2.1 Tinjauan Pustaka Analisis Perbandingan Transformasi Wavelet pada Pengenalan Citra,
|
|
- Sonny Kurnia
- 6 tahun lalu
- Tontonan:
Transkripsi
1 2.1 Tinjauan Pustaka Pada peneliti sebelumnya Jackson Alexander Bunga, R Rizal Isnanto, dan Ajub Ajulian Z (2011), yang memuat tentang pengklasifikasikan citra biji-bijian kedalam kelas-kelas tertentu secara automatis menggunakan metode wavelet. Yudistira Ganis K, Imam santoso, R. Rizal Isnanto (2009), penelitiannya berjudul Klasifikasi Citra dengan Matriks Ko-okurensi Aras Keabuan (Gray Level Cooccurrence Matrix-GLCM) pada lima kelas Biji-bijian. Menerangkan tentang pengklasifikasikan Biji-bijian yang digunakan diambil dari lima kelas biji-bijian yang berbeda, yaitu : biji kopi, kacang hijau, kacang tanah, dan kedelai. Lima jenis biji-bijian tersebut secara fisik memiliki fisik bentuk yang khas yang mampu dibedakan secara baik dengan penglihatan manusia. Namun perlu dilakukan penelitian, sejauh mana suatu sistem yang dalam hal ini berupa perangkat lunak mampu mengenali kelas biji-bijian tersebut dengan metode analisis teskstur matriks ko-okuensi dan metode Klasifikasi knearest Neighbor. Kopi merupakan salah satu jenis tanaman perkebunan yang sudah lama dibudidayakan dan memiliki nilai ekonomis yang lumayan tinggi. Konsumsi kopi dunia mencapai 70% berasal dari spesies kopi arabika dan 26% berasal dari spesies kopi robusta. Kopi berasal dari Afrika, yaitu daerah pegunungan di Etopia. Namun, kopi sendiri baru dikenal oleh masyarakat dunia setelah tanaman tersebut dikembangkan di luar daerah asalnya, yaitu Yaman di bagian selatan Arab, melalui para saudagar Arab Rahardjo (2012). Di Indonesia kopi mulai di kenal pada tahun Tanaman kopi di Indonesia mulai di produksi di pulau Jawa, dan hanya bersifat coba-coba, tetapi karena hasilnya memuaskan dan dipandang cukup menguntungkan sebagai komoditi perdagangan maka menyebarkannya ke berbagai daerah agar para penduduk menanamnya Najiyanti dan Danarti (2004). Penelitian yang dilakukan oleh Sutarno dengan judul Analisis Perbandingan Transformasi Wavelet pada Pengenalan Citra, Fakultas Ilmu Komputer Universitas Sriwijaya, (2010), untuk mengetahui tingkat keberhasilan sistem identifikasi citra menggunakan transformasi wavelet, juga untuk mengetahui pengaruh transformasi dengan berbagai metode wavelet citra masukan terhadap unjuk kerja sistem klasifikasi citra. Citra untuk pengujian diambil di 1
2 2 lapangan menggunakan kamera digital. Pada pengujian awal proses transformasi citra masukan menggunakan wavelet Haar hingga level 3. Pada proses pengujian selanjutnya transformasi citra masukan akan menggunakan keluarga wavelet Daubechies (db2) dan Coiflets (coif). Penelitian dengan menggunakan pemisah ciri wavelet juga pernah dilakukan oleh Muhammad Ilyas Sikki, (2009), dalam penelitiannya yang berjudul Pengenalan wajah Menggunakan K-Nearest Neighbour Dengan Praproses Transformasi Wavelet. Mengimplementasikan dari pengetahuan tentang transformasi wavelet untuk praproses citra yang selanjutnya di klasifikasikan dengan menggunakan metode k-nearest neighbour(k-nn) untuk menentukan citra biji kopi dari database-nya. Data yang digunakan dalam percobaan adalah 80 citra yang terdiri dari 8 individu dengan masing-masing 10 citra per individu. Citra memiliki beberapa variasi seperti tersenyum, menggunakan kacamata atau tidak, dan mata terbuka atau tertutup. Penelitian ini fokus terhadap bagaimana membangun sebuah sistem absensi melalui proses acquisition dengan membaca citra melalui web camera, mempresentasikan image ke bentuk biner dengan ukuran pixel tertentu untuk dilakukan pemisah ciri melalui transformasi wavelet dan melakukan klasifikasi pola menggunakan k-nearest neighbour dengan memperhatikan database citra kemudian dilakukan proses detection. 