PENERAPAN ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI MUSIK DENGAN SOLO INSTRUMEN
|
|
- Sukarno Lie
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Seminar Nasional Apliasi Tenologi Informasi 009 (SNATI 009) Yogyaarta, 0 Juni 009 ISSN: PENERAPAN ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI MUSIK DENGAN SOLO INSTRUMEN Gunawan 1, Agus Djaja Gunawan, Stefanus Nico Soenardjo 1 Jurusan Teni Informatia, Seolah Tinggi Teni Surabaya Jl. Ngagel Jaya Tengah 7-77, Surabaya 6084 Telp. (01)50790, Fas. (01) admin@hansmichael.com, Jurusan Teni Eletro, Seolah Tinggi Teni Surabaya Jl. Ngagel Jaya Tengah 7-77, Surabaya dwaynecrawner@yahoo.com Jurusan Teni Informatia, Seolah Tinggi Teni Surabaya Jl. Ngagel Jaya Tengah 7-77, Surabaya 6084 Telp. (01)50790, Fas. (01) secretmenaa@yahoo.com ABSTRAK Pada maalah ini diembangan sebuah sistem yang melauan lasifiasi terhadap file musi berdasaran atas jenis alat musinya. Batasan yang diberian adalah musi menjadi inputan harus solo instrumen dan tanpa voal. Jenis file yang menjadi inputan adalah file WAVE. Untu proses pengenalan musi program ini dibagi dalam dua fase, yaitu fase estrasi fitur dan fase lasifiasi musi. Pada fase estrasi fitur, yang dilauan adalah untu mengambil ciri-ciri dari file musi. Ciri-ciri ini emudian aan menjadi dasar untu melauan lasifiasi jenis alat musi. Dalam fase ini, terjadi tiga proses yaitu pengambilan sampel, FFT dan Spectral Analysis. Fase lasifiasi musi terdiri dari dua proses, yaitu proses pelatihan dan uji coba. Metode yang digunaan dalam fase lasifiasi musi ini adalah Bacpropagation Neural Networ. Yang menjadi input pada proses lasifiasi adalah ciri-ciri lagu yang telah didapatan dari fase estrasi fitur. Output yang diharapan dari fase lasifiasi adalah jenis alat musi dari file input. Kata Kunci: solo instrumen, lasifiasi, bacpropagation 1. PENDAHULUAN Perembangan musi dewasa ini sudah begitu pesat. Banya seali macam musi yang ada. Hal ini menyebaban lagu yang ada menjadi sangat banya. Untu memudahan proses penyimpanan, saat ini banya yang disimpan dalam bentu eletroni. Keadaan ini adang ala menyebaban proses pencarian terhadap sebuah lagu menjadi sulit. Kadang ala bahan musi yang disimpan tida dietahui judul Salah satu solusi yang bisa digunaan untu menangani masalah ini adalah dengan membuat suatu lasifiasi terhadap lagu tersebut berdasaran atas riteria tertentu sesuai dengan eperluan. Klasifiasi yang dilauan diharapan dapat membantu proses pencarian terhadap suatu lagu tertentu. Proses lasifiasi musi dapat dilauan berdasaran riteria-riteria tertentu, misalnya nama artis, judul lagu, jenis lagu dan sebagainya. Salah satu riteria yang digunaan adalah dengan berdasaran jenis alat musi yang digunaan. Klasifiasi berdasaran atas jenis alat musi yang digunaan lebih efetif bila digunaan untu musi yang hanya menggunaan solo instrument. Klasifiasi ini aan urang efetif bila digunaan pada musi yang terdiri dari banya instrument.. PEMAHAMAN DISIPLIN TERKAIT Terdapat empat teori yang menduung maalah ini. Beriut aan dijelasan secara singat mengenai File WAVE, FFT, Spectral Analysis dan Bacpropagation Neural Networ..1 File Wave File WAVE merupaan salah satu format data yang digunaan untu menyimpan suara. Dengan menggunaan format tertentu maa suara bai berupa ucapan orang maupun bunyi yang dihasilan dari alat musi dapat tersimpan, sehingga sewatuwatu dapat dijalanan embali. Musi sendiri merupaan hasil arya seni dalam bentu suara tersusun atas satuan watu, perpaduan dari seseorang atau beberapa pemusi beserta dengan alat musinya. Metode penyimpanan file WAVE menggunaan sistem Pulse Code Manupulation (PCM) untu mengodean suara dari bentu analog menjadi bentu digital. Dalam metode ini yang dilauan adalah mengambil sampel dari sinyal analog yang diterima dalam selang watu tertentu, emudian sampel ini direpresentasian dalam suatu nilai dalam bentu digital (biasanya dalam bentu biner). Hal ini dienal dengan istilah sampel rate. Jadi, sampel rate adalah jumlah sampel yang diambil per deti dari sebuah sinyal yang ontinue untu dijadian sinyal yang disrit. Satuan dari sampel rate adalah Hertz (Hz). Gambaran mengenai format file WAVE bisa dilihat pada Gambar 1. F-67
