TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
|
|
- Bambang Tedja
- 8 tahun lalu
- Tontonan:
Transkripsi
1 Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan Pendidikan Teknik Elektro Fakultas Teknik Universitas Negeri Makassar iwansuhardi@yahoo.com ABSTRAK Permasalahan yang dihadapi dalam mengenali pola tulisan tangan sangat kompleks, dikarenakan antara lain banyaknya variasi model tulisan tangan, pena untuk menulis, dan ukuran tulisan tangan. ini akan bertambah kerumitannya bila pola yang akan dikenali ditambah dengan derau dan diputar. Penelitian ini menganalisis sampai seberapa besar penambahan derau dan sudut putaran pada pola angka tulisan tangan yang masih dapat ditoleransi oleh arsitektur jaringan syaraf tiruan. Hasil penelitian menunjukkan jaringan syaraf tiruan memberikan unjuk pengenalan pola angka tulisan tangan mencapai 90%. Pada penambahan derau 10%, jaringan masih mampu memberikan unjuk pengenalan sebesar 75%. Pada penambahan sudut putaran 5 o, jaringan masih mampu memberikan unjuk pengenalan sebesar 73%. Pengaruh gabungan penambahan derau dan besarnya sudut putaran akan menurunkan unjuk pengenalan dibandingkan dengan pengaruh penambahan derau dan sudut putaran secara terpisah (sendiri-sendiri). Jaringan hanya mampu memberikan unjuk 72% pada gabungan penambahan derau 5% dan sudut putaran 5 o. Kata Kunci : Jaringan syaraf tiruan, derau, sudut putaran, pengenalan pola JARINGAN SYARAF TIRUAN Pembacaan suatu karakter dengan komputer yang dikenal sebagai Optical Character Recognition (OCR), merupakan topik yang hangat diteliti selama bertahun-tahun. Solusi untuk permasalahan ini pada umumnya didasarkan pada proses segmentasi masukan menjadi karakterkarakter. Sistem OCR telah dikomersialkan secara luas untuk pemrosesan dokumen-dokumen hasil cetakan, namun teknik-teknik untuk membaca tulisan tangan belum sukses diaplikasikan. Hal ini dikarenakan permasalahan yang dihadapi untuk pengenalan tulisan tangan sangat kompleks, seperti bervariasinya model tulisan tangan, pena untuk menulis, dan lain lain. Jaringan syaraf tiruan diilhami oleh jaringan syaraf manusia yang dapat belajar dari pengalaman, melakukan generalisasi berdasarkan contoh yang diperolehnya dan mengabstraksi karakteristik esensial dari masukan yang mengandung informasi yang mungkin kurang relevan. Jaringan ini dapat menyelesaikan persoalan kompleks yang sulit atau bahkan tidak mungkin jika diselesaikan dengan menggunakan komputasi secara konvensional. Saat ini jaringan syaraf tiruan berkembang dan telah diupayakan untuk berbagai bentuk aplikasi, salah satu aplikasinya yaitu pengenalan pola tulisan tangan. Algoritma perambatan-balik (backpropagation) telah dikembangkan untuk melatih jaringan syaraf tiruan yang sampai pada suatu tingkat tertentu dapat melakukan generalisasi. Kemampuan jaringan syaraf tiruan dalam mengabaikan derau dan distorsi melatarbelakangi penulis untuk mengadakan studi sampai sejauh mana pengaruh besarnya derau, sudut putaran serta gabungan penambahan derau dan sudut putaran masih dapat ditoleransi oleh jaringan syaraf tiruan dalam mengenal pola tulisan tangan jenis angka. Algoritma Jaringan Perambatan Balik Jaringan syaraf lapis-jamak (multilayer) sudah terbukti handal dipakai untuk aplikasi umum. Yang termasuk jaringan lapis-jamak 1
