pembagian Arsitektur CNN Arsitektur Kecil Sedang Besar Lapisan Conv 1, filter 5 x filter Max Pooling 1 2 x 2 2 x 2 Lapisan Conv 2, filter 5 x filter Max Pooling 2 2 x 2 2 x 2 Lapisan Conv 3, Relu filter Max Pooling 3-2 x 2 2 x 2 Fully Connected 1 64 parameter 128 parameter 256 parameter Dropout Full Connected 2 16 parameter 32 parameter 64 parameter Dropout Full Connected 3, Softmax 2 parameter 2 parameter 2 parameter Total Parameter Pada Tabel 2.1, semua arsitektur CNN memiliki 3 lapisan konvolusi (dengan tambahan relu dan max pooling), 3 lapisan fully connected (FC), 2 lapisan dropout, dan softmax sebagai penggolong/pengkategori. Relu digunakan dalam arsitektur ini mengingat peforma relu lebih baik dibandingkan dengan fungsi aktivasi tanh [6]. Dropout perlu digunakan agar hasil dari pelatihan tidak overfitting [2]. Banyaknya jumlah parameter ditentukan dari banyaknya neuron pada lapisan full connected dan jumlah filter pada lapisan konvolusi sehingga total neuron yang terbanyak dihasilkan oleh arsitektur CNN besar. Pada arsitektur CNN kecil, lapisan konvolusi 3 dan max pooling 3 dikosongkan agar menjadi sederhana. Arsitektur CNN kecil menggunakan 8 jumlah filter dengan ukuran 5x5 dan ukuran max pooling 3x3 di lapisan hidden pertama sampai lapisan hidden yang kedua. Arsitektur CNN sedang menggunakan 16 jumlah filter dengan ukuran 3x3 dan ukuran max pooling 2x2 di lapisan hidden pertama sampai lapisan hidden yang ketiga. Arsitektur CNN sedang menggunakan 32 jumlah filter dengan ukuran 3x3 dan ukuran max pooling 2x2 di lapisan hidden pertama sampai lapisan hidden yang ketiga. Pembandingan arsitektur CNN di atas memiliki pola jumlah filter dua kali lipat dari arsitektur CNN yang lebih kecil dan ukuran filter serta max pooling yang berbeda antara arsitektur CNN kecil dan arsitektur CNN yang lainnya untuk percobaan yang mengikuti pola arsitektur CNN Babuska et al [6]. Visualisasi arsitektur CNN kecil dapat dilihat pada Gambar 2.4. Gambar 2.4 Arsitektur CNN Kecil 82
5 3. HASIL DAN PEMBAHASAN Hasil percobaan menggunakan tiga model arsitektur CNN menghasilkan akurasi untuk mengetahui peforma dari bobot yang sudah diperbarui selama 40 epoch. Hasil percobaan selama 40 epoch divisualisasikan pada Gambar 3.1. (i) (ii) (iii) Gambar 3.1 (i) Peforma Arsitektur CNN Besar (ii) Peforma Arsitektur CNN Sedang (iii) Peforma Arsitektur CNN Kecil Pada Gambar 3.1, garis bewarna biru adalah loss atau tingkat error, sedangkan garis bewarna orange adalah akurasi. Nilai akurasi validasi arsitektur CNN besar, sedang, dan kecil pada epoch yang ke-40 adalah masing-masing 95%, 93,75%, dan 95%. Tingkat error arsitektur CNN besar, sedang, dan kecil pada epoch yang ke-40 adalah masing-masing 1,92%, 5,63%, dan 11,6%. Peforma arsitektur CNN besar dan sedang lebih stabil dibandingkan dengan peforma arsitektur CNN kecil baik pada peforma akurasi dan tingkat error. Hal tersebut dapat dilihat pada epoch yang ke-4, ke-12, dan ke-28 dari arsitektur CNN kecil mengalami penurunan akurasi yang drastis. Peforma akurasi validasi dan tingkat error pada epoch yang ke-40 dapat disimpulkan bahwa nilai akurasi validasi tertinggi dan tingkat error terendah dihasilkan oleh arsitektur CNN besar. Gambar 3.2 Peforma Akurasi Validasi Terbaik Arsitektur CNN Pada Gambar 3.2, setiap epoch dalam proses pelatihan menyimpan hasil akurasi validasi yang terbaik dalam bentuk bobot dengan format file h5. Hasil akurasi validasi yang terbaik ada di dalam kotak bewarna biru. Model arsitektur CNN besar memiliki nilai akurasi validasi yang terbaik pada epoch ke-23 sebesar 96,25% dan tingkat error sebesar 10,35%. Model arsitektur CNN sedang memiliki nilai akurasi validasi yang terbaik pada epoch ke-35 sebesar 95,6% dan tingkat error sebesar 10,1%. Model arsitektur CNN kecil memiliki nilai akurasi validasi yang terbaik pada epoch ke-30 sebesar 95,6% dan tingkat error sebesar 22,5%. Bobot yang ada di kotak biru digunakan untuk menguji data pengujian yang berjumlah 200. Data pengujian terdiri dari 100 data citra pengendara sepeda motor dan 100 data citra bukan pengendara sepeda motor. 83