2 Seminar Nasional Apliasi Tenologi Informasi 009 (SNATI 009) Yogyaarta, 0 Juni 009 ISSN: Data A dibagi menjadi elompo lagi, yaitu data urutan genap dan data urutan gasal, sehingga menjadi A 5 (x 1, x 5 ) dan A 6 (x, x 7 ). 8. DFT dari A 5 adalah = x1 / 4 x5 DFT dari A 6 adalah 4 = x / 4x7, Gambar. Algoritma Fast Fourier Transform Untu menghitung transformasi fourier, terdapat sebuah algoritma yang dapat menghitung dengan cepat yang dengan algoritma Fast Fourier Transform (FFT) (Gabel, 1996). Beriut ini pada Gambar adalah algoritma FFT dengan contoh perhitungan dengan menggunaan 8 data. Gambar 1. Format File WAVE Sebuah file WAVE terdiri dari elompoelompo data yang disebut chun (Sapp, 00). Dalam sebuah chun terdapat bagian header dan data. File WAVE biasanya terdiri dari sebuah chun yang mengandung dua sub-chuns.. Fast Fourier Transform Transformasi fourier digunaan untu mengubah fungsi atau sinyal dalam domain watu e domain freuensi. Tranformasi fourier diemuaan oleh Joseph Fourier, seorang matematiawan Prancis, pada Tahun 18. Pada awalnya penemuan ini dienal dengan sebutan Transformasi Fourier (FT) (Rosdiana, 006). 1. Urutan data (A 0 ) = x 0, x 1, x, x, x 4, x 5, x 6, x 7 Interval N adalah 0,,7. Nilai N adalah 8.. DFT dari A 0 adalah 1 = 11( ) 1 Nilai dimulai dari 0 sampai N-1.. Data A 0 dibagi menjadi elompo, yaitu data urutan genap dan data urutan gasal, sehingga menjadi A 1 (x 0, x, x 4, x 6 ) dan A (x 1, x, x 5, x 7 ). 4. DFT dari A 1 adalah 11 = 1( ) / DFT dari A adalah 1 = ( ) / 4 Nilai dimulai dari 0 sampai N/-1 (). 5. Data A 1 dibagi menjadi elompo lagi, yaitu data urutan genap dan data urutan gasal, sehingga menjadi A (x 0, x 4 ) dan A 4 (x, x 6 ). 6. DFT dari A adalah 1 = x0 / 4x4 DFT dari A 4 adalah = x / 4x6. Spectral Analysis Seperti Spectral Analysis adalah sebuah metode/perangat yang digunaan untu meneliti beberapa hal seperti omposisi listri, suara, atau sinar. Spectral Analysis itu dapat juga menguur daya spetrum. Ada spectral analysis, yaitu analog dan digital spetrum: a. Analog, pada analisa digunaan sebuat alat untu menangap suara/freuensi yang ada dan emudian digambaran dengan menggunaan alat yang dinamaan oscillator. b. Digital, analisa dilauan untu suara digital, dilauan oleh computer dengan melauan perhitungan discrete Fourier transform (DFT), yaitu proses yang melauan perubahan dari gelombang dalam domain watu menjadi domain freuensi. Dari bentu domain freuensi ini bisa dilauan untu berbagai eperluan. Dalam pembuatan program lasifiasi ini menggunaan beberapa digital spectral analysis, yaitu spectral centroid, spectral urtosis, spectral slope, spectral spread dan spectral rolloff...1 Spectral Centroid Spectral centroid merupaan titi pusat dari spectrum (Madeley, 007). Spectral centroid menunjuan tingat ejernihan suara. Spectral centoid dapat dihitung dengan menggunaan persamaan (1), persamaan () dan persamaan (). μ = x. p( (1) Dimana untu menghitung p ( f ) : A( f ) p( f ) = () A( f ) f Dan untu menghitung A ( f ) : [ x( )] A ( f ) = f t () F-68
3 Seminar Nasional Apliasi Tenologi Informasi 009 (SNATI 009) Yogyaarta, 0 Juni 009 Variabel x adalah merupaan frequensi dari sampel yang diambil. Sedangan variabel p ( f ) merupaan probabilitas untu untu mengamati f (Peeters, 00)... Spectral Kurtosis Spectral Kurtosis memberian nilai flatness dari distribusi spectrum (Madeley, 007). Dihitung pada iterasi eempat. Untu menghitung spectral urtosis bisa menggunaan persamaan (4) dan persamaan (5). 4 m 4 = ( f μ ). p( (4) Dan nilai urtosis : m4 γ = (5) 4 σ Nilai yang di dapat dari spectral urtosis mempunyai indiasi sebagai beriut (Peeters, 00): a. Spectral Kurtosis =, indiasi distribusi normal b. Spectral Kurtosis <, indiasi flatter normal c. Spectral Kurtosis =, indiasi peaer normal.. Spectral Slope Spectral Slope memberian indiasi dari pengurangan amplitude (Madeley, 007). Spectral slope dapat dihitung dengan menggunaan persamaan (6). N f. A( f ) f. A( f ) m 1 f f f = (6) a( ) N f f Untu menghitung A( f ) gunaan persamaan ()...4 Spectral Spread Spectral Spread mendefenisian penyebaran dari spectrum. Spectral spread dapat dihitung dengan menggunaan persamaan: σ = ( f μ). p( (7) Untu menghitung p ( f ) bisa digunaan persamaan (). Variabel μ dalam hal ini dalam hal ini adalah nilai dari spectral centroid yang bisa dihitung dengan menggunaan persamaan (1)...5 Spectral Sewness Memberian uuran dari distribusi asimetris dari nilai rata-rata