2 MEDIA ELEKTRIK, Volume 5, Nomor 1, Juni 2010 antara lain jaringan perambatan-balik (backpropagation). Metode pelatihan perambatanbalik secara sederhana adalah metode gradient descent (penurunan gradien) untuk meminimalkan total galat kuadrat keluaran. Aplikasi jaringan ini melibatkan pemetaan sekumpulan masukan terhadap sekumpulan target keluaran, sehingga termasuk kategori jaringan dengan pelatihan terbimbing. Pelatihan jaringan perambatan balik melibatkan tiga tahap yaitu umpan-maju pelatihan pola masukan, komputasi dan perambatan-balik galat, serta perubahan bobot. Setelah pelatihan, aplikasi jaringan hanya melibatkan tahap komputasi umpan-maju. Walaupun proses pelatihan jaringan berlangsung relatif lambat, namun jaringan yang telah dilatih dapat menghasilkan keluaran dengan sangat cepat. pada hubungan unit-unit dengan keluaran selalu satu. Hanya aliran informasi umpan-maju yang diperlihatkan pada gambar. Selama fase pelatihan perambatan-balik, sinyal dikirim pada arah yang berlawanan. Praproses Data Karakter Tulisan Tangan Langkah-langkah praproses pengenalan karakter melibatkan proses normalisasi ukuran karakter dan dekomposisi dengan menggunakan filter wavelet Haar. Praproses menggunakan program bantu Matlab khususnya Wavelet Toolbox. Normalisasi ukuran karakter dilakukan karena tidak samanya ukuran karakter penulis yang satu dengan lainnya. Seluruh ukuran karakter dinormalisasi menjadi ukuran 16x16 piksel. Praproses tahap kedua melibatkan 1 1 v 01 w 01 X 1 v 11 Z 1 w 11 Y 1 v 1j w 0k X i v i1 v 1j v ij Z j w i1 w 1k wjk Y k v 1p w jm v n1 v nj v ip v 0p w p1 wpk w jm w 0m X n v np Z p w pm Y m Gambar 1. Jaringan syaraf perambatan-balik dengan satu lapisan tersembunyi Jaringan syaraf lapis-jamak dengan satu lapisan tersembunyi (unit Z) diperlihatkan pada Gambar 1. Unit keluaran (unit Y) dan unit-unit tersembunyi serta bias diperlihatkan. Bias pada unit keluaran Y k dilambangkan dengan w 0k, bias pada unit tersembunyi Z j dilambangkan dengan v 0j. Istilah bias-bias ini berlaku sebagai bobot dekomposisi filter wavelet pola 16x16 piksel hasil normalisasi menggunakan filter wavelet Haar dua-dimensi. Dekomposisi level pertama menghasilkan empat subband yang masingmasing berukuran 8x8 piksel yaitu subband yang membawa informasi pola aproksimasi, subband yang membawa informasi horisontal, subband
3 Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan yang membawa informasi vertikal dan subband yang membawa informasi diagonal. Pada dekomposisi berikutnya yaitu level 2 dihasilkan subband-subband dengan ukuran 4x4 piksel. Dari hasil dekomposisi, terlihat bahwa semakin tinggi level dekomposisinya akan membuat semakin kehilangan cirinya. Oleh karena itu, sebagai pola masukan jaringan neural digunakan dekomposisi level 2 yaitu subband informasi aproksimasi sehingga jumlah neuron pada lapisan masukan ada 4x4 buah. METODE Pola yang dianalisis yaitu pola karakter angka tulisan tangan, yaitu 0, 1, 2, 3, 4, 5, 6, 7, 8, dan 9. Sebagai masukan adalah vektor yang dihasilkan dari pengolahan citra asli. Citra asli dipayar, dan diproses menjadi citra biner (mempunyai nilai 0 dan 1 ). Pada masukan tersebut dicoba dikenali kelas karakter yang telah dilatih dengan menggunakan jaringan neural perambatan-balik. Langkah-langkah praproses pengenalan karakter di sini melibatkan proses normalisasi dan dekomposisi. dengan