2.2 Landasan Teori Citra Merupakan suatu representasi, kemiripan, atau imitasi dari suatu obyek atau benda. Sebuah citra mengandung informasi tentang obyek yang dipresentasikan. Citra dapat dikelompokkan menjadi citra tampak dan citra tak tampak. Kamus Webster (1913). Untuk dapat dilihat mata manusia, citra tak tampak harus dirubah menjadi citra tampak, misalnya dengan menampilkannya di monitor, dicetak di kertas dan sebagainya. Salah satu contoh citra tak tampak adalah citra digital. Citra dapat juga didefenisikan sebagai gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinu menjadi gambar diskrit melalui proses sampling. Gambar
3 3 analog dibagi menjadi N baris dan M kolom sehingga menjadi gambar diskrit. Persilangan antara baris dan kolom tertentu disebut dengan piksel. Contohnya adalah gambar/titik diskrit pada baris n dan kolom m disebut dengan piksel [n,m]. Citra merupakan demensi spasial yang berisi informasi warna dan tidak bergantung pada waktu. Citra merupakan sekumpulan titik-titik dari gambar, yang disebut pixel (picture element) Wavelet Alihragam gelombang singkat (wavelet) merupakan alihragam yang membawa citra (signal) ke versi pergeseran (shifted) dan peskalaan (scaled) dari gelombang singkat yang asli (mother wavelet). Alihragam gelombang singkat diskrit dapat dilakukan dengan suatu pentapisan bertingkat (cascading filter), yang diikuti dengan pencuplikan (subsampling) dengan pembagian 2. (Putra Darma, 2009). Gambar alihragam wavelet diskrit pada citra dalam dilihat pada gambar. Gambar 2.1 : Gambar 2.1 Alihragam Wavelet Diskrit Pada Citra 2 (Darma, 2009) H dan L berturut-turut menyatakan tapis yang meneruskan frekuensi tinggi (high-pass filter) dan tapis yang meneruskan frekuensi rendah (low-pass filter). 2 menyatakan pencuplikan dengan pembagian 2. Keluaran dari tapis diberikan melalui persamaan sebagai berikut :...(2.1)...(2.2)
4 4 (Darma, 2009) Elemen aj yang digunakan untuk tahap berikutnya disebut dengan elemen penskalaan dan elemen dj disebut dengan koefisien gelombang singkat, yang merupakan hasil alih ragam. Jumlah elemen pada skala j+1 adalah setengah dari jumlah elemen a dan d pada skala j. Hal ini mengakibatkan alih ragam gelombang diskrit hanya bisa dilakukan sampai tersisa dua elemen aj. Berikut gambar yang menunjukkan hasil alih ragam gelombang singkat haar. (a) (b) Gambar 2.2 Hasil Alihragam gelombang singkat Haar (a) Citra Asli (b) Hasil Alihragam Tingkat 2. (Darma, 2009) Wavelet sangat berguna untuk kompresi data image, karena transformasi wavelet mempunyai property yang ada dalam beberapa cara transformasi Fourier konvensional. Untuk melakukan transformasi terhadap citra, suatu citra dapat dianggap sebagai suatu matriks dua dimensi. Kita dapat melakukan transformasi terhadap
5 5 baris-baris pada citra, dan dilanjutkan dengan transformasi terhadap kolom-kolom pada citra, seperti pada Gambar 2.3 di bawah ini : Citra Lowpass terhadap baris Highpass terhadap baris Lowpass terhadap kolom Highpass terhadap kolom Lowpass terhadap kolom Highpass terhadap kolom LL : hasil lowpass terhadap baris dan kolom LL LH LH : hasil lowpass terhadap baris diteruskan dengan highpass terhadap kolom HL : hasil highpass terhadap baris diteruskan dengan HL HH lowpass terhadap kolom HH : hasil highpass terhadap baris dan kolom. LL2 LH2 HL2 HH2 HL1 LH1 HH1 LH1, HL1, dan HH1 merupakan hasil dekomposisi level 1. LL2 tidak diperlihatkan pada gambar karena langsung didekomposisi lagi menjadi LL2, LH2, HL2 dan HH2 Gambar 2.3 Hasil dekomposisi wavelet. (Darma, 2009) Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) adalah prosesor tersebar paralel yang sangat besar (massively paralel distributed processor) yang memiliki kecenderungan untuk menyimpan pengetahuan yang bersifat pengalaman dan membuatnya siap untuk digunakan (Aleksander & Morton 1990).