spectrum (Madeley, 007). Dihitung dengan persamaan spectral spread tapi pada iterasi etiga. Untu menghitung spectral sewness bisa digunaan persamaan (8) dan persamaan (9). m = ( f μ ). p( (8) Dan emudian untu mendapatan nilai sewness: γ 1 m σ = (9) Nilai yang didapat dari perhitungan spectral sewness mempunyai arti sebagai beriut: ISSN: a. Spectral Sewness = 0, indiasi distribusi asymmetric b. Spectral Sewness > 0, indiasi distribusi terjadi pada bagian anan c. Spectral Sewness < 0, indiasi distribusi terjadi pada bagian iri..6 Spectral Rolloff Spectral Rolloff merupaan frewensi yang sinyal energinya di bawah 95% dari normal (Madeley, 007). Spectral rolloff bisa dihitung dengan persamaan (10). f c f ny A ( f ) = 0,95 A ( f ) (10) 0 0 Untu menghitung A( f ) gunaan persamaan..7 Sampel Data Pada persamaan (1), persamaan (4), persamaan (7) dan persamaan (8) terdapat integral terbatas. Batasan yang digunaan dalam hal ini bisa diubahubah sesuai dengan eperluan. Dalam penentuan panjang sampel data ada hal yang harus diperhatian, yaitu jangan sampai membebani watu penghitungan. Gambar. Contoh Grafi Sample Data Bila sampel data digambaran dalam bentu grafi, bisa dilihat seperti pada Gambar. Maa, batas untu integral adalah a dan b. Dalam maalah ini panjang batasan yang digunaan adalah Bacpropagation Neural Networ Neural Networ Bacpropagation merupaan sebuah jaringan neural networ yang bersifat supervised (Setiawan, 00), dimana diperluan data training dalam prosesnya. Jaringan dalam Bacpropagation bersifat multilayer. Jadi minimal terdapat sebuah input layer, hidden layer dan output layer. Untu melauan lasifiasi digunaan neural networ metode bacpropagation. Dengan menggunaan hasil feature extraction, maa dapat digunaan sebagai dasar untu melauan proses lasifiasi. Pengetahuan yang dimilii oleh algoritma bacpropagation neural networ didapatan melalui hasil pelatihan yang dilauan. Pengetahuan disimpan sebagai sebuah nilai yang biasanya disebut bobot. Nilai bobot inilah yang emudian aan menjadi dasar untu melauan F-69
4 Seminar Nasional Apliasi Tenologi Informasi 009 (SNATI 009) Yogyaarta, 0 Juni 009 ISSN: lasifiasi atas inputan yang diberian. Strutrur umum bacpropagation bisa dilhat pada Gambar 4. Gambar 4. Strutur Umum Bacpropagation. ARSITEKTUR Program ini memilii omponen utama, yaitu penerima input, sistem lasifiasi, dan output, seperti bisa dilihat pada Gambar 5. Program aan menerima inputan dari pengguna berupa file WAVE dan emudian melauan proses lasifiasi terhadap musi tersebut dan emudian memberian output berupa jenis alat musi yang digunaan dalam file WAVE yang diinputan. Gambaran lebih mendetail dari proses Music Classification pada Gambar 5 bisa dilihat pada Gambar 6 dimana dijabaran menjadi tiga proses utama dalam program ini, yaitu proses feature extraction, MaxMin Normalization dan Bacpropagation. Proses feature extraction bertujuan untu mendapatan ciri-ciri dari file WAVE yang menjadi input dari program. Dengan ciri-ciri maa bisa dijadian sebahai dasar dalam melauan proses lasifiasi. Proses MaxMin Normalization bertujuan untu menormalisasian nilai yang didapat setelah proses feature extraction sehingga nilai menjadi di antara 1 dan -1. Gambar 5. Alur Sistem Gambar 6. Proses Feature Extraction Gambar 6. Arsitetur Program Proses feature extraction terdiri dari tiga proses, yaitu pengambilan sampel, FFT dan Spectral analysis, seperti yang bisa dilihat pada Gambar 6. Pertama ali program aan menerima inputan berupa file WAVE. Pengambilan sampel dilauan untu mengambil sebagian data pada file WAVE. Proses FFT dilauan pada data sampel untu mengubah dari domain watu menjadi domain F-70
5 Seminar Nasional Apliasi Tenologi Informasi 009 (SNATI 009) Yogyaarta, 0 Juni 009 freuensi. Setelah itu dilauan proses spectral analysis untu mendapatan spectral feature yang menjadi dasar untu dilauannya lasifiasi. Proses Bacpropagation terdiri dari dua proses, yaitu proses untu pelatihan dan ujicoba. Pada proses ujicoba maa metode ini mempelajari data yang diberian dan mendapatan pengetahuan, Kemudian pengetahuan ini digunaan untu proses lasifiasi. 