penambahan variasi derau dansudut putaran secara sendiri-sendiri dan gabungan derau dan putaran secara bersama-sama. Sebagai target pengenalan karakter-karakter tulisan tangan digunakan format kode ASCII 8 bit. Tabel 1 menyatakan kesesuaian target pengenalan jaringan dengan format kode ASCII 8 bit. HASIL DAN PEMBAHASAN Pelatihan dan Pengujian Sebelum dilakukan pelatihan dan pengujian yang sesungguhnya, jaringan diujicoba dengan 200 pola untuk pelatihan dan 100 pola untuk pengujian yang berbeda. Ujicoba jaringan syaraf tiruan mempunyai 2 tujuan. Yang pertama yaitu untuk mengetahui apakah jaringan yang dibangun dapat berfungsi dengan baik atau tidak. Tujuan yang kedua yaitu mencari parameter-parameter jaringan syaraf tiruan yang dapat menghasilkan unjuk pengenalan yang optimal antara lain fungsi aktivasi dan kemiringan, sehingga dapat mengurangi jumlah komputasi pada saat Masukan Citra Angka Tulisan Tangan Praproses data karakter Normalisasi ukuran karakter Karakter Jaringan Neural Efek Derau dan Putaran Dekomposisi dengan Wavelet Angka Keluaran Gambar 2. Diagram blok pengenalan karakter Jaringan yang dirancang adalah jaringan perambatan-balik. Arsitektur jaringan yang dibangun memiliki dua komponen, komponen pertama melibatkan neuron masukan dan keluaran dengan jumlah tetap yaitu sebanyak 4x4 neuron masukan dan 8 neuron keluaran, dan komponen yang melibatkan neuron pada lapisan tersembunyi yang jumlahnya akan dicari sampai didapatkan hasil yang optimal. Setelah jaringan syaraf tiruan mengalami proses pelatihan, selanjutnya diuji pelatihan dan pengujian jaringan yang sesungguhnya. Dari hasil uji coba ini didapatkan bahwa fungsi aktivasi sigmoid bipolar dengan derajad kemiringan 0,8 menghasilkan kemungkinan unjuk pengenalan yang terbaik. Setelah ujicoba dianggap berhasil, dilakukan pelatihan dan pengujian atas serangkaian pola dengan penambahan derau dan besarnya sudut putaran. Pada proses pelatihan melibatkan 1000 pola dan proses pengujian melibatkan 200 pola. 3
4 MEDIA ELEKTRIK, Volume 5, Nomor 1, Juni 2010 Tabel 1. Kesesuaian target pengenalan jaringan dengan format ASCII Karakter ASCII 8 bit Target pengenalan jaringan syaraf Ket: Kesesuaian ini dapat dilihat dari kode 0 dan 1 pada kode ASCII menjadi -0.8 dan 0.8 pada target pengenalan Hasil pengujian ditunjukkan pada tabel 2. Berdasarkan tabel terlihat bahwa arsitektur jaringan yang menghasilkan unjuk pengenalan pada proses pengujian yang terbaik yaitu : , dimana dengan dipilihnya arsitektur jaringan tersebut akan menghasilkan unjuk pengenalan karakter angka sebesar 90%. Tabel 2. pelatihan dan pengujian karakter angka Arsitektur Proses Pelatihan Proses Pengujian Satu lapisan tersembunyi ,6 % 67 % ,2 % 69 % ,8 % 72 % ,8 % 68 % ,9 % 74 % ,2 % 70 % Dua lapisan tersembunyi ,5 % 82% ,6 % 82 % ,4 % 84 % ,1 % 82 % % 80 % ,6 % 82 % ,4 % 87 % ,6 % 81 % ,7 % 86 % ,3 % 81 % ,7 % 79 % ,6 % 81% ,5 % 86% ,7 % 81% ,4 % 85 % ,4 % 83 % ,5 % 83 % ,6 % 85 % ,5 % 81% ,7 % 85 % ,7 % 84 % ,2 % 82 % ,7 % 86 % ,6 % 83 % ,7 % 90 % ,3 % 84 % Ket: Tabel 2 diperoleh dengan nilai laju pelatihan = 0,001, momentum = 0,001, toleransi galatnya = 0,005, dan menggunakan fungsi aktivasi sigmoid bipolar Variasi Derau dan Sudut Putaran Beberapa variasi derau dan sudut putaran pola karakter tulisan tangan jenis angka disajikan pada Gambar 3 berikut.