6 6 JST menyerupai otak manusia dalam dua hal, yaitu: 1. Pengetahuan diperoleh jaringan melalui proses belajar. 2. Kekuatan hubungan antar sel syaraf (neuron) yang dikenal sebagai bobot-bobot sinaptik digunakan untuk menyimpan pengetahuan. Ada beberapa tipe jaringan syaraf, namun demikian, hampir semuanya memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf juga terdiri dari beberapa neuron, dan ada hubungan antar neuron-neuron tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan nama bobot. Informasi tesebut disimpan pada suatu nilai tertentu pada bobot tersebut. Informasi (input) akan dikirim ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila input tersebut melewati nilai ambang tertentu, maka neuron tersebut akan diaktifkan, tapi kalau tidak, maka neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan maka neuron tersebut akan mengirimkan output melalui bobot bobot output-nya ke semua neuron yang berhubungan dengannya. Demikian seterusnya. Pada jaringan syaraf, neuron-neuron akan dalam lapisan-lapisan (layer) yang disebut dengan lapisan neuron (neuron layers). Biasanya neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya (kecuali lapisan input dan lapisan output). Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang sering dikenal dengan lapisan tersembunyi (hidden layer). Tergantung pada algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara mundur pada jaringan. Secara umum arsitektur JST terdiri atas beberapa lapisan, lapisan masukan (input layer), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output layer).
7 Model Sel Syaraf (Neuron) Satu sel syaraf terdiri dari tiga bagian, yaitu: fungsi penjumlah (summing function), fungsi aktivasi (activation function), dan keluaran (output). Secara matematis kita bisa menggambarkan sebuah neuron k dengan menuliskan pasangan persamaan sebagai berikut : y k k m j1 k w kj k x j......(2.3) b......(2.4) (Simon, 2009) dimana x1, x2,, xp adalah sinyal input; wk1, wk2,, wkp adalah bobot-bobot sinaptik dari neuron k; uk adalah linear combiner output; k adalah threshold; (.) adalah fungsi aktivasi; dan yk adalah sinyal output dari neuron. Penggunaan threshold memberikan pengaruh adanya affine transformation terhadap output uk dari linear combiner pada model. Vk = Uk - k... (2.5) (Simon, 2009) Gambar 2.4 Model Matematis Nonlinier Dari Suatu Neuron (Simon, 2009)
8 Fungsi Aktivasi Terdapat berbagai macam fungsi aktivasi yang dapat digunakan tergantung karakteristik masalah yang akan diselesaikan. Tiga diantara fungsi aktivasi adalah sebagai berikut: 1. Threshold Function 1 ifv 0 ( v)...(2.6) 0 ifv 0 2. Piecewise-Linear Function 1 ( v) v 0 3. Sigmoid Function ( v) 1 exp( av) v v v (2.7)....(2.8) Arsitektur Jaringan Pola dimana neuron-neuron pada JST disusun berhubungan erat dengan algoritma belajar yang digunakan untuk melatih jaringan. Secara umum, arsitektur Jaringan Syarat Tiruan terdiri atas beberapa lapisan, yaitu lapisan masukan (input layer), (hidden layer), dan lapisan keluaran (output layer). Masing-masing lapisan mempunyai jumlah node atau neuron yang berbeda-beda. Masukan lapisan input layer merupakan lapisan yang terdiri dari beberapa neuron yang akan menerima signal dari luar dan kemudian meneruskan neuron-neuron dalam jaringan. Lapisan tersembunyi (hidden layer) merupakan tiruan dari sel-sel syaraf konektor pada jaringan biologis. Lapisan tersmbunyi berfungsi meningkatkan kemampuan jaringan dalm memecahkan masalah. Lapisan keluaran atau output layer berfungsi menyalurkan signal-signal keluaran hasil pemrosesan jaringan.