6 Pengujian terhadap bobot arsitektur CNN besar, sedang, dan kecil menghasilkan nilai True Positive (TP), False Negative (FN), False Positive (FP), True Negative (TN), precision, recall, f1-score, dan akurasi dapat dilihat pada Tabel 3.1 Tabel 3.1 Hasil Pengujian Bobot Arsitektur CNN Arsitektur TP FN FP TN Precision Recall F1-Score Akurasi CNN Besar Sedang Kecil Dari Tabel 3.1, hasil pengujian membuktikan bahwa nilai f1-score dan akurasi dari arsitektur CNN besar merupakan yang tertinggi, yaitu masing-masing sebesar 94,9% dan 93%. Contoh cuplikan hasil pengujian bobot arsitektur CNN besar dapat dilihat pada Gambar 3.3. Gambar yang berada di dalam kotak biru merupakan hasil TP, sedangkan gambar yang berada di dalam kotak biru muda merupakan hasil prediksi yang TN. Gambar yang berada di dalam kotak merah merupakan hasil FN dan gambar yang berada di dalam kotak kuning merupakan hasil prediksi yang FP. Gambar 3.3 Hasil Pengujian Bobot Arsitektur CNN Besar terhadap Data Testing 4. PENUTUP KESIMPULAN DAN SARAN Klasifikasi menggunakan Convolutional Neural Networks mampu menangani fitur yang kompleks seperti pengendara sepeda motor dan bukan pengendara sepeda motor. Nilai akurasi validasi arsitektur CNN besar, sedang, dan kecil pada epoch ke-40 adalah masing-masing 95%, 93,75%, dan 95% dengan tingkat error masing-masing 1,92%, 5,63%, dan 11,6%. Nilai akurasi validasi arsitektur CNN besar, sedang, dan kecil terhadap peforma terbaik adalah masing-masing 96,25%, 95,6%, dan 95,6%. Peforma arsitektur CNN besar dan sedang lebih stabil dibandingkan dengan peforma arsitektur CNN kecil. Pada tahap pengujian, nilai akurasi dan f1-score diperoleh untuk mengevaluasi bobot yang sudah dilatih. Nilai akurasi dan f1-score tertinggi diperoleh dari model arsitektur CNN besar dengan nilai sebesar masing-masing 94,9% dan 93%. Dengan kata lain, arsitektur CNN yang lebih besar memiliki hasil akurasi yang lebih baik daripada arsitektur yang lebih kecil. Saran untuk pengembangan penelitian selanjutnya adalah menambahkan jumlah sampel data citra pengendara sepeda motor, memodifikasi arsitektur CNN menjadi lebih kompleks sampai menghasilkan nilai akurasi yang lebih baik, dan menggunakan warna selain RGB. 84
7 5. DAFTAR PUSTAKA [1] B. P. Statistik, Perkembangan Jumlah Kendaraan Bermotor Menurut Jenis tahun , [Online]. Available: [2] A. Krizhevsky, I. Sutskever, and G. E. Hinton, ImageNet Classification with Deep Convolutional Neural Networks, 2012, pp [3] A. Karpathy, CS231n Convolutional Neural Networks for Visual Recognition. [Online]. Available: [4] Y. LeCun et al., Backpropagation Applied to Handwritten Zip Code Recognition, 1989, p. Vol. 1, no. 4, pp [5] D. Molin, Pedestrian Detection Using Convolutional Neural Networks, Linkoping University, [6] R. Babuska and B. De Schutter, Deep Convolutional Neural Networks for Detection of Rail Surface Defects, 2016, pp [7] F.-F. Li, A. Karpathy, and J. Johnson, Backpropagation and Neural Networks, [Online]. Available: [8] Y. Lecun, L. Bottou, G. B. Orr, and K.-R. Muller, Efficient BackProp, in Neural Networks: Tricks of the trade,
8 86
IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI
Royani Darma Nurfita, Gunawan Ariyanto, Implementasi Deep Learning Berbasis Tensorflow Untuk Pengenalan Sidik Jari IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI Royani Darma
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI 3.1. Citra Digital Citra digital adalah suatu citra elektronik yang diambil dari dokumen, seperti foto, buku, maupun sebuah video. Proses perubahan citra analog menjadi citra digital
Lebih terperinciBAB 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
Lebih terperinciCONVOLUTIONAL NEURAL NETWORK. Pengantar Deep Learning
CONVOLUTIONAL NEURAL NETWORK Pengantar Deep Learning Convolutional Neural Network Convolutional Neural Network (CNN) adalah salah satu jenis neural network yang biasa digunakan pada data image. CNN bisa
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 terperinciPengenalan Wajah Menggunakan Convolutional Neural Network
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 4907 Pengenalan Wajah Menggunakan Convolutional Neural Network Face Recognition Using Convolutional Neural Network Halprin
Lebih terperinciIMPLEMENTASI DEEP LEARNING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI CITRA CANDI BERBASIS GPU. Tugas Akhir