5 Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan 15 % 69 % 24 % 20 % 61 % 32 % 25 % 44 % 51 % 30 % 40 % 56 % 35 % 28 % 69 % Dari Tabel 3 dan Tabel 4 dapat dilihat bahwa semakin besar tingkat deraunya maka unjuk pengenalannya akan menurun. Jaringan masih dapat menghasilkan unjuk pengenalan 75% pada penambahan derau 10%. Berarti walaupun sekitar 10% nilai-nilai biner yang terkandung dalam sampel-sampel data tersebut bertukar secara random jaringan masih mempunyai unjuk pengenalan sebesar 75%. Tabel 5. Pengaruh besarnya variasi putaran terhadap unjuk pengenalan Gambar 3. Variasi putaran, derau dan gabungan variasi derau - putaran dari tulisan tangan angka 9 Untuk mengetahui pengaruh besarnya variasi sudut putaran dan derau terhadap unjuk jaringan dilakukan pada arsitektur Hasilnya disajikan sebagai berikut : Tabel 3. Pengaruh besarnya variasi derau terhadap unjuk pengenalan Besar Variasi Derau 0 % 90 % 5 % 81 % 10 % 75 % 15 % 69 % 20 % 61 % 25 % 44 % 30 % 40 % 35 % 28 % Tabel 4. Laju penurunan unjuk pengenalan terhadap penambahan variasi derau Besarnya Variasi Derau Penurunan 0 % 90 % 0 % 5 % 81 % 10 % 10 % 75 % 17 % Variasi Sudut Putaran (derajad) 0 90 % 5 73 % % % % % % % % % % % % % Tabel 6. Laju penurunan unjuk pengenalan terhadap variasi sudut putaran Variasi Sudut Putaran (derajad) Penurunan 0 90 % 0% 5 73 % 19% % 26% % 51% % 72% % 87% % 89% % 80% % 12% % 20% 5
6 MEDIA ELEKTRIK, Volume 5, Nomor 1, Juni % 46% % 66% % 86% % 90% 30 % 20 % 18 % 35 % 20 % 12 % Pengujian dengan variasi < 22 % lainnya Pengaruh besarnya derajad sudut putaran dapat dilihat pada Tabel 5 dan 6. Besar variasi sudut positif artinya sampel-sampel data diputar berlawanan dengan arah jarum jam, sedangkan besar variasi sudur negatif artinya sampel-sampel data searah jarum jam. Sama seperti dengan adanya penambahan derau, semakin besar sudut putaran yang diberikan akan membuat unjuk pengenalan yang lebih kecil. Dari tabel dapat dilihat bahwa jaringan masih dapat menunjukkan unjuk 73% pada penambahan besar putaran 5 0. Yang menarik dapat diketahui bahwa pada saat diputaran 180 0, sampel angka 0 dan 1 dikenali, sedangkan angka 6 terbaca menjadi angka 9 dan angka 9 terbaca menjadi angka 6. Pada penambahan variasi putaran yang bernilai negatif (searah dengan jarum jam) akan menghasilkan unjuk pengenalan yang lebih tinggi dibandingkan dengan variasi putaran yang bernilai positif, hal ini dikarenakan banyak sampel data yang digunakan pada penelitian ini penulisannya agak miring ke kiri, sehingga bila karakter jenis angka tersebut diputarankan searah dengan jarum jam akan menjadi data karakter angka yang tegak. Tabel 7. Pengaruh gabungan variasi derau dan putaran terhadap unjuk Variasi Derau Variasi Sudut Putaran 5 % 5 % 72 % 10 % 5 % 63 % 15 % 5 % 57 % 25 % 5 % 36 % 30 % 5 % 31 % 35 % 5 % 22 % 5 % 10 % 59 % 10 % 10 % 53 % 15 % 10 % 39 % 25 % 10 % 33 % 30 % 10 % 27 % 35 % 10 % 21 % 5 % 20 % 33 % 10 % 20 % 30% 15 % 20 % 27 % 25 % 20 % 22 % Berdasarkan Tabel 7, dapat diamati bahwa adanya gabungan penambahan derau dan putaran akan membuat unjuk pengenalan jaringan menjadi menurun. Gabungan penambahan derau dan besarnya putaran akan menurunkan unjuk pengenalan dibandingkan dengan pengaruh penambahan derau dan besarnya putaran secara terpisah (sendiri sendiri). Jaringan hanya mampu memberikan unjuk 72% pada gabungan penambahan derau 5% dan sudut putaran 5 o. SIMPULAN Berdasarkan hasil penelitian dan pembahasan, dapat ditarik kesimpulan bahwa : 1. Jaringan syaraf tiruan dengan pemakaian format ASCII 8 bit sebagai target pengenalan karakter tulisan tangan jenis angka memberikan unjuk pengenalan yang cukup baik dengan mencapai unjuk 90% 2. pola karakter angka dengan penambahan derau yang makin besar akan menurunkan unjuk pengenalan pola, karena dengan semakin besar penambahan derau akan semakin mengurangi informasi pada pola sehingga akan mengurangi unjuk pengenalannya. Jaringan masih mampu memberikan unjuk pengenalan sebesar 75% pada penambahan derau 10%. 3. pola karakter dengan penambahan sudut putaran yang makin besar akan menurunkan unjuk pengenalan pola. Jaringan masih mampu memberikan unjuk pengenalan sebesar 73% pada penambahan sudut putaran 5 o. 4. Gabungan penambahan derau dan besarnya putaran akan menurunkan unjuk pengenalan dibandingkan dengan pengaruh penambahan derau dan besarnya putaran secara terpisah (sendiri sendiri). Jaringan hanya mampu memberikan unjuk 72% pada gabungan penambahan derau 5% dan sudut putaran 5 o. DAFTAR PUSTAKA De Leone, R., Capparuccia, R., and Merelli, E., 1998, A Succsessive Overrelaxation