9 9 Adapun arsitektur JST seperti Gambar 2.5, 2.6, dan Single-Layer Feedforward Networks Input Layer of Source Node Output Layer of Neuron Gambar 2.5 Feedforward Network dengan satu lapisan neurons tunggal. (Simon, 2009) 2. Multi-Layer Feedforward Networks
10 10 Input Layer of Source Node Output Layer of Neuron Layer of Gambar 2.6 Fully connected feedforward network dengan satu hidden layer dan satu output 3. current Networks layer (jaringan 4-4-2). (Simon, 2009) Unit-Delay Operators Gambar 2.7 Recurrent network tanpa selffeedback loop dan tanpa hidden neurons. (Simon, Proses Belajar (Learning) 2009)
11 11 Belajar merupakan suatu proses dimana parameter-parameter bebas JST diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungan dimana jaringan berada. Definisi proses belajar ini menyebabkan urutan kejadian sebagai berikut: 1. JST dirangsang oleh lingkungan 2. JST mengubah dirinya sebagai hasil rangsangan ini. 3. JST memberikan respon dengan cara yang baru kepada lingkungan, disebabkan perubahan yang terjadi dalam struktur internalnya sendiri. Gambar 2.8 Taksonomi Proses Belajar. (Sugiarto, 2015) Supervised Learning Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang diharapkan telah diketahui sebelumnya. Pada proses pembelajaran, satu pola input akan diberikan ke suatu neuron pada lapisan input. Pola ini akan dirambatkan di jaringan syaraf hingga sampai ke neuron pada lapisan output. Lapisan output ini akan membangkitkan pola output yang nantinya akan dicocokan dengan pola output targetnya. Apabila terjadi perbedaan antara pola output hasil pembelajaran dengan pola target, maka disini akan muncul error. Apabila nilai error ini masih cukup besar, mengklasifikasi bahwa masih perlu dilakukan lebih banyak pembelajaran lagi Unsupervised Learning
12 12 Pada metode pembelajaran yang tak terawasi ini tidak memerlukan target output. Pada metode ini, tidak dapat ditentukan hasil yang seperti apakah yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini adalah megelompokkan unit-unit yang hampir sama dalam suatu area tertentu Mekanisme Kerja Multilayer Perceptron Neural Network Sesuai dengan karakteristik neural network, pada dasarnya Multilayer Perceptron memiliki kecenderungan yang sama dengan jenis neural network lainnya, namun setiap jenis memiliki karakteristik masing-masing, seperti halnya Single layer Neural Network, biasanya hanya digunakan untuk memberikan solusi yang sifatnya hanya sederhana saja. Multilaye Perceptron Neura Network adalah jenis neural network yang memiliki kemampuan untuk mendeteksi atau melakukan analisa untuk permasalahan yang sifatnya cukup atau bahkan sangat kompleks, seperti pada masalah Pemrosesan Bahasa, Pengenalan suatu Pola serta Pemrosesan suatu Image atau gambar. Adapun Proses yang terjadi Pada Multilayer Perceptron Neural Network, adalah sebagai berikut : Masukan Gambar 2.9 Proses Multilayer Perceptron Neural network. (Prihasto, 2008)
13 13 Proses ini merupakan bagian dari sistem kerja secara keseluruhan, karena proses masukan digunakan untuk menunjang pada proses pembelajaran serta proses pengujian. Pada proses ini, masukan diklasifikasikan berdasarkan keinginan dari pembuat, dimana bentuk masukan dapat berupa nilai logic atau bilangan biner ( 1 atau 0 ), atau juga bisa berupa nilai angka atau bilangan real (0.3 atau 0.7) bahkan dapat melakukan proses dengan menggunakan bilangan negatif Proses Pembelajaran Pada bagian ini merupakan sisi kelebihan dari metoda Neural network, dimana setiap permasalahan yang akan dihadapi dapat dipecahkan dengan melalui tahapan pembelajaran, seperti halnya otak manusia yang secara sifat biologis, memiliki kemampuan untuk mempelajari hal-hal yang baru. Memang pada dasarnya, neural network ini dibuat untuk dapat mempelajari sesuatu hal yang baru sehingga mampu melakukan penganalisaan tanpa menggunakan suatu rumusan yang baku. Proses pembelajaran ini sangat mempengaruhi sensitifitas kemampuan dalam melakukan penganalisaan, semakin banyak bahan atau masukan sebagai pembelajaran maka akan semakin mudah dan sensitif dalam melakukan analisa. Biasanya untuk membahas hal-hal yang cukup kompleks, Multilayer Perceptron Neural network memiliki hidden neuron yang digunakan untuk mengimbangi setiap permasalahan yang akan dihadapi Proses Perhitungan Saat Pembelajaran Proses ini melibatkan dua faktor penting, yaitu masukan dan keluaran yang ditentukan. Keluaran tersebut merupakan bagian dari sistem atau metoda pembelajaran yang dinamakan Supervised Learning, dengan demikian setiap masukan memiliki keluaran yang nantinya akan dijadikan sebagai acuan pembelajaran. Hal inilah yang membuat Neural Network melakukan penganalisaan, selain banyaknya masukan yang diberikan, proses pembelajaran yang dilakukan secara berulang pun akan menunjang kemampuan Neural Network saat menganalisa.