4. UJI COBA Untu eperluan ujicoba, digunaan omputer dengan spesifiasi sebagai beriut: 1. Intel Core Duo E700,.66Ghz. Memory GB. Harddis 50 GB ISSN: terjadi dalam program ini, yaitu proses pelatihan dan pengujian Bacpropagation. Untu form pelatihan bisa dilihat pada Gambar 7. Untu eperluan pengujian juga disediaan form tersendiri. Forrn pengujian bisa dilihat pada Gambar 8. Pada form pengujian disediaan fasilitas untu menjalanan lagu. Uji coba yang dilauan pada beberapa sampel data dari inputan berupa file WAVE dapat dilihat pada Tabel 1. Nilai-nilai yang terdapat pada Tabel 1 merupaan nilai yang merupaan ciri-ciri dari file musi yang menjadi inputan. Nilai-nilai tersebut sudah mengalami normalisasi, sehingga menjadi berisar antara -1 dan 1. Tabel 1. Contoh Hasil Feature Extraction 10 Buah File Setelah di Normalisasi Gambar 7. User Interface Form Pelatihan Klasifiasi dilauan dengan menggunaan lima jenis alat musi dengan masing-masing alat musi terdapat sepuluh lagu. Hasil dari ujicoba lasifiasi ternyata didapatan alau sistem berhasil melauan lasifiasi untu 4 file dari total 50 file yang di gunaan untu ujicoba. Hasil dari ujicoba bisa dilihat pada Tabel. Tabel. Hasil Uji Coba Jadi tingat aurasi sistem seitar 84%. Kesalahan terjadi pada alat musi yang mirip, misalnya pada alat musi yang sama-sama dipeti. Hasil spectral analysis memberian hasil yang mirip. Gambar 8. User Interface Form Pelatihan Pada watu program dijalanan, tida ada program lain yang iut dijalanan. Untu mengembangan sofware ini maa diperluan user interface yang memadai untu melauan semua proses yang diperluan. Ada dua proses besar yang 5. PENUTUP Selama proses pembuatan software dan analisa yang telah dilauan, didapatan beberapa esimpulan penting untu maalah ini. Dari uji coba yang telah dilauan, untu proses pengenalan dari sebuah file WAVE, rata-rata memerluan watu seitar sampai dengan 7 deti. Dengan ondisi ini maa sangat menghemat watu dari pada harus mendengaran musi satu persatu. F-71
6 Seminar Nasional Apliasi Tenologi Informasi 009 (SNATI 009) Yogyaarta, 0 Juni 009 Metode Spectral Analysis terbuti dapat digunaan untu proses lasifiasi musi dengan solo instrumen. Dari metode ini didapatan fiturfitur (ciri-ciri) dari file musi yang menjadi dasar lasifiasi. Input untu metode ini adalah sampel dari file WAVE yang telah mengalami proses FFT. Pengambilan sampel pada sebuah file WAVE dibatasi menjadi 500 sampel. Hal ini dilauan dengan pertimbangan untu mempersingat watu yang diperluan untu proses pengambilan fitur dari file WAVE yang ada namun tida mengorbanan tingat aurasi program. Untu mencapai hasil lasifiasi yang optimal maa perlu dilauan esperimen pada penggunaan algoritma Bacpropagation Neural Networ. Esperimen yang dilauan pada pembuatan program tugas ahir ini adalah dengan mengubah jumlah node pada hidden layer pada arsitetur algoritma bacpropagation. Jumlah node yang digunaan adalah 4. Pada proses lasifiasi musi dengan jenis alat musi yang mirip, misalnya sama-sama dipeti, ada ecenderungan terjadi egagalan dalam proses lasifiasi. Hal ini arena hasil estrasi fitur-fitur spetral memberian hasil yang mirip. Kemiripan fitur disebaban arena energi bunyi pada petian lebih besar daripada energi bunyi saat sustain, sehingga yang dianalisa adalah spetum petiannya, buan spetrum sustainnya. Pada bagian pelatihan pada program disediaan inputan untu onfigurasi parameter dalam algoritma Bacpropagation. Dengan adanya parameter ini maa dapat dilauan esperimen untu mendapatan hasil lasifiasi yang optimal. Parameter yang tersedia adalah jumlah node pada hidden layer, learning rate, error rate dan jumlah epoch. Penggunaan omponen TWAVE sangat membantu dalam pembuatan tugas ahir ini. Komponen TWAVE mempunyai property, function dan procedure yang sangat membantu dalam proses manipulasi file WAVE. ISSN: sifungsi Sapp, Craig. (00) The Canonical WAVE File Format. projects/waveformat/ Setiawan, Kuswara, (00). Paradigma Sistem Cerdas. Surabaya:Bayumedia. 00. PUSTAKA Gabel, Robert A. (1996). Signals and Linear Systems (Sinyal dan Sistem Linear).Jaarta.Penerbit Erlangga. Madeley, Davyd. (007). Automatic Computer Classification of Solo Musical Instruments. Peeters, G. (004) A large set of audio features for sound description (similarity and classification) in the cuidado project. ARTICLES/Peeters_00_cuidadoaudiofeatures. pdf Rosdiana, Rina. (006). Visualisasi Aprosimasi Fungsi menggunaan deret Fourier dan Deret WAVELET. F-7
khazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciPENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
