Tugas Akhir Pengembangan Perangkat Lunak Berbasis Suara Ucapan untuk Membuka dan Mencetak Dokumen
|
|
- Hamdani Makmur
- 7 tahun lalu
- Tontonan:
Transkripsi
1
2 Tugas Akhir Pengembangan Perangkat Lunak Berbasis Suara Ucapan untuk Membuka dan Mencetak Dokumen Oleh: Abd. Wahab Pembimbing: Drs. Nurul Hidayat, M.Kom
3 BAB1 Pendahuluan
4 Latar Belakang I Kemajuan Ilmu Pengetahuan dan Teknologi Bab 1 Pendahuluan 4
5 Rumusan Masalah I 1 Bab 1 Pendahuluan 5
6 Rumusan Masalah I 2 Bagaimana mengimplementasikan system menjadi perangkat lunak yang user friendly. Bab 1 Pendahuluan 6
7 Batasan Masalah I 1. Perintah berupa kata yang diucapkan oleh satu orang. Bab 1 Pendahuluan 7
8 Batasan Masalah I 2. Perintah yang diucapkan hanya perintah dengan bahasa Indonesia yang telah dijadikan referensi. Bab 1 Pendahuluan 8
9 Batasan Masalah I Dokumen yang dibuka atau dicetak adalah dokumen yang berada pada folder C:/Document/Suara Dokumen bertipe : Word, Excel, dan PDF dengan nama yang berbeda Bab 1 Pendahuluan 9
10 Batasan Masalah I 5. Mencetak dilakukan sesuai pengaturan default pada PC. Bab 1 Pendahuluan 10
11 Manfaat I 1. Proses mencetak dokumen dapat dilakukan oleh orang yang kurang terampil dalam mengoperasikan komputer. Bab 1 Pendahuluan 11
12 Manfaat I 2. Untuk dikembangkan sehingga aktifitas pada komputer dapat dilakukan melalui suara ucapan. Bab 1 Pendahuluan 12
13 BABII Tinjauan Pustaka
14 Studi Penelitian II Ramdani, R Jumadi, A Kendali Gerak Interaktif Robot Mobil Berbasis Suara Ucapan Liu,Y dan Bao 2006 Perbandingan Antara Metode Klasterisasi Rls Dan Fuzzy Clustering Pada Sistem Pengenalan Individu Berbasis Suara Ucapan A New Voice Activity Detection Algorithm Based On SOM & LVQ Bab II Tinjauan Pustaka 14
15 Estimasi Trispektrum II Proses estimasi sinyal suara yang didasarkan pada korelasi tiga parameter frekuensi yaitu f 1, f 2, f 3. Proses estimasi ini didasarkan pada persamaan berikut: M f 1, f 2, f 3 = 1 T ((X r(f 1 ) (X r (f 2 )(X r (f 3 ) (X r (f 1 + f 2 + f 3 )) Bab II Tinjauan Pustaka 15
16 Proses Estimasi Trispektrum II Proses Chunk Sinyal Suara Proses Windowing Proses Fast Fourier Transform Proses Trispektrum Bab II Tinjauan Pustaka 16
17 Modified sa Randomized Local Search II Eksploitasi Struktur terpendam dalam vektor Mengkompresi data Tinjauan Pustaka 17
18 Algoritma Modified sa Randomized Local Search II 1. Inisialisasi klaster representatif: a. cari nilai maksimum dan minimum dari data objek max max(x), min min(x) b. Hitung nilai kenaikan (Step) step (max min)/m c. Inisialisasi nilai awal klaster berdasarkan nilai kenaikan ci min ; i = 1 ci ci-1 + step ; i = 2 to M 2. Tentukan indeks klaster untuk setiap anggota data objek sehingga membentuk partisi optimal P OptimalPartition(C) Set Status iterasi dengan nilai false Bab II Tinjauan Pustaka 18