7 Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan Backpropagation Algorithm for Neural- Network Training, IEEE Transactions on Neural Networks, vol. 9, pp Demuth, H., Beale, M., 1998, Neural Network Toolbox, The Math Work. Inc. Fausett, L., 1994, Fundamentals of Neural Networks : Architectures, Algorithms, and Applications, Prentice Hall, New Jersey. Jain, A.K., 1995, Fundamentals of Digital Image Processing, Prentice Hall, New Delhi. Kröse, Ben, and Van der Smagt, Patrick, 1996, Introduction to Neural Networks, ed. 9, University of Amsterdam. Misiti, M., Oppenheim, G., and Poggi, J., 1996, Wavelet Toolbox, The Math Work. Inc. Rao, B. Valluru dan Rao, V. Hayagriva, 1993, C ++ Neural Networks and Fuzzy Logic, Management Information Source, Inc., New York. 7
TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA
ISSN: 1693-6930 159 ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA Iwan Suhardi, Riana T. Mangesa Jurusan
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 terperinciANALISIS HUBUNGAN TINGKAT PENGENALAN POLA DENGAN TINGKAT VARIASI POLA : STUDI KASUS PENGENALAN POLA KARAKTER HURUF DENGAN JARINGAN SYARAF TIRUAN)
ISSN: 1693-6930 1 ANALISIS HUBUNGAN TINGKAT PENGENALAN POLA DENGAN TINGKAT VARIASI POLA : STUDI KASUS PENGENALAN POLA KARAKTER HURUF DENGAN JARINGAN SYARAF TIRUAN) Iwan Suhardi Jurusan Teknik Elektro Fakultas
Lebih terperinciIwan Suhardi, Studi Pengklasifikasian Citra Berdasarkan Ciri Citra dengan Jaringan Syaraf Tiruan
1 MEDIA ELEKTRIK, Volume 3 Nomor 1, Juni 2008 STUDI PENGKLASIFIKASIAN CITRA BERDASARKAN CIRI CITRA DENGAN JARINGAN SYARAF TIRUAN Iwan Suhardi Jurusan Pendidikan Teknik Elektro Fakultas Teknik Universitas
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 terperinciANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA
ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA Julpan 1 *, Erna Budhiarti Nababan 1 & Muhammad Zarlis 1 1 Program S2 Teknik Informatika
Lebih terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciHASIL DAN PEMBAHASAN. Generalisasi =
6 Kelas Target Sidik jari individu 5 0000100000 Sidik jari individu 6 0000010000 Sidik jari individu 7 0000001000 Sidik jari individu 8 0000000100 Sidik jari individu 9 0000000010 Sidik jari individu 10
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinciBulu mata. Generalisasi= Jumlah pola dikenali dengan benar x 100% Jumlah total pola
Generalisasi Hasil penelitian ini diukur menggunakan nilai konvergen dan generalisasi. Nilai konvergen adalah tingkat kecepatan jaringan untuk mempelajari pola input yang dinyatakan dalam satuan iterasi
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 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 terperinciDETEKSI SIDIK JARI BERBASIS ALIHRAGAM GELOMBANG-SINGKAT (wavelet) DAN JARINGAN SYARAF TIRUAN (JST) KHUSUS KOTA MATARAM DAN SEKITARNYA
DETEKSI SIDIK JARI BERBASIS ALIHRAGAM GELOMBANG-SINGKAT (wavelet) DAN JARINGAN SYARAF TIRUAN (JST) KHUSUS KOTA MATARAM DAN SEKITARNYA Jurusan Teknik Elektro Fakultas Teknik Universitas Mataram Jl. Majapahit
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 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 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 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 terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 004 Yogyakarta, 19 Juni 004 Klasifikasi Pola Menggunakan Jaringan Probabilistik Sri Kusumadewi Jurusan Teknik Informatika, Universitas Islam Indonesia Jl.