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 terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciSATUAN ACARA PERKULIAHAN ( SAP )
SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kuliah : Pengolahan Citra Digital Kode : IES 6323 Semester : VI Watu : 1x 3x 50 Menit Pertemuan : 7 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem
Lebih terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
Lebih terperinciPengaruh Proses Stemming Pada Kinerja Analisa Sentimen Pada Review Buku
Jurnal Hasil Penelitian LPPM Untag Surabaya Januari 2018, Vol. 03, No. 01, hal 55-59 jurnal.untag-sby.ac.id/index.php/jhp17 E-ISSN : 2502-8308 P-ISSN : 2579-7980 Pengaruh Proses Stemming Pada Kinerja Analisa
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Jadwal Secara Umum Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian watu berdasaran rencana pengaturan urutan erja, daftar atau tabel egiatan
Lebih terperinciStudi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya
Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciSistem Pendukung Keputusan Penerima Beasiswa SMK Menggunakan Metode Backpropagation
Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi Sistem Penduung Keputusan Penerima Beasiswa SMK Menggunaan Metode Bacpropagation Teti Rohaeti 1, Yoyon Kusnendar Suprapto 2, Eo Mulyanto 3
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION
Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan
Lebih terperinciKENDALI LOGIKA FUZZY DENGAN METODA DEFUZZIFIKASI CENTER OF AREA DAN MEAN OF MAXIMA. Thiang, Resmana, Wahyudi
KENDALI LOGIKA FUZZY DENGAN METODA DEFUZZIFIKASI CENTER OF AREA DAN MEAN OF MAXIMA Thiang, Resmana, Wahyudi Jurusan Teni Eletro, Universitas Kristen Petra Jl. Siwalanerto 121-131 Surabaya Email : thiang@petra.ac.id,
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciISSN: TEKNOMATIKA Vol.1, No.2, JANUARI
ISSN: 1979-7656 TEKNOMATIKA Vol.1, No.2, JANUARI 2009 25 PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN Bambang Yuwono Jurusan Teni Informatia UPN Veteran
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciPenerapan Transformasi Kosinus Diskrit Dalam Klasifikasi Alat Musik Tradisional Menggunakan K-nearest Neighbor
JURNAL SISTEM DAN INFORMATIKA 103 Penerapan Transformasi Kosinus Diskrit Dalam Klasifikasi Alat Musik Tradisional Menggunakan K-nearest Neighbor Ricky Aurelius Nuranto Diaz STMIK STIKOM Bali Jl. Raya Puputan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
Lebih terperinciPENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER
PENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER Wiaria Gazali 1 ; Haryono Soeparno 2 1 Jurusan Matematia, Faultas Sains dan Tenologi, Universitas Bina Nusantara Jln. K.H. Syahdan No. 9, Palmerah,
Lebih terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciModel Pembelajaran Off-Line Menggunakan Jaringan Syaraf Tiruan Untuk Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teknik Elektronika PENS 2009
Model Pembelaaran Off-Line Menggunaan Jaringan Syaraf Tiruan Untu Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teni Eletronia PENS 2009 Arie Setya Wulandari#, Eru Puspita S.T., M.Kom#2 # Jurusan
Lebih terperinciTransformasi Wavelet Diskret Untuk Data Time Series
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 015 Transformasi Wavelet Disret Untu Data Time Series S - 11 11 Vemmie Nastiti Lestari, Subanar Jurusan Matematia, Faultas Matematia dan Ilmu Pengetahuan
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar Tugas Ahir PENDETEKSI POSISI MENGGUNAKAN SENSOR ACCELEROMETER MMA7260Q BERBASIS MIKROKONTROLER ATMEGA 32 Muhammad Riyadi Wahyudi, ST., MT. Iwan Setiawan, ST., MT. Abstract Currently, determining
Lebih terperinciBAB III MODEL KANAL WIRELESS
BAB III MODEL KANAL WIRELESS Pemahaman mengenai anal wireless merupaan bagian poo dari pemahaman tentang operasi, desain dan analisis dari setiap sistem wireless secara eseluruhan, seperti pada sistem
Lebih terperinciAnalisis Pengaruh Peralatan Laboratorium Terhadap Kualitas Daya Pada Laboratorium Elektroteknika Dasar
3 Analisis Pengaruh Peralatan Laboratorium Terhadap Kualitas Daya Pada Laboratorium Eletrotenia Dasar Jamhir slami Pranata Laboratorium Pendidian (PLP) Ahli Muda Laboratorium Eletrotenia Dasar Faaultas