19 Algoritma Modified sa Randomized Local Search II 3. Ulangi langkah berikut jika status bernilai false a. Hitung nilai klaster swap dengan mengambil nilai centroid dari data objek berdasarkan indeks klasternya CNew CalculateNewCluster(P,C) C i = p i=j x i p i =j 1 j [1, M] b. Repartisi ulang data objek berdasarkan nilai klaster swap yang telah terbentuk. PNew OptimalPartition(CNew) c. Hitung jumlah jarak kuadrat antara data objek dengan klaster representatif dan klaster swap. Jika jumlah jarak kuadrat klaster swap lebih kecil, maka set klaster representatif dengan klaster swap berikut indeks klasternya, tetapi jika jumlah jarak kuadrat klaster swap lebih besar maka set nilai status dengan true. Bab II Tinjauan Pustaka 19
20 Self Organizing Maps II Bab II Tinjauan Pustaka 20
21 Struktur Self Organizing Maps II X : vektor input pembelajaran. X = {x 1, x 2, x j,, x n } α : learning rate R : radius neighborhood X I : neuron/node input. w oj : bias pada neuron output ke-j Y j : neuron/node output ke-j C : konstanta Bab II Tinjauan Pustaka 21
22 Algoritma JST-SOM II Langkah 0 : Inisialisasi pembobotan wij dengan nilai random. Menset parameter learning rate (α), dan radius tetangga (R) Langkah 1 : Apabila kondisi selesai belum terpenuhi, lakukan langkah 2-8 Langkah 2 : Untuk tiap vektor input x x i, i = 1, n, lakukan langkah 3-5 Langkah 3: Untuk tiap j j = 1, m, hitung jarak Euclidean D j = ( w ij x i ) 2 Langkah 4: Mencari indeks j dengan jarak D j terdekat(minimum) Langkah 5: Melakukan perbaikan nilai w ij dengan nilai tertentu.yaitu : w ij new = w ij old + α[x i w ij old ] (2) Langkah 6: Melakukan update learning rate. α t+1 = α t (3) Langkah 7 : Mereduksi radius dari fungsi tetangga pada waktu tertentu (epoch). Langkah 8 : Menentukan kondisi STOP. Bab II Tinjauan Pustaka 22
23 JST-Learning Vektor Quantization II Pembelajaran lapisan kompetitif terwarisi Jarak antar vector input Bab II Tinjauan Pustaka 23
24 Algoritma JST-LVQ II 1. Tetapkan : bobot (W), maksimum epoch (MaxEpoch) error minimum yang diharapkan (eps), learning rate α) 2. Masukkan : - Input: x(m,n) - Target: T(1,n) 3. Tetapkan kondisi awal: - epoch = 0-0 α 4. Kerjakan jika: (epoch < MaxEpoch) atau (α > eps) a. epoch = epoch +1 b. Kerjakan untuk i=1 sampai n Tentukan J sedemikian hingga x-wj minimum. Perbaiki wj dengan ketentuan: - Jika T = Cj maka: wj(baru)=wj(lama)+ α(x-wj(lama)) - Jika Cj maka: wj(baru)=wj(lama)- α(x-wj(lama)) c. Kurangi nilai α Bab II Tinjauan Pustaka 24
25 BAB III Metode Penelitian
26 Metode Penelitian III Analisi Sistem Desain Sistem Implementasi sistem Uji Coba Bab III Metodologi Penelitian 26
27 BAB IV Analisis Sistem & Desain Perangkat Lunak
28 Spesifikasi Perangkat keras IV 1. Philips SHM Notebook Toshiba Satelit L645 Processor intel core i3 M GHz RAM 2 GH Bab IV Analisis Sistem dan Desain Perangkat Lunak 28
29 Spesifikasi Perangkat Lunak IV 1. Windows 7 HP 2. NetBeans IDE Bab IV Analisis Sistem dan Desain Perangkat Lunak 29
30 Skema Proses Perangkat Lunak IV Bab IV Analisis Sistem dan Desain Perangkat Lunak 30
31 Analisis Kebutuhan Perangkat Lunak IV 1 Perangkat lunak mempunyai kemampuan untuk merekam suara dan menyimpannya dalam bentuk teks Bab IV Analisis Sistem dan Desain Perangkat Lunak 31
32 Analisis Kebutuhan Perangkat Lunak 1 2 Perangkat lunak dapat membaca file dalam bentuk teks dan selanjutnya melakukan proses estimasi Trispektrum Bab IV Analisis Sistem dan Desain Perangkat Lunak 32