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih 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 terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1 Pengenalan Tulisan Tangan Huruf Latin Bersambung Secara Real Time Menggunakan Algoritma Learning Vector Quantization Ulir Rohwana dan M Isa Irawan
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 1 NO. 1 MARET 2010
IDENTIFIKASI SIDIKJARI DENGAN EKSTRAKSI CIRI BERBASIS TRANSFORMASI WAVELET HAAR Minarni 1 ABSTRACT This research investigated a possible fingerprint identification system. The fingerprint images were preprocessed
Lebih terperinciKLASIFIKASI SIDIKJARI DENGAN PEMROSESAN AWAL TRANSFORMASI WAVELET Minarni *
KLASIFIKASI SIDIKJARI DENGAN PEMROSESAN AWAL TRANSFORMASI WAVELET Minarni * Abstrak Penelitian ini membahas sistem klasifikasi sidikjari. Citra sidikjari diproses awal dengan transformasi wavelet sehingga
Lebih terperinciPERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL
PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL Nama Mahasiswa : Achmad Fauzi Arief NRP : 03 09 007 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom Abstrak
Lebih 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 terperinciOPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK
OPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK ABSTRAK Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Algoritma umum metode propagasi
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
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 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 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 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 terperinciPERANCANGAN ALGORITMA KRIPTOGRAFI KUNCI SIMETRI DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
PERANCANGAN ALGORITMA KRIPTOGRAFI KUNCI SIMETRI DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Ibrahim Arief NIM : 13503038 Program Studi Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung
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 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 terperinciKLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK
KLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK Sri Kusumadewi Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta cicie@fti.uii.ac.id ABSTRACT More application often used
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB 2 LANDASAN TEORI. 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 terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciPENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR ABSTRAK
PENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR Rosihan Ari Yuana Program Studi Pendidikan Matematika Universitas Sebelas Maret ABSTRAK Aplikasi jaringan
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciOleh: Ulir Rohwana ( ) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T.
Oleh: Ulir Rohwana (1209 100 702) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI HASIL DAN PENGUJIAN
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 terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciPERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL
PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL Oleh : ACHMAD FAUZI ARIEF 1203 109 007 Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih 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 terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
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 terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Barcode Rcognition System Using Backpropagation Neural Networks M. Kayadoe, Francis Yuni Rumlawang, Yopi Andry Lesnussa * Jurusan
Lebih terperinciIMPLEMENTASI JARINGAN SARAF TIRUAN HAMMING DALAM KASUS PENGENALAN POLA ANGKA DAN HURUF. Oleh : M. Husaini., S.T., M.T Dosen IAIN Bandar Lampung