Lebih terperinciKata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan
Statisti Respon Kanal Radio Dalam Ruang Pada Freuensi,6 GHz Christophorus Triaji I, Gamantyo Hendrantoro, Puji Handayani Institut Tenologi Sepuluh opember, Faultas Tenologi Industri, Jurusan Teni Eletro
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih terperinciDany Candra Febrianto ) dan Hindayati Mustafidah )
Penerapan Jaringan Saraf Tiruan dengan Metode Pembelaaran Bacpropagation untu Mengetahui Tingat Kualifiasi Calon Siswa pada Sistem Informasi Penerimaan Siswa Baru di MAN 2 Banarnegara (Application of Artificial
Lebih terperinciPENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Sutino 1, Helmie Arif Wibawa 2, Priyo Sidi Sasongo 3 123 Jurusan Ilmu Komputer/Informatia, FSM,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Tempat dan Watu Penelitian Penelitian ini dilauan di Jurusan Matematia Faultas Matematia dan Ilmu Pengetahuan Alam Universitas Lampung. Watu penelitian dilauan selama semester
Lebih terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinciParalelisasi Transformasi Fourier pada Arsitektur General Purpose Graphic Processing Unit Untuk Klasifikasi Alat Musik Dengan Instrumen Solo
Paralelisasi Transformasi Fourier pada Arsitektur General Purpose Graphic Processing Unit Untuk Klasifikasi Alat Musik Dengan Instrumen Solo Ridwan Rismanto 5109201049 DOSEN PEMBIMBING Dr. Nanik Suciati,
Lebih terperinciPengenalan Pola. Klasifikasi Linear Discriminant Analysis
Pengenalan Pola Klasifiasi Linear Discriminant Analysis PTIIK - 2014 Course Contents 1 Analisis Disriminan 2 Linear Classification 3 Linear Discriminant Analysis (LDA 4 Studi Kasus dan Latihan Analisis
Lebih terperinciBAB IV APLIKASI PADA MATRIKS STOKASTIK
BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii
Lebih terperinciPENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU
PENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU Wahyudi 1, Adhi Susanto 2, Sasongo P. Hadi 2, Wahyu Widada 3 1 Jurusan Teni Eletro, Faultas Teni, Universitas Diponegoro, Tembalang,
Lebih terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
Lebih terperinciEstimasi Harga Saham Dengan Implementasi Metode Kalman Filter
Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter eguh Herlambang 1, Denis Fidita 2, Puspandam Katias 2 1 Program Studi Sistem Informasi Universitas Nahdlatul Ulama Surabaya Unusa Kampus B
Lebih terperinciAnalisa Kinerja Kode Konvolusi pada Sistem Parallel Interference Cancellation Multi Pengguna aktif Detection
Analisa Kinerja Kode Konvolusi pada Sistem Parallel Interference Cancellation Multi Pengguna atif Detection CDMA dengan Modulasi Quadrature Phase Shift Keying Berbasis Perangat Luna Saretta Nathaniatasha
Lebih terperinciMETODE WATERMARKING UNTUK PENYISIPAN INDEKS DATA PADA IMAGE MENGGUNAKAN HAAR TRANSFORMASI WAVELET
METODE WATERMARKING UNTUK PENYISIPAN INDEKS DATA PADA IMAGE MENGGUNAKAN HAAR TRANSFORMASI WAVELET Maryanti 1, Nana Juhana, ST. 1, Manahan P.Siallagan S.Si, MT. 1 1) Jurusan Teni Informatia, FT, UNIKOM
Lebih terperinciAPLIKASI WAVELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES. : Agus Sumarno NRP :
APLIKASI WAELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES Nama : Agus Sumarno NRP : 06 00 706 Jurusan : Matematia Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si Abstra Model time series
Lebih terperinciSTUDI KOMPARASI IMPLEMENTASI JARINGAN BASIS RADIAL DAN FUZZY INFERENCE SYSTEM TSK UNTUK PENYELESAIAN CURVE FITTING
STUDI KOPARASI IPEENTASI JARINGAN BASIS RADIA DAN FUZZY INFERENCE SYSTE TSK UNTUK PENYEESAIAN CURVE FITTING Sri Kusumadewi Teni Informatia Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyaarta cicie@fti.uii.ac.id
Lebih terperinciIMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA
94 IMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA Yudhi Purwananto 1, Diana Purwitasari 2, Agung Wahyu Wibowo Jurusan Teni Informatia, Institut Tenologi Sepuluh Nopember
Lebih terperinciANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI
Seminar Nasional Apliasi Tenologi Informasi 26 (SNATI 26) ISSN: 97-522 Yogyaarta, 7 Juni 26 ANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI Rully Soelaiman, Ni Made Arini
Lebih terperinciMakalah Seminar Tugas Akhir