IMPLEMENTASI DEEP LEARNING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI CITRA CANDI BERBASIS GPU Tugas Akhir Diajukan untuk Memenuhi Sebagian Persyaratan Mencapai Derajat Sarjana Teknik Informatika
Lebih terperinciBAB II STUDI PUSTAKA. sudah banyak dilakukan. Penelitian-penelitian tersebut menggunakan berbagai
BAB II STUDI PUSTAKA 2.1 Tinjauan Pustaka Penelitian tentang klasifikasi buah dengan menggunakan pengolahan citra sudah banyak dilakukan. Penelitian-penelitian tersebut menggunakan berbagai macam metode
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Citra digital saat ini sudah menjadi kebutuhan banyak orang untuk berbagai macam keperluan. Hal ini dilihat dari betapa pentingnya peranan citra digital di berbagai
Lebih terperinciBAB III METODOLOGI. Dalam penelitian ini digunakan perangkat keras komputer dengan spesifikasi sebagai berikut:
BAB III METODOLOGI Pada bab ini akan dijelaskan secara lebih menyeluruh mengenai metodologi penelitian yang diusulkan dalam pembuatan sistem penerjemah bahasa isyarat sehingga didapat sistem yang handal.
Lebih terperinciImplementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital
JURNAL SAINS DAN SENI IS Vol. 6, No.1, (2017) 2337-3520 (2301-928X Print) A 18 Implementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital Zulfa Afiq Fikriya, Mohammad Isa Irawan, dan Soetrisno
Lebih terperinciPERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION ALGORITHM
JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Vol.6 No. 2, Desember 217 : 8-91 PERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION
Lebih terperinciJURUSAN TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO DEEP LEARNING. Teknologi AI saat ini
JURUSAN TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO DEEP LEARNING Teknologi AI saat ini PENGENALAN DEEP LEARNING GOOGLE TRENDS PROYEK GOOGLE VIDEO ON YOUTUBE NVIDIA SURVEY COLDFUSION
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Nearest Neighbor Nearest neighbor merupakan salah satu teknik interpolasi paling sederhana dan cepat dengan memindahkan ruang yang kosong dengan piksel yang berdekatan (the nearest
Lebih terperinciDETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL
DETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL Muhammad Affandes* 1, Afdi Ramadani 2 1,2 Teknik Informatika UIN Sultan Syarif Kasim Riau Kontak Person : Muhammad
Lebih terperinciMENENTUKAN KEPADATAN LALU LINTAS DENGAN PENGHITUNGAN JUMLAH KENDARAAN BERBASIS VIDEO PROCESSING
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2009 MENENTUKAN KEPADATAN LALU LINTAS DENGAN PENGHITUNGAN JUMLAH KENDARAAN BERBASIS VIDEO PROCESSING Muahamd Syukur¹, Iwan Iwut Tritoasmoro², Koredianto Usman³
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 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 terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL
1 SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (Human Face Detection System on Digital Images) Setyo Nugroho 1, Agus Harjoko 2 Program Studi Ilmu Komputer Program Pascasarjana Universitas Gadjah
Lebih terperinciABSTRAK. v Universitas Kristen Maranatha. Kata kunci: backpropagation, Multilayer Perceptron (MLP), masalah klasifikasi
ABSTRAK Salah satu fungsi dari pengklasifian data adalah untuk dapat mengenali objek baru. Sebuah sistem komputer yang berbentuk Multilayer Perceptron (MLP), dengan algoritma backpropagation mampu membantu
Lebih terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
Lebih terperinciKLASIFIKASI POLA SIDIK JARI MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK ANALISA KARAKTERISTIK SESEORANG
KLASIFIKASI POLA SIDIK JARI MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK ANALISA KARAKTERISTIK SESEORANG [1] Ahmad Fahrudi Setiawan, [2] Alam Katon Agung [1], [2] Institut Teknologi Nasional
Lebih terperinciSISTEM PENGENAL ARAH PANDANG MATA PADA PENGENDARA MOBIL
SISTEM PENGENAL ARAH PANDANG MATA PADA PENGENDARA MOBIL Deny Christian, Ivanna K. Timotius, Iwan Setyawan SISTEM PENGENAL ARAH PANDANG MATA PADA PENGENDARA MOBIL Deny Christian 1, Ivanna K. Timotius 2,
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 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 terperinciDAFTAR ISI. Lembar Pengesahan Penguji... iii. Halaman Persembahan... iv. Abstrak... viii. Daftar Isi... ix. Daftar Tabel... xvi