IMPLEMENTASI JARINGAN SARAF TIRUAN HAMMING DALAM KASUS PENGENALAN POLA ANGKA DAN HURUF Oleh : M. Husaini., S.T., M.T Dosen IAIN Bandar Lampung 1. ABSTRAKSI Jaringan Saraf Tiruan (JST) mempunyai prinsip
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 terperinciALGORITMA BACK PROPAGATION NEURAL NETWORK UNTUK PENGENALAN POLA KARAKTER HURUF JAWA
Nazla Nurmila, Aris Sugiharto, Eko Adi Sarwoko ALGORITMA BACK PROPAGATION NEURAL NETWORK UNTUK PENGENALAN POLA KARAKTER HURUF JAWA Nazla Nurmila, Aris Sugiharto, dan Eko Adi Sarwoko Prodi Ilmu Komputer
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 terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciPENERAPAN JARINGAN PERAMBATAN-BALIK UNTUK PENGENALAN KODE POS TULISAN TANGAN
PENERAPAN JARINGAN PERAMBATAN-BALIK UNTUK PENGENALAN KODE POS TULISAN TANGAN Tesis untuk memenuhi sebagian persyaratan mencapai derajat Sarjana S-2 Program Studi Teknik Elektro Jurusan Ilmu-ilmu Teknik
Lebih terperinciMETODE JARINGAN SARAF TIRUAN PENJEJAKAN BALIK UNTUK PENGENALAN HURUF CETAK PADA CITRA DIGITAL
METODE JARINGAN SARAF TIRUAN PENJEJAKAN BALIK UNTUK PENGENALAN HURUF CETAK PADA CITRA DIGITAL Fauziah, M Iwan Wahyuddin Jurusan Teknik Informatika, Fakultas Teknologi Komunikasi dan Informatika, Universitas
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciABSTRAK. Michael Parlindungan ( ) Jurusan Teknik Elektro Universitas Kristen Maranatha
PENGENALAN POLA HURUF t DARI TULISAN TANGAN UNTUK MENENTUKAN KARAKTER SESEORANG DENGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN ALGORITMA BACKPROPAGATION ABSTRAK Michael Parlindungan (0722017) Jurusan
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 terperinciJaringan Syaraf Tiruan Bidirectional Associative Memory (BAM) Sebagai Identifikasi Pola Sidik jari Manusia
Jurnal Informatika Mulawarman Vol 4 No. 1 Feb 2009 21 Jaringan Syaraf Tiruan Bidirectional Associative Memory (BAM) Sebagai Identifikasi Pola Sidik jari Manusia ZAINAL ARIFIN Program Studi Ilmu Komputer,
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 terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK ABSTRAK Dwi Putra Alexander (0722067) Jurusan Teknik
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 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 terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
Lebih terperinciJURNAL INFORMATIKA PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Institut Teknologi Nasional Bandung ABSTRAK
Lebih terperinciMohammad Akram Ardi 1, Angga Rusdinar 2, Nur Andini 3
DETEKSI PERUBAHAN GARIS PANTAI MENGGUNAKAN METODE WAVELET NEURAL NETWORK BACKPROPAGATION DETECTION OF SHORELINE CHANGE USING WAVELET NEURAL NETWORK BACKPROPAGATION METHOD Mohammad Akram Ardi 1, Angga Rusdinar
Lebih terperinciBAB II LANDASAN TEORI. titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
BAB II LANDASAN TEORI 2. Citra/Image Citra atau yang lebih sering dikenal dengan gambar merupakan kumpulan dari titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
Lebih terperinciJurnal Coding, Sistem Komputer UNTAN Volume 04, No.1 (2016), hal 1-10 ISSN : X
PREDIKSI BEBAN LISTRIK PADA PT.PLN (PERSERO) MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY [1] Prita Ayuningtyas, [2] Dedi Triyanto, [3] Tedy Rismawan [1,2,3] Jurusan Sistem Komputer, Fakultas MIPA
Lebih terperinciPENGENALAN POLA ALPHABET TULISAN TANGAN SECARA ON-LINE DENGAN JST-BP
ISSN: 693-693 35 PENGENALAN POLA ALPHABET TULISAN TANGAN SECARA ON-LINE DENGAN JST-BP Tole Sutikno, Andhy Fathurrakhman Program Studi Teknik Elektro Universitas Ahmad Dahlan Kampus III Jln. Prof Soepomo,
Lebih terperinciMILIK UKDW. Bab 1 PENDAHULUAN. 1.1 Latar Belakang
Bab 1 PENDAHULUAN 1.1 Latar Belakang Beberapa tahun belakangan ini, jaringan syaraf tiruan telah berkembang dengan pesat. Berbagai aplikasi telah memanfaatkan jaringan syaraf tiruan dalam penerapannya,
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 terperinci134 Sutikno, Indriyati, Sukmawati N.E, Priyo S.S., Helmie A.W., Indra W., Nurdin B., Tri Wardati K., Raditya L.R. dan Diah Putu D.