14 Keluaran Bagian ini merupakan proses yang digunakan untuk mengetahui seberapa besar pengaruh pembelajaran terhadap keluaran yang diinginkan, jika hasil yang diinginkan kurang sesuai maka kemungkinan yang terjadi adalah : 1. Variabel masukan ( informasi yang diberikan ) kurang penunjang 2. Kurangnya layer pada rancangan keseluruhan 3. Jumlah neuron yang terlalu sedikit Namun tidak menutup kemungkinan karena ketidak sesuaian penerapan saat proses pembelajaran dilakukan juga dapat mempengaruhi proses pembelajaran Learning Vector Quantization (LVQ) Learning Vector Quantization merupakan metode klasifikasi dengan setiap unit output mempresentasikan sebuah kelas. LVQ digunakan untuk pengelompokkan dengan target/kelas sudah ditentukan sebelumnya. LVQ salah satu jaringan syaraf tiruan yang merupakan algoritma pembelajaran kompetitif terawasi versi dari algoritma Kohonen Self-Organizing Map (SOM). Tujuan dari algoritma ini adalah untuk mendekati distribusi kelas vektor untuk meminimalkan kesalahan dalam pengklasifikasian. Algoritma diusulkan oleh Kohonen pada tahun 1986 sebagai perbaikan dari Vector Quantization. Model pembelajaran LVQ dilatih secara signifikan agar lebih cepat dibandingkan algoritma lain seperti Back Propagation Neural Network. Hal ini dapat meringkas atau mengurangi dataset besar untuk sejumlah kecil vektor. LVQ melakukan pembelajaran pada lapisan kompetitif yang terawasi. Lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vector-vector input. Kelaskelas yang didapat sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vector-vector input. Jika vector input mendekati sama maka lapisan kompetitif akan mengklasifikasikan kedua vector input tersebut kedalam kelas yang sama. (Santoso, 2012) Algoritma Learning Vector Quantizations ( LVQ )
15 15 Algoritma pelatihan LVQ untuk memperoleh unit keluaran yang paling dekat dengan vector masukan. Bila x dan Wc berasal dari kelas yang sama, maka vector bobot didekatkan ke vektor masukan ini. Tetapi bila x dan Wc memiliki kelas yang berbeda, maka vector bobot dijauhkan dari vector masukan ini. Nomenklatur: X : vector pelatihan (X 1,, X i,,x n ) T : kelas atau kategori vektor pelatihan Wj : vector bobot untuk unit keluaran ke j; (W 1j,,W ij,,w nj ) Cj : kategori atau kelas yang diberikan oleh unit keluaran j W-Wj : jarak Euclidean Antara vector masukan dan vector bobot unit keluaran ke j. Langkah 0 inisialisasi vector referensi inisilisasi laju pelatihan α (0) Langkah 1. Selama syarat berhenti: salah, kerjakan Langkah 2-6 Langkah 2. Untuk setiap vektor masukan pelatihan x, kerjakan Langkah 3-4 Langkah 3. Carilah J sehingga minimum x-wj Langkah 4 Perbarui Wj sebagai berikut: Bila T=Cj maka Wj(baru) =Wj(lama) + α[x-wj(lama)] Bila T Cj maka Wj(baru)=Wj(lama)- α[x-wj(lama)] Langkah 5 Kurangi laju pelatihan Langkah 6 Uji syarat berhenti (dapat spesifikasi dengan cacah iterasi atau laju pelatihan apakah sudah mencapai nilai yang cukup kecil).