Pengaturan Kecepatan Motor DC Menggunaan Jaringan Syaraf Tiruan Feedforward Bacpropagation Sorihi *, Wahyudi **, Iwan Setiawan ** Abstra - Jaringan syaraf bacpropagation merupaan aringan syaraf yang telah
Lebih terperinci1. Pendahuluan Jaringan syaraf tiruan ( Artificial Neural Networ ) adalah suatu tenologi omputasi yang berbasis pada model syaraf biologis dan mencoba
JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI METODE PERAMALAN PADA PERHITUNGAN TINGKAT SUKU BUNGA PINJAMAN DI INDONESIA Nurmalasari Rusmiati 1 Sistem Informasi, Faultas Ilmu Komputer, Universitas Gunadarma
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
BAB IV IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Apliasi Pada tahap implementasi ini merupaan penerapan apliasi dari hasil perancangan sistem yang ada untu mencapai suatu tujuan yang diinginan. Implementasimelasanaan
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciPenggunaan Metode Bagi Dua Terboboti untuk Mencari Akar-akar Suatu Persamaan
Jurnal Penelitian Sains Volume 16 Nomor 1(A) Januari 013 Penggunaan Metode Bagi Dua Terboboti untu Menari Aar-aar Suatu Persamaan Evi Yuliza Jurusan Matematia, FMIPA, Universitas Sriwijaya, Indonesia Intisari:
Lebih terperinciCONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN MOMENT INVARIANT, TEKSTUR DAN BACKPROPAGATION
UPN Veteran Yogyaarta, 30 Juni 2012 CONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN MOMENT INVARIANT, TEKSTUR DAN BACKPROPAGATION Ni G.A.P Harry Saptarini 1), Rocy Yefrenes Dilla 2) 1) Politeni Negeri Bali 2)
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciAKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA
AKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA Aris Puji Widodo, Suhartono 2, Eo Adi Sarwoo 3, dan Zulfia Firdaus 4,2,3,4 Departemen Ilmu Komputer/Informatia,
Lebih terperinciARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET
Prosiding SNaPP2012 : Sains, Tenologi, dan Kesehatan ISSN 2089-3582 ARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET 1 John Maspupu 1 Pussainsa LAPAN, Jl Dr Dundunan No 133 Bandung
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinciPROGRAM SIMULASI UNTUK REALISASI STRUKTUR TAPIS INFINITE IMPULSE RESPONSE UNTUK MEDIA PEMBELAJARAN DIGITAL SIGNAL PROCESSING
Konferensi asional Sistem dan Informatia 28; Bali, ovember 15, 28 KS&I8-44 PROGRAM SIMULASI UTUK REALISASI STRUKTUR TAPIS IFIITE IMPULSE RESPOSE UTUK MEDIA PEMBELAJARA DIGITAL SIGAL PROCESSIG Damar Widjaja
Lebih terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belaang Di aman searang sebuah adal yang tersusun rapi merupaan ebutuhan bagi setiap individu. Namun masalah penyusunan sebuah adal merupaan sebuah masalah umum yang teradi,
Lebih terperinciII. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode
3 II. TINJAUAN PUSTAKA 2.1 Analisis Ragam (Anara) Untu menguji esamaan dari beberapa nilai tengah secara sealigus diperluan sebuah teni yang baru yang disebut analisis ragam. Anara adalah suatu metode
Lebih terperinciPerlindungan Hak Cipta Pada Data Audio Menggunakan Teknik Watermarking Phase Coding.
Perlindungan Ha Cipta Pada Data Audio Menggunaan Teni Watermaring Phase Coding Abstra Martharany Rumondang Departemen Teni Informatia Institut Tenologi Bandung Jalan Ganesha 10 Bandung 40132 E-mail : if12062@students.if.itb.ac.id,
Lebih terperinciBAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN
BAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN Berdasaran asumsi batasan interval pada bab III, untu simulasi perhitungan harga premi pada titi esetimbangan, maa
Lebih terperinciKAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Media Informatia, Vol. 5, No. 2, Desember 2007, 99-111 ISSN: 0854-4743 KAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Anita Desiani Jurusan Matematia,
Lebih terperinciParalelisasi Transformasi Fourier Para Arsitektur General Purpose Graphic Processing Unit Untuk Klasifikasi Alat Musik Dengan Solo Instrumen
Paralelisasi Transformasi Fourier Para Arsitektur General Purpose Graphic Processing Unit Untuk Klasifikasi Alat Musik Dengan Solo Instrumen Ridwan Rismanto 1 *, Nanik Suciati 2, Wahyu Suadi 3 Institut
Lebih terperinci3. Sebaran Peluang Diskrit
3. Sebaran Peluang Disrit EL2002-Probabilitas dan Statisti Dosen: Andriyan B. Susmono Isi 1. Sebaran seragam (uniform) 2. Sebaran binomial dan multinomial 3. Sebaran hipergeometri 4. Sebaran Poisson 5.