33 Analisis Kebutuhan Perangkat Lunak IV 3 Bab IV Analisis Sistem dan Desain Perangkat Lunak 33
34 Analisis Kebutuhan Perangkat Lunak IV 4 Perangkat lunak dapat uji coba (testing) membuka dan mencetak dokumen Bab IV Analisis Sistem dan Desain Perangkat Lunak 34
35 Rancangan Sitem IV Estimasi Trispektrum Training Klusterisasi MSA-RLS Klasifikasi SOM+LVQ Testing Estimasi Trispektrum Testing LVQ Bab IV Analisis Sistem dan Desain Perangkat Lunak 35
36 Desain Perangkat Lunak IV Bab IV Analisis Sistem dan Desain Perangkat Lunak 36
37 BAB V Implementasi & Uji Coba
38 Proses Akuisisi Sinyal Suara V 20 Sinyal suara direkam 5 suara ucapan Artikel 5 suara ucapan Buku 5 suara ucapan Data 5 suara ucapan Skripsi Hasil perekaman disimpan dalam file (*.rec) Bab V Implementasi dan Uji Coba 38
39 Proses Akuisisi Sinyal Suara V Bab V Implementasi dan Uji Coba 39
40 Proses Estimasi Trispektrum V Chunk file dalam waktu 1,758 detik Hasil Estimasi disimpan dalam file (*.tmg) Bab V Implementasi dan Uji Coba 40
41 Proses Estimasi Trispektrum V Bab V Implementasi dan Uji Coba 41
42 Proses Klaster V 20 file diklaster dalam waktu 1,617 detik Hasil Klasterisasi disimpan dalam file (*.kls) Bab V Implementasi dan Uji Coba 42
43 Proses Klaster V Bab V Implementasi dan Uji Coba 43
44 Proses Klasifikasi V Tiap 5 data memiliki satu target yang sama 20 data diklasifikasi dalam waktu 1,740 detik Hasil Klasifikasi disimpan dalam file (*.bkls) dan (*.rkls) Bab V Implementasi dan Uji Coba 44
45 Proses Klasifikasi V Bab V Implementasi dan Uji Coba 45
46 Proses Membuka Dokumen V Implementasi dan Uji Coba 46
47 Proses Mencetak Dokumen V Bab V Implementasi dan Uji Coba 47
48 Hasil Uji Coba V Toleransi : 10% Ucapan Akurasi Artikel 97% Buku 93% Data 73% Skripsi 87% Dapat mencapai : 87% Bab V Implementasi dan Uji Coba 48
49 BAB VI Penutup
50 Kesimpulan VI 1. Rancangan sistem pengenalan suara ucapan 1. Proses training : proses estimasi trispektrum, klasterisasi MSA-RLS, dan klasikasi SOM+LVQ 2. Proses testing : estimasi trispektrum, testing JST-LVQ Bab VI Penutup 50
51 Kesimpulan VI 2. Sistem dapat diimplementasikan menjadi perangkat lunak yang user friendly, dengan tingkat keberhasilan mencapai 87% Bab VI Penutup 51
52 Saran VI 1. Menjadikan proses perekaman berjalan secara kontinue dan mengabaikan akuisisi mikrophone saat tidak ada suara pembicara. Bab VI Penutup 52
53 Saran VI 2. Menggunakan lebih banyak jumlah data sinyal suara yang dijadikan referensi. Bab VI Penutup 53
54 Saran VI 3. Sistem perangkat lunak dibuat tanpa adanya klik untuk memulai proses perekaman. Bab VI Penutup 54
55 Terima Kasih
PENGEMBANGAN PERANGKAT LUNAK BERBASIS SUARA UCAPAN UNTUK MEMBUKA DAN MENCETAK DOKUMEN
1 PENGEMBANGAN PERANGKAT LUNAK BERBASIS SUARA UCAPAN UNTUK MEMBUKA DAN MENCETAK DOKUMEN Abd Wahab, Drs. Nurul Hidayat, M.Kom Jurusan Matematika, FMIPA, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief
Lebih terperinciAPLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT
APLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT Fradika Indrawan Jurusan Teknik Informatika, Universitas Ahmad Dahlan, Yogyakarta Jl.