16 16
BAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Penelitian yang dilakukan oleh Sutarno, 2010. IDENTIFIKASI EKSPRESI WAJAH MENGGUNAKAN ALIHRAGAM GELOMBANG SINGKAT (WAVELET) DAN JARINGAN SYARAF TIRUAN LEARNING
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
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 terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Pola Pengenalan pola (pattern recognition) adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur atau sifat
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
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 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 terperinciFAKULTAS SAINS DAN TEKNOLOGI UIN SUSKA RIAU. IIS AFRIANTY, ST., M.Sc
IIS AFRIANTY, ST., M.Sc Sistem Penilaian Tugas dan Keaktifan : 15% Quiz : 15% UTS : 35% UAS : 35% Toleransi keterlambatan 15 menit Handphone: Silent Costume : aturan UIN Laki-laki Perempuan Menggunakan
Lebih terperinciNeural Network (NN) Keuntungan penggunaan Neural Network : , terdapat tiga jenis neural network Proses Pembelajaran pada Neural Network
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
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 terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
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 IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
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 2 TINJAUAN PUSTAKA. menggunakan teknik statistik, matematika, kecerdasan buatan, tiruan dan machinelearning
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data mining adalah kombinasi secara logis antara pengetahuan data, dan analisa statistik yang dikembangkan dalam pengetahuan bisnis atau suatu proses yang menggunakan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan diuraikan materi yang mendukung dalam pembahasan evaluasi implementasi sistem informasi akademik berdasarkan pengembangan model fit HOT menggunakan regresi linier
Lebih terperinciANALISIS DEKOMPOSISI WAVELET PADA PENGENALAN POLA LURIK DENGAN METODE LEARNING VECTOR QUANTIZATION
ANALISIS DEKOMPOSISI WAVELET PADA PENGENALAN POLA LURIK DENGAN METODE LEARNING VECTOR QUANTIZATION Bambang Robi in eure_bbg@yahoo.com Akademi Teknik PIRI Yogyakarta Abstrak Indonesia merupakan negara yang
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 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan Pendahuluan Otak Manusia Sejarah Komponen Jaringan Syaraf Arisitektur Jaringan Fungsi Aktivasi Proses Pembelajaran Pembelajaran Terawasi Jaringan Kohonen Referensi Sri Kusumadewi
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Supatman (2008), dalam penelitian yang berjudul Identifikasi Tekstur Citra Bubuk Susu Menggunakan Alihragam Gelombang-Singkat Untuk Mendeteksi
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 terperinciOPTICAL CHARACTER RECOGNIZATION (OCR)
LAPORAN JARINGAN SYARAF TIRUAN OPTICAL CHARACTER RECOGNIZATION (OCR) DISUSUN OLEH: DIJAS SCHWARTZ. S (524) FIRNAS NADIRMAN (481) INDAH HERAWATI (520) NORA SISKA PUTRI (511) OKTI RAHMAWATI (522) EKSTENSI
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Jaringan Saraf Tiruan Jaringan saraf tiruan adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia.