134 Sutikno, Indriyati, Sukmawati N.E, Priyo S.S., Helmie A.W., Indra W., Nurdin B., Tri Wardati K., Raditya L.R. dan Diah Putu D. Chapter 7 Backpropagation dan Aplikasinya Sutikno, Indriyati, Sukmawati
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciKLASIFIKASI CITRA BERDASARKAN TEKSTUR MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN BALIK
MAKALAH SEMINAR TUGAS AKHIR KLASIFIKASI CITRA BERDASARKAN TEKSTUR MENGGUNAKAN JARINGAN SARAF TIRUAN PERAMBATAN BALIK Panji Novia Pahludi*, Achmad Hidayatno**, R. Rizal Isnanto** Abstrak Selain ukuran,
Lebih terperinciPERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)
Jurnal POROS TEKNIK, Volume 5, No. 1, Juni 2013 : 18-23 PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik
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 terperinciPENGENALAN VOKAL BAHASA INDONESIA DENGAN JARINGAN SYARAF TIRUAN MELALUI TRANSFORMASI WAVELET DISKRET
PENGENALAN VOKAL BAHASA INDONESIA DENGAN JARINGAN SYARAF TIRUAN MELALUI TRANSFORMASI WAVELET DISKRET Ignatius Leo May Jurusan Teknik Elektro Undip Jl. Prof. Sudharto, Tembalang Semarang Sumardi Jurusan
Lebih terperinciSegmentasi Kata Tulisan Tangan Menggunakan Jendela Blackman
Segmentasi Kata Tulisan Tangan Menggunakan Jendela Blackman Linggo Sumarno Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta, Indonesia E-mail : lingsum@usd.ac.id Abstrak Dalam pengenalan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Siti Amiroch Universitas Islam Darul Ulum Lamongan, amirast_117@yahoo.com Abstract. In the stock market, stock price prediction is
Lebih terperinciHardisk 80 GB Perangkat lunak Window XP Profesional MATLAB 7.0.1
Hardisk 8 GB Perangkat lunak Window XP Profesional MATLAB 7..1 HASIL DAN PEMBAHASAN Percobaan yang dilakukan pada penelitian ini terdiri atas dua macam, yaitu citra yang akan mengalami proses pengenalan
Lebih terperinciEkstraksi Ciri Batang untuk Pengenalan Nomer Rekening Tulisan Tangan dengan Jaringan Syaraf Tiruan Perambatan Balik
Ekstraksi Ciri Batang untuk Pengenalan Nomer Rekening Tulisan Tangan dengan Jaringan Syaraf Tiruan Perambatan Balik Bar Features Extraction for Handwritten Account Number Recognition with Backpropagation
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 terperinciDIAGNOSA GANGGUAN SALURAN PERNAFASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
DIAGNOSA GANGGUAN SALURAN PERNAFASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Bambang Yuwono 1), Heru Cahya Rustamaji 2), Usamah Dani 3) 1,2,3) Jurusan Teknik Informatika UPN "Veteran" Yogyakarta
Lebih terperinciPENGENALAN CITRA OBJEK SEDERHANA DENGAN JARINGAN SARAF TIRUAN METODE PERCEPTRON
PENGENALAN CITRA OBJEK SEDERHANA DENGAN JARINGAN SARAF TIRUAN METODE PERCEPTRON Ardi Pujiyanta Program Studi Teknik Informatika, Fakultas Teknik Industri Universitas Ahmad Dahlan Yogyakarta ABSTRAK Konsep
Lebih terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
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 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 terperinciPengembangan Aplikasi Pengenalan Karaketer Alfanumerik Dengan Menggunakan Algoritma Neural Network Three-Layer Backpropagation
Pengembangan Aplikasi Pengenalan Karaketer Alfanumerik Dengan Menggunakan Algoritma Neural Network Three-Layer Backpropagation Andi Wahju Rahardjo Emanuel, Arie Hartono Jurusan S1 Teknik Informatika Fakultas
Lebih terperinciPerbandingan Arsitektur Multilayer Feedforward Network dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array
Nico Saputro Perbandingan Arsitektur Multilayer Feedforard Netork dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array Abstrak Jaringan Syaraf Tiruan dapat diimplementasikan secara perangkat
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 terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
Lebih terperinciIDENTIFIKASI SPEKTRUM FREKUENSI ISYARAT ELEKTROKARDIOGRAF MENGGUNAKAN JARINGAN SYARAF TIRUAN KOMPETISI PENUH
IDENTIFIKASI SPEKTRUM FREKUENSI ISYARAT ELEKTROKARDIOGRAF MENGGUNAKAN JARINGAN SYARAF TIRUAN KOMPETISI PENUH NAZRUL EFFENDY, ST., MT Staf Pengajar Jurusan Teknik Fisika, Fakultas Teknik Universitas Gadjah
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 terperinci