Lebih terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
Lebih terperinciBAB 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 terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciLingkungan Implementasi Clustering Menggunakan SOM HASIL DAN PEMBAHASAN Pengumpulan Data Perkembangan Anak Validasi Cluster Menggunakan
sehingga dapat diproses dengan SOM. Pada tahap seleksi data, dipilih data perkembangan anak berdasarkan kategori dan rentang usianya. Kategori perkembangan tersebut merupakan perkembangan kognitif, motorik
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 terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
Lebih terperinciTraining. Level Transformasi Wavelet. Banyak Fitur. Ukuran Dimensi. 0 40x x30 600
Citra asli Citra ya Inisialisasi: Topologi jaringan, Bobot awal, Lebar tetangga, Nilai laju awal pembelajaran Kriteria pemberhentian Training Error> -6 Epoch< 4 Alpha> HASIL DAN PEMBAHASAN Pada penelitian
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciUKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Bagi seseorang yang berprofesi sebagai dokter, kesalahan diagnosis suatu penyakit akan membawa dampak yang sangat fatal bagi pasiennya. Dalam kasus ini, penulis
Lebih terperinciBAB 4. JARINGAN BERBASIS KOMPETISI
BAB 4. JARINGAN BERBASIS KOMPETISI Jaringan berbasis kompetisi menggunakan ide kompetisi untuk meningkatkan kontras dalam aktivasi neuron (winner take all). Hanya neuron yang aktivasinya diperbolehkan
Lebih terperinciPERBANDINGAN ANTARA METODE KOHONEN NEURAL NETWORK DAN LEARNING VECTOR QUANTIZATION PADA SISTEM PENGENALAN TULISAN TANGAN SECARA REAL TIME
PERBANDINGAN ANTARA METODE KOHONEN NEURAL NETWORK DAN LEARNING VECTOR QUANTIZATION PADA SISTEM PENGENALAN TULISAN TANGAN SECARA REAL TIME Nama Mahasiswa : Asworo NRP : 205 00 077 Jurusan : Matematika FMIPA-ITS
Lebih terperinciPENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU
PENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU Risky Meliawati 1,Oni Soesanto 2, Dwi Kartini 3 1,3Prodi Ilmu Komputer FMIPA UNLAM 2 Prodi Matematika
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciBAB III METODE PENELITIAN. Pada bab ini akan dijelaskan bahan dan software yang digunakan
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan dan software yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan
Lebih terperinciSISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN MENGGUNAKAN METODE ESTIMASI TRISPEKTRUM DAN K-HARMONIC MEANS
HALAMAN JUDUL TUGAS AKHIR SM141501 SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN MENGGUNAKAN METODE ESTIMASI TRISPEKTRUM DAN K-HARMONIC MEANS GINA FAAIZATUD DINI NRP 1213 100 043 Dosen Pembimbing Drs.