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 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 terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
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 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 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 terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
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 terperinciMODEL N EURON NEURON DAN
1 MODEL NEURON DAN ARSITEKTUR JARINGAN 1 1 Model Neuron Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan sebagai berikut : Menerima input atau masukan (baikdari data yang dimasukkan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciTINJAUAN PUSTAKA ,...(1)
3 TINJAUAN PUSTAKA Dalam bab ini akan dibahas teori-teori yang mendasari penelitian ini. Dimulai dari teori dan konsep citra digital, deteksi pola lingkaran dengan Circle Hough Transform (CHT), ekstrasi
Lebih 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 terperinciPENGGUNAAN JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK SELEKSI PENERIMAAN MAHASISWA BARU PADA JURUSAN TEKNIK KOMPUTER DI POLITEKNIK NEGERI SRIWIJAYA
PENGGUNAAN JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK SELEKSI PENERIMAAN MAHASISWA BARU PADA JURUSAN TEKNIK KOMPUTER DI POLITEKNIK NEGERI SRIWIJAYA Tesis untuk memenuhi sebagian persyaratan mencapai
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra merupakan fungsi kontinyu dari intensitas cahaya pada bidang dua dimensi. Intensitas cahaya merupakan hasil kali antara jumlah pancaran (illuminasi) cahaya
Lebih terperinciJARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom
JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom Outline Konsep JST Model Struktur JST Arsitektur JST Aplikasi JST Metode Pembelajaran Fungsi Aktivasi McCulloch
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 terperinciPERANCANGAN PENGATURAN DURASI LAMPU LALU LINTAS ADAPTIF
PERANCANGAN PENGATURAN DURASI LAMPU LALU LINTAS ADAPTIF Rudericus Andika Pramudya, Mahmud Imrona 2, Fhira Nhita 3,2,3 Prodi S Teknik Informatika, Fakultas Teknik, Universitas Telkom rudericusdika@gmail.com,
Lebih terperinciEVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN
EVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN (Studi Kasus pada Pengenalan Karakter Angka Tulisan Tangan) Iwan Suhardi Jurusan Teknik
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 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 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 terperinciLEARNING ARTIFICIAL INTELLIGENT
LEARNING ARTIFICIAL INTELLIGENT OUTLINE Decision tree learning Jaringan Syaraf Tiruan K-Nearest Neighborhood Naïve Bayes JARINGAN SYARAF TIRUAN (JST) Intro Definisi ANN Model Matematis Neuron Fungsi Aktivasi
Lebih terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
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 terperinciDAFTAR ISI. Halaman Judul. Lembar Pengesahan Pembimbing. Lembar Pengesahan Penguji. Halaman Persembahan. Halaman Motto. Kata Pengantar.
DAFTAR ISI Halaman Judul i Lembar Pengesahan Pembimbing ii Lembar Pengesahan Penguji iii Halaman Persembahan iv Halaman Motto v Kata Pengantar vi Abstraksi viii Daftar Isi ix Daftar Gambar xii Daftar Tabel
Lebih terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih 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 terperinci1.1. Jaringan Syaraf Tiruan
BAB I PENDAHULUAN 1.1. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi yang digambarkan sebagai berikut
Lebih terperinciFarah Zakiyah Rahmanti
Farah Zakiyah Rahmanti Latar Belakang Struktur Dasar Jaringan Syaraf Manusia Konsep Dasar Permodelan JST Fungsi Aktivasi JST Contoh dan Program Jaringan Sederhana Metode Pelatihan Supervised Learning Unsupervised
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. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini menjelaskan tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan dalam penelitian ini.
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 terperinciJARINGAN SYARAF TIRUAN
JARINGAN SYARAF TIRUAN 8 Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Citra Digital Gambar atau citra merupakan informasi yang berbentuk visual. Menurut kamus Webster citra adalah suatu representasi, kemiripan atau imitasi dari suatu objek atau
Lebih terperinciVIII.PENGANTAR JARINGAN SYARAF TIRUAN (JST)
VIII.PENGANTAR JARINGAN SYARAF TIRUAN (JST) 3 JARINGAN SYARAF BIOLOGIS (JSB) Otak manusia berisi sekitar 0 sel syaraf (neuron) yang bertugas untuk memproses informasi yang masuk. Tiap sel syaraf dihubungkan
Lebih terperinciNEURAL NETWORK BAB II
BAB II II. Teori Dasar II.1 Konsep Jaringan Saraf Tiruan (Artificial Neural Network) Secara biologis jaringan saraf terdiri dari neuron-neuron yang saling berhubungan. Neuron merupakan unit struktural
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 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 II DASAR TEORI. luar dan daging iga sangat umum digunakan di Eropa dan di Amerika Serikat
6 BAB II DASAR TEORI 2.1. Daging Sapi dan Daging Babi 2.1.1.Daging Sapi Daging sapi adalah daging yang diperoleh dari sapi yang biasa dan umum digunakan untuk keperluan konsumsi makanan. Di setiap daerah,
Lebih terperinciPENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION 1 Andrian Rakhmatsyah 2 Sayful Hakam 3 Adiwijaya 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi
Lebih terperinciBAB VIII PENGANTAR JARINGAN SYARAF TIRUAN (JST)
BAB VIII PENGANTAR JARINGAN SYARAF TIRUAN (JST) 8.1 Komponen Jaringan Syaraf JARINGAN SYARAF BIOLOGIS (JSB) Otak manusia berisi sekitar 10 11 sel syaraf (neuron) yang bertugas untuk memproses informasi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Data adalah kumpulan kejadian yang diangkat dari suatu kenyataan (fakta),at berupa angka-angka, huruf, simbol-simbol, atau gabungan dari ketiganya. Dalam perkembangan selanjutnya,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. Bab 2 ini berisi tentang pembahasan teori-teori tentang jaringan syaraf tiruan, Algoritma Learning Vector Quantization (LVQ).