Lebih terperinciDESAIN SENSOR KECEPATAN BERBASIS DIODE MENGGUNAKAN FILTER KALMAN UNTUK ESTIMASI KECEPATAN DAN POSISI KAPAL
DESAIN SENSOR KECEPAAN BERBASIS DIODE MENGGUNAKAN FILER KALMAN UNUK ESIMASI KECEPAAN DAN POSISI KAPAL Alrijadjis, Bambang Siswanto Program Pascasarjana, Jurusan eni Eletro, Faultas enologi Industri Institut
Lebih terperinciPENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI
PENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciAutomatic Image Annotation Menggunakan Metode Block Truncation dan K-Nearest Neighbor
LONTAR KOMPUTERVOL. 4, NO. 1, APRIL 2013 ISSN: 2088-1541 Automatic Image Annotation Menggunaan Metode Bloc Truncation dan K-Nearest Neighbor Duman Care Khrisne 1, Darma Putra 2 1 STIKI, Bali 2 Tenologi
Lebih terperinciSISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN
SISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN Julian Supardi, Rz. Abdul Aziz, Syepriansyah Seolah Tggi Manaemen Informatia dan Komputer Darmaaya Jl. Z.A Pagar Alam No. 93 Bandar Lampung Indonesia
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS 1 Ihwannul Kholis, 2 Ahmad Rofii. 1 Universitas 17 Agustus 1945 Jaarta,
Lebih terperinciPendeteksi Rotasi Menggunakan Gyroscope Berbasis Mikrokontroler ATmega8535
Maalah Seminar Tugas Ahir Pendetesi Rotasi Menggunaan Gyroscope Berbasis Miroontroler ATmega8535 Asep Mubaro [1], Wahyudi, S.T, M.T [2], Iwan Setiawan, S.T, M.T [2] Jurusan Teni Eletro, Faultas Teni, Universitas
Lebih terperinciPERBAIKAN KUALITAS CITRA MENGGUNAKAN HISTOGRAM LINEAR CONTRAST STRETCHING PADA CITRA SKALA KEABUAN
PERBAIKAN KUALITAS CITRA MENGGUNAKAN HISTOGRAM LINEAR CONTRAST STRETCHING PADA CITRA SKALA KEABUAN Murinto Program Studi Teni Informatia Universitas Ahmad Dahlan Kampus III UAD Jl. Prof. Soepomo Janturan
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinciVARIASI NILAI BATAS AWAL PADA HASIL ITERASI PERPINDAHAN PANAS METODE GAUSS-SEIDEL
SEMINAR NASIONAL PENDIDIKAN SAINS Peningatan Kualitas Pembelajaran Sains dan Kompetensi Guru melalui Penelitian & Pengembangan dalam Menghadapi Tantangan Abad-1 Suraarta, Otober 016 VARIASI NILAI BATAS
Lebih terperinciStudi dan Implementasi Video Watermarking dengan Mekanisme Adaptive Embedding
Studi dan Implementasi Video Watermaring dengan Meanisme Adaptive Embedding Fetty Fitriyanti.L, Suhono H. Supangat Multimedia and Cyberspace Engineering Research Group Kelompo Keahlian Tenologi Informasi
Lebih terperinciR(s) 1 G(s) 1 C(s) -H(s) Gambar Diagram aliran sinyal
.. Diagram Aliran Sinyal ( Signal Flow Diagram) Untu mengungapan sistem pengendalian selain digambaran dalam bentu diagram blo, adang-adang digambaran dalam diagram alir an sinyal (signal flow diagram)
Lebih terperinciBAB II PENGENALAN WAJAH
BAB II PENGENALAN WAJAH Sistem pengenalan waah dapat dibagi menadi empat tahap, yaitu tahap pengolahan citra, detesi waah, estrasi fitur dan tahap pengenalan waah. Pada tugas ahir ini aan lebih diteanan
Lebih terperinciPENENTUAN ELEVASI PERMUKAAN AIR BERDASARKAN DATA SERIES TINGGI TEKANAN AIR
PENENTUAN ELEVASI PERMUKAAN AIR BERDASARKAN DATA SERIES TINGGI TEKANAN AIR Andi Rusdin* * Series data of sea surface elevation is required to determine the parameters of tidal and wave parameters. The
Lebih terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
Lebih terperinciPENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( )
PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursati (13507065) Program Studi Teni Informatia, Seolah Teni Eletro dan Informatia, Institut Tenologi Bandung Jalan Ganesha No. 10 Bandung, 40132
Lebih terperinciKONTROL MOTOR PID DENGAN KOEFISIEN ADAPTIF MENGGUNAKAN ALGORITMA SIMULTANEOUS PERTURBATION
Konferensi Nasional Sistem dan Informatia 29; Bali, November 14, 29 KONTROL MOTOR PID DENGAN KOEFISIEN ADAPTIF MENGGUNAKAN ALGORITMA SIMULTANEOUS PERTURBATION Sofyan Tan, Lie Hian Universitas Pelita Harapan,
Lebih terperinciPERANCANGAN APLIKASI MULTIMEDIA UNTUK PENGENALAN BAHASA ISYARAT BAGI ANAK TUNARUNGU BERBASIS ANDROID
170 Jurnal Sistem dan Tenologi Informasi (JUSTIN) Vol. 1, No. 2, (2017) 170 PERANCANGAN APLIKASI MULTIMEDIA UNTUK PENGENALAN BAHASA ISYARAT BAGI ANAK TUNARUNGU BERBASIS ANDROID Alfian Irdandi 1, Helfi
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciPERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI
PERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPENERAPAN ALGORITMA APRIORI UNTUK MEMPEROLEH ASSOCIATION RULE ANTAR ITEMSET BERDASARKAN PERIODE PENJUALAN DALAM SATU TRANSAKSI
PENERAPAN ALGORITMA APRIORI UNTUK MEMPEROLEH ASSOCIATION RULE ANTAR ITEMSET BERDASARKAN PERIODE PENJUALAN DALAM SATU TRANSAKSI Devi Fitrianah, Ade Hodijah Program Studi Teni Informatia, Faultas Ilmu Komputer,
Lebih terperinci