DAFTAR ISI Halaman Judul... i Lembar Pengesahan Pembimbing... ii Lembar Pengesahan Penguji... iii Halaman Persembahan... iv Halaman Motto... v Kata Pengantar... vi Abstrak... viii Daftar Isi... ix Daftar
Lebih terperinciPengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector Quantization
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3, Maret 2018, hlm. 1313-1317 http://j-ptiik.ub.ac.id Pengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector
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 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 terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
Lebih terperinciSimple ANN (Multilayer Perceptron) dengan Keras. Alfan F. Wicaksono Fakultas Ilmu Komputer Universitas Indonesia
Simple ANN (Multilayer Perceptron dengan Keras Alfan F. Wicaksono Fakultas Ilmu Komputer Universitas Indonesia Disclaimer Ini bukan tutorial untuk mempelajari ANN & Deep Learning secara detail. Tujuan
Lebih terperinciLAPORAN 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
Lebih terperinciConvolutional 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/
Lebih terperinciPREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 2, Juni 2016, hlm. 83-87 PREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG Daneswara
Lebih terperinciKLASIFIKASI POLA UKIR KAYU JEPARA BERDASARKAN DETEKSI TEPI BERBASIS JARINGAN SYARAF TIRUAN
LAPORAN SKRIPSI KLASIFIKASI POLA UKIR KAYU JEPARA BERDASARKAN DETEKSI TEPI BERBASIS JARINGAN SYARAF TIRUAN VAHRUL MEILANI NIM.2012-51-115 DOSEN PEMBIMBING Endang Supriyati, M.Kom Alif Catur Murti, S.Kom,
Lebih terperinciSEGMENTASI HURUF TULISAN TANGAN BERSAMBUNG DENGAN VALIDASI JARINGAN SYARAF TIRUAN. Evelyn Evangelista ( )
SEGMENTASI HURUF TULISAN TANGAN BERSAMBUNG DENGAN VALIDASI JARINGAN SYARAF TIRUAN Evelyn Evangelista (1022004) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof. Drg. Suria
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
Lebih terperinciPenggunaan Deep Learning untuk Prediksi Churn pada Jaringan Telekomunikasi Mobile Fikrieabdillah
ISSN : 2355-9365 e-proceeding of Engineering : Vol3, No2 Agustus 2016 Page 3882 Penggunaan Deep Learning untuk Prediksi Churn pada Jaringan Telekomunikasi Mobile Fikrieabdillah Ilmu Komputasi Universitas
Lebih terperinciAlgoritma Restricted Boltzmann Machines (RBM) untuk Pengenalan Tulisan Tangan Angka
Algoritma Restricted Boltzmann Machines (RBM) untuk Pengenalan Tulisan Tangan Angka Susilawati Universitas Medan Area susi.shilawati@gmail.com Abstrak Pengenalan tulisan tangan angka telah dimanfaatkan
Lebih terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciKLASIFIKASI POLA BATIK DENGAN DETEKSI TEPI (LAPLACIAN DAN ROBERT) BERBASIS JARINGAN SYARAF TIRUAN
LAPORAN SKRIPSI KLASIFIKASI POLA BATIK DENGAN DETEKSI TEPI (LAPLACIAN DAN ROBERT) BERBASIS JARINGAN SYARAF TIRUAN Oleh : Dian Aniswari 2010-51-177 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT UNTUK MEMPEROLEH
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciBAB 1 PENDAHULUAN. datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk
BAB 1 PENDAHULUAN 1.1. Latar Belakang Peramalan adalah menduga atau memperkirakan suatu keadaan di masa yang akan datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan
Lebih terperinciDETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION
No Makalah : 299 Konferensi Nasional Sistem Informasi 2012, STMIK - STIKOM Bali 23-25 Pebruari 2012 DETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION Ratri Dwi Atmaja 1,
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB III METODE PENELITIAN. Penelitian ini dilakukan dalam kurung waktu setahun.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Pelaksanaan Penelitian dilaksanakan di Laboratorium Intrumentasi Medis Departemen Fisika, Fakultas Sains dan Teknologi Universitas Airlangga. Lokasi pengambilan
Lebih terperinciSLOPE CORRECTION PADA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
SLOPE CORRECTION PADA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Disusun Oleh : Apriliyanto Taufik Betama (1022070) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. drg. Suria Sumantri, MPH, No.