Lebih terperinciANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU
ANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU Rosmelda Ginting 1*, Tulus 1, Erna Budhiarti Nababan 1 Program S2 Teknik Informatika
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Genre Menurut Kamus Besar Bahasa Indonesia, genre adalah jenis, tipe, atau kelompok sastra atas dasar bentuknya. Jadi genre musik merupakan pengelompokan musik berdasarkan kemiripan
Lebih terperinciKomparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation
Komparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation DOSEN PEMBIMBING Prof. Dr. Moh. Isa Irawan, M.T. Dr. Imam Mukhlash,
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Analisis merupakan proses penguraian konsep ke dalam bagian-bagian yang lebih sederhana, sehingga struktur logisnya menjadi jelas. Metode untuk menguji, menilai, dan
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
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 terperinciKLASIFIKASI BENTUK DAUN MENGGUNAKAN METODE KOHONEN ABSTRAK
KLASIFIKASI BENTUK DAUN MENGGUNAKAN METODE KOHONEN Safwandi. ST., M.Kom 1, Yenni Maulida, S.T ABSTRAK Penelitian ini menjelaskan tentang suatu metode klasifikasi bentuk daun berdasarkan input berupa bentuk
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Sistem Analisis sistem adalah penguraian dari suatu sistem yang utuh ke dalam bagian-bagian komponennya dengan tujuan mengidentifikasikan dan mengevaluasi
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Genre musik adalah pengelompokan musik sesuai dengan kemiripan satu dengan yang lain, seperti kemiripan dalam hal frekuensi musik, struktur ritmik, dan konten harmoni. Genre
Lebih terperinciJURNAL PENGELOMPOKAN SKRIPSI MENGGUNAKAN SELF ORGANIZING MAPS CLUSTERING (STUDI KASUS : PRODI TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI)
JURNAL PENGELOMPOKAN SKRIPSI MENGGUNAKAN SELF ORGANIZING MAPS CLUSTERING (STUDI KASUS : PRODI TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI) CLASSIFICATION OF THESIS USING SELF ORGANIZING MAPS CLUSTERING
Lebih terperinciBAB 3 PERANCANGAN SISTEM. untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
29 BAB 3 PERANCANGAN SISTEM 3.1 Gambaran Umum Sistem Pada dasarnya untuk pembuatan aplikasi ini, yakni aplikasi pengenalan suara untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
Lebih terperinciLEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA
LEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA 1,2,3 Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara e-mail: edgar.audela.bb@students.usu.ac.id,
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
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 terperinciANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR
Jurnal Teknik dan Ilmu Komputer ANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR PARAMETER VARIATION ANALYSIS OF LEARNING VECTOR QUANTIZATION
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih 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 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 terperinciPemetaan Prioritas Berbasis Penggalian Data Multidimensi Menggunakan WEBSOM (Priority Mapping Based on Multi-dimensional Data Mining Using WEBSOM)
Pemetaan Prioritas Berbasis Penggalian Data Multidimensi Menggunakan WEBSOM (Priority Mapping Based on Multi-dimensional Data Mining Using WEBSOM) ITS,08-07-2010 NINIK WIDAYATI Latar Belakang Masalah Pembuatan
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. Perancangan Sistem
34 Bab 3 Perancangan Sistem 3.1 Gambaran Umum Sistem Aplikasi yang kami namakan Voice Protect ini, mempunyai alur program sebagai berikut: Start Enkripsi Dekripsi Pilih File Buka file enkripsi Rekam Suara
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Nama Mahasiswa : Gigih Prasetyo Cahyono NRP : 1206 100 067 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Prof.
Lebih 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 terperinciGambar 2.1 Neuron biologi manusia (Medsker & Liebowitz, 1994)
BAB 2 LANDASAN TEORI 2.1. Jaringan Saraf Biologi Manusia Otak manusia memiliki struktur yang sangat kompleks, serta memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang
Lebih terperinciPENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION Heru Satria Tambunan AMIK Tunas Bangsa Jalan Sudirman Blok A No. -3, Kota Pematang Siantar, Sumatera
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Kelapa sawit (Elaeis Guineensis) merupakan salah satu komoditas ekspor perkebunan terbesar di Indonesia. Indonesia mempunyai struktur tanah serta curah hujan yang
Lebih terperinciAnalisis Perbandingan Algoritma Fuzzy C-Means dan K-Means
Analisis Perbandingan Algoritma Fuzzy C-Means dan K-Means Yohannes Teknik Informatika STMIK GI MDD Palembang, Indonesia Abstrak Klasterisasi merupakan teknik pengelompokkan data berdasarkan kemiripan data.
Lebih terperinciAPLIKASI PENGGUNAAN METODE KOHONEN PADA ANALISIS CLUSTER (Studi Kasus: Pendapatan Asli Daerah Jawa Tengah Dalam Menghadapi Asean Community 2015)
APLIKASI PENGGUNAAN METODE KOHONEN PADA ANALISIS CLUSTER (Studi Kasus: Pendapatan Asli Daerah Jawa Tengah Dalam Menghadapi Asean Community 015) Rezzy Eko Caraka 1 (1) Statistics Center Undip, Jurusan Statistika,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1. Spesifikasi Sistem Spesifikasi sistem komputer yang digunakan untuk menjalankan proses estimasi dan pengujian data adalah sebagai berikut : 4.1.1. Spesifikasi Perangkat
Lebih terperinciPenerapan Learning Vector Quantization Penentuan Bidang Konsentrasi Tugas Akhir (Studi Kasus: Mahasiswa Teknik Informatika UIN Suska Riau)
Penerapan Learning Vector Quantization Penentuan Bidang Konsentrasi Tugas Akhir (Studi Kasus: Mahasiswa Teknik Informatika UIN Suska Riau) Elvia Budianita 1, Ulti Desi Arni 2 1,2 Teknik Informatika, UIN
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Perceptron 2. ADALINE 3. MADALINE 2 Perceptron Perceptron lebih powerful dari Hebb Pembelajaran perceptron mampu menemukan konvergensi terhadap bobot yang
Lebih terperinciANALISIS CLUSTER DAN DIAGNOSA PENYAKIT MENGGUNAKAN JARINGAN SYARAF TIRUAN
Prosiding FMIPA Universitas Pattimura 03 ISBN: 978-60-975-0-5 ANALISIS CLUSTER DAN DIAGNOSA PENYAKIT MENGGUNAKAN JARINGAN SYARAF TIRUAN Zeth Arthur Leleury, Henry Willyam Michel Patty Jurusan Matematika
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1. Tampilan Hasil Berikut ini dijelaskan mengenai tampilan hasil dari perancangan Sistem peramalan nilai tukar kurs rupiah terhadap dollar Amerika menggunakan Hebb Neural
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Pada bab ini akan dibahas mengenai Hasil dan Pembahasan Perangkat Lunak Game Halma menggunakan Metode Deep First Search (DFS). Untuk itu perlu dilakukan proses pengujian perangkat
Lebih terperinciFUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ)
BAB 2 FUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ) Bab ini akan menjelaskan algoritma pembelajaran FNLVQ konvensional yang dipelajari dari berbagai sumber referensi. Pada bab ini dijelaskan pula eksperimen
Lebih terperinciIDENTIFIKASI JENIS BATU AKIK MENGGUNAKAN METODE LEARNING VEKTOR QUANTIZATION (LVQ)
IDENTIFIKASI JENIS BATU AKIK MENGGUNAKAN METODE LEARNING VEKTOR QUANTIZATION (LVQ) SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S. Kom.) Pada Program Studi Teknik
Lebih terperinciKlasifikasi Jenis Audio Berdasarkan Kondisi Psikologi Menggunakan Kombinasi Algoritme Self Organizing Maps dan Learning Vector Quantization
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964 Vol. 2, No. 9, September 28, hlm. 293-2936 http://j-ptiik.ub.ac.id Klasifikasi Jenis Audio Berdasarkan Kondisi Psikologi Menggunakan
Lebih terperinciKLASIFIKASI DATA FORUM PENGADUAN PESERTA PELATIHAN DI DIKLAT PERTANIAN JAWA TIMUR DENGAN MENGGUNAKAN METODE LVQ (LEARNING VECTOR QUANTIZATION)
KLASIFIKASI DATA FORUM PENGADUAN PESERTA PELATIHAN DI DIKLAT PERTANIAN JAWA TIMUR DENGAN MENGGUNAKAN METODE LVQ (LEARNING VECTOR QUANTIZATION) SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh
Lebih terperinciANALISIS DEKOMPOSISI WAVELET PADA PENGENALAN POLA LURIK DENGAN METODE LEARNING VECTOR QUANTIZATION
ANALISIS DEKOMPOSISI WAVELET PADA PENGENALAN POLA LURIK DENGAN METODE LEARNING VECTOR QUANTIZATION Bambang Robi in eure_bbg@yahoo.com Akademi Teknik PIRI Yogyakarta Abstrak Indonesia merupakan negara yang