BAB 2 TINJAUAN PUSTAKA Bab 2 ini berisi tentang pembahasan teori-teori tentang jaringan syaraf tiruan, Algoritma Learning Vector Quantization (LVQ). 2.1. Algoritma Algoritma adalah urutan langkah-langkah
Lebih terperinciAPLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT
APLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT Fradika Indrawan Jurusan Teknik Informatika, Universitas Ahmad Dahlan, Yogyakarta Jl.
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 terperinciManajemen Sains: Artificial Neural Networks. Dr. Ir. Gunadi Widi Nurcahyo, MSc.
Manajemen Sains: Artificial Neural Networks Dr. Ir. Gunadi Widi Nurcahyo, MSc. Outline 1. Pengertian JST 2. Model Sel Syaraf (Neuron) 3. Fungsi Aktivasi 4. Arsitektur Jaringan 5. Proses Belajar (Learning)
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jaringan syaraf tiruan merupakan bidang ilmu yang banyak digunakan dalam melakukan pengenalan pola suatu obyek. Banyak obyek yang dapat digunakan untuk pengenalan pola
Lebih terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih terperinciGambar 2.1 Neuron biologi manusia (Medsker & Liebowitz, 1994)
BAB 2 LANDASAN TEORI 2.1. Jaringan Saraf Biologi Manusia Otak manusia memiliki struktur yang sangat kompleks, serta memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciBAB II TEORI DASAR. Gambar 2.1 Anatomi Jantung
4 BAB II TEORI DASAR 2.1. Jantung Jantung merupakan otot tubuh yang bersifat unik karena mempunyai sifat membentuk impuls secara automatis dan berkontraksi ritmis [4], yang berupa dua pompa yang dihubungkan
Lebih terperinciPENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION Heru Satria Tambunan AMIK Tunas Bangsa Jalan Sudirman Blok A No. -3, Kota Pematang Siantar, Sumatera
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 terperinciJARINGAN SARAF TIRUAN
MAKALAH KECERDASAN BUATAN JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Disusun Oleh: KELOMPOK VI Hery Munazar (100411068) Rizky Ramadhan(100411066) PROGRAM STUDI TEKNIK INFORMATIKA POLITEKNIK NEGERI
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih terperinciNeural Network menyerupai otak manusia dalam dua hal, yaitu:
2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat
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 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 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 terperinciPENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Alfa Ceria Agustina (1) Sri Suwarno (2) Umi Proboyekti (3) sswn@ukdw.ac.id othie@ukdw.ac.id Abstraksi Saat ini jaringan saraf tiruan
Lebih terperinciJaringan Syaraf Tiruan
07/06/06 Rumusan: Jaringan Syaraf Tiruan Shinta P. Sari Manusia = tangan + kaki + mulut + mata + hidung + Kepala + telinga Otak Manusia Bertugas untuk memproses informasi Seperti prosesor sederhana Masing-masing
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2. Jaringan Saraf Tiruan Jaringan saraf tiruan (JST) pertama kali diperkenankan oleh McCulloch dan Walter Pitts pada tahun 943. Jaringan saraf tiruan merupakan suatu sistem pemrosesan
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 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 TINJAUAN PUSTAKA
79 BAB 2 TINJAUAN PUSTAKA 2.1. Pengenalan Pola Pengenalan pola mengelompokkan data numerik dan simbolik (termasuk citra) secara otomatis oleh komputer. Tujuan pengelompokan ini adalah untuk mengenali suatu
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 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 terperinci