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 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 terperinciImplementasi Sistem Pendeteksi Gerakan dengan Motion Detection pada Kamera Video Menggunakan AForge.NET
JURNAL TEKNIK POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Sistem Pendeteksi Gerakan dengan Motion Detection pada Kamera Video Menggunakan AForge.NET Muhammad Redha, Dwi
Lebih terperinciKlasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) pada Caltech 101
A65 Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) pada Caltech 101 I Wayan Suartika E. P, Arya Yudhi Wijaya, dan Rully Soelaiman Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciPERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR
PERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR Ragil Anggararingrum Perwira Nagara¹, Adiwijaya², Ratri Dwi Atmaja³ ¹Teknik
Lebih terperinciKLASIFIKASI 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
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Pengerjaan tugas akhir ini ditunjukkan dalam bentuk blok diagram pada gambar 3.1. Blok diagram ini menggambarkan proses dari sampel citra hingga output
Lebih 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 terperinciPENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN. Disusun oleh : Mario Herryn Tambunan ( )
PENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN Disusun oleh : Mario Herryn Tambunan (1022056) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciPerbandingan Metode Ekstraksi Ciri Histogram dan PCA untuk Mendeteksi Stoma pada Citra Penampang Daun Freycinetia
Tersedia secara online di: http://journal.ipb.ac.id/index.php.jika Volume 2 Nomor 1 halaman 20-28 ISSN: 2089-6026 Perbandingan Metode Ekstraksi Ciri Histogram dan PCA untuk Mendeteksi Stoma pada Citra
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan metode penelitian sebagai berikut: 1) Pengumpulan Data Tahap ini dilakukan sebagai langkah awal dari suatu penelitian. Mencari
Lebih terperinciPREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION DAN WEIGHT-ELIMINATION
Konferensi Nasional Sistem dan Informatika 1; Bali, November 13, 1 PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION DAN WEIGHT-ELIMINATION Fitrisia, Adiwaya, dan Andrian
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 terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciBAB III 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 terperinciREALISASI SISTEM DETEKSI RASA KANTUK BERDASARKAN DURASI KEDIPAN MATA SECARA REAL TIME MENGGUNAKAN METODE VIOLA-JONES
REALISASI SISTEM DETEKSI RASA KANTUK BERDASARKAN DURASI KEDIPAN MATA SECARA REAL TIME MENGGUNAKAN METODE VIOLA-JONES Avrian Andreas Marjono NRP : 1222006 e-mail : avrianandreas@yahoo.co.id ABSTRAK Rasa
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 terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciTemu Kembali Citra Makanan Menggunakan Representasi Multi Texton Histogram
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-368 Temu Kembali Citra Makanan Menggunakan Representasi Multi Texton Histogram Imagine Clara Arabella, Nanik Suciati, dan Dini
Lebih terperinciBAB I PENDAHULUAN. mengenai deteksi wajah dengan Differential Evolution Based Neural Network
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Berdasarkan penelitian yang telah dilakukan oleh Yudistira Dewanata mengenai deteksi wajah dengan Differential Evolution Based Neural Network mendapatkan total
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 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih 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 terperinciDeteksi Kebakaran pada Video Berbasis Pengolahan Citra dengan Dukungan GPU
Deteksi pada Video Berbasis Pengolahan Citra dengan Dukungan GPU Adhi Prahara Jurusan Ilmu Komputer dan Elektronika Fakultas MIPA, Universitas Gadjah Mada Sekip Utara Bulaksumur, Yogyakarta, Indonesia