Lebih terperinciIMPLEMENTASI PENGOLAHAN CITRA DAN ALGORITMA LVQ UNTUK PENGENALAN POLA BUKU
IMPLEMENTASI PENGOLAHAN CITRA DAN ALGORITMA LVQ UNTUK PENGENALAN POLA BUKU Andi Lukman Program Studi Teknik Informatika STIMED Nusa Palapa, Jl. Urip Sumohardjo No. 20 Graha Pena Lt. 10 Makassar uke@stimednp.ac.id
Lebih terperinciOPTICAL CHARACTER RECOGNIZATION (OCR)
LAPORAN JARINGAN SYARAF TIRUAN OPTICAL CHARACTER RECOGNIZATION (OCR) DISUSUN OLEH: DIJAS SCHWARTZ. S (524) FIRNAS NADIRMAN (481) INDAH HERAWATI (520) NORA SISKA PUTRI (511) OKTI RAHMAWATI (522) EKSTENSI
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
34 BAB 3 METODOLOGI PENELITIAN 3.1. Pendahuluan Pengenalan pola (pattern recognition) adalah proses klasifikasi dari suatu objek atau pola menjadi beberapa kategori atau kelas, yang mana bertujuan untuk
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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 menggambarkan desain penelitian peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan Backpropagation.
Lebih terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciPerbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
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 terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinci1 BAB III 2. 3 METODE PENELITIAN
14 1 BAB III 2. 3 METODE PENELITIAN 3.1 Sumber data Data yang digunakan dalam penelitian ini ialah data pengeluaran beban listrik harian sepanjang tahun 2008 sampai dengan tahun 2015 yang didapat dari
Lebih terperinciPENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Hasil Dalam bab ini akan dijelaskan dan ditampilkan bagaimana hasil dari rancangan program. Dimana didalam program ini terdapat tampilan menu utama, tampilan input folder,
Lebih terperinciSeminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016 ISBN:
Perintah Suara Berbahasa Indonesia untuk Membuka dan Menutup Aplikasi dalam Sistem Operasi Windows Menggunakan Metode Mel Frequency Cepstrum Coefficient dan Metode Backpropagation Zakaria Ramadhan 1, Sukmawati
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinciz_in ( ) dan mengaplikasikan fungsi aktivasi untuk menghitung sinyal output ( ) Propagasi balik:
LAMPIRAN 4 Lampiran Algoritma aringan syaraf tiruan propagasi balik Langkah 0 Inisialisasi bobot Langkah Selama kondisi berhenti bernilai salah, lakukan langkah -9. Langkah Untuk setiap pasangan, lakukan
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciBAB 3 Metodologi 3.1 Kerangka Berpikir
BAB 3 Metodologi 3.1 Kerangka Berpikir Kerusakan bangunan akibat gempa bumi menjadi salah satu penyebab dominan jatuhnya korban jiwa. Dibutuhkan suatu upaya untuk meminimalisasikan kerusakan bangunan akibat
Lebih terperinciSISTEM PENGENALAN WAJAH MENGGUNAKAN NEURO-WAVELET
SISTEM PENGENALAN WAJAH MENGGUNAKAN NEURO-WAVELET Benni Agung Nugroho, Irna Wijayanti dan Agus Widayanti Jurusan Teknik Informatika, Politeknik Kediri e-mail : benni.nugroho@gmail.com Abstrak Sistem pengenalan
Lebih terperinciMATERI DAN METODE. Cara Pengambilan Data
MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilaksanakan di Laboratorium Lapang Bagian Ilmu Produksi Ternak Perah, Fakultas Peternakan Institut Pertanian Bogor. Penelitian dilaksanakan selama dua
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jaringan syaraf tiruan merupakan bidang ilmu yang banyak digunakan dalam melakukan pengenalan pola suatu obyek. Banyak obyek yang