Lebih terperinciANALISIS SISTEM PARKIR CERDAS BERBASIS OCR (OPTICAL CHARACTER RECOGNITION) MENGGUNAKAN METODE CONFUSSION MATRIX
ANALISIS SISTEM PARKIR CERDAS BERBASIS OCR (OPTICAL CHARACTER RECOGNITION) MENGGUNAKAN METODE CONFUSSION MATRIX Diana Rahmawati 1*, Kunto Aji Wibisono 2 2, Fajar Dwima W 3 1,2 Prodi S1 Teknik Elektro,
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 terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciPERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN JARINGAN SARAF TIRUAN ELMAN DENGAN ALGORITME GRADIENT DESCENT ADAPTIVE LEARNING RATE
PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN JARINGAN SARAF TIRUAN ELMAN DENGAN ALGORITME GRADIENT DESCENT ADAPTIVE LEARNING RATE oleh BETA VITAYANTI M0110012 SKRIPSI Ditulis dan diajukan untuk
Lebih terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
Lebih terperinciV HASIL DAN PEMBAHASAN
22 V HASIL DAN PEMBAHASAN 5.1 Karakteristik Video dan Ektraksi Frame Video yang digunakan di dalam penelitian ini merupakan gabungan dari beberapa cuplikan video yang berbeda. Tujuan penggabungan beberapa
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 terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciBAB 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 terperinciIMPLEMENTASI EXTREME LEARNING MACHINE UNTUK PENGENALAN OBJEK CITRA DIGITAL
TUGAS AKHIR SM141501 IMPLEMENTASI EXTREME LEARNING MACHINE UNTUK PENGENALAN OBJEK CITRA DIGITAL ZULFA AFIQ FIKRIYA NRP 1213 100 066 Dosen Pembimbing Prof. Dr. Mohammad Isa Irawan, MT Drs. Soetrisno, MI.Komp
Lebih terperinciIMPLEMENTASI PERHITUNGAN KECEPATAN OBJEK BERGERAK BERBASIS WEBCAM DAN PENGOLAHAN CITRA DIGITAL
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2009 IMPLEMENTASI PERHITUNGAN KECEPATAN OBJEK BERGERAK BERBASIS WEBCAM DAN PENGOLAHAN CITRA DIGITAL Bambang Hermanto¹, Koredianto Usman², Iwan Iwut Tirtoasmoro³
Lebih terperinciBAB 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
Lebih terperinciIDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN
IDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN Galih Probo Kusuma, Dr Melania Suweni Muntini, MT Jurusan Fisika Institut Teknologi Sepuluh Nopember (ITS) Surabaya
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 terperinciPENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU
PENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU Risky Meliawati 1,Oni Soesanto 2, Dwi Kartini 3 1,3Prodi Ilmu Komputer FMIPA UNLAM 2 Prodi Matematika
Lebih terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
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) 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 terperinciEKSTRAKSI CITRA BARCODE MENJADI KODE STRING MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION 1 Andrian Rakhmatsyah 2 Angga Sukma Prinata 3 Adiwijaya 12 Departemen Teknik Informatika
Lebih 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 terperinciPERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP)
PERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP) Apriliyah, Wayan Firdaus Mahmudy, Agus Wahyu Widodo Program Studi Ilmu Komputer Fakultas MIPA Universitas
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Pada bab ini akan dijelaskan mengenai latar belakang, permasalahan, tujuan dan ruang lingkup, dan sistematika penulisan laporan dari tesis ini. 1.1 Latar Belakang Di tempat umum seperti
Lebih terperinciVERIFIKASI TANDA TANGAN DENGAN METODE JARINGAN SYARAF TIRUAN HETEROASSOCIATIVE MEMORY ABSTRAK
VERIFIKASI TANDA TANGAN DENGAN METODE JARINGAN SYARAF TIRUAN HETEROASSOCIATIVE MEMORY Disusun oleh : Fabiola Zita Devy C. 0722085 Jurusan Teknik Elektro, Fakultas Teknik,, Jl.Prof.Drg.Suria Sumantri, MPH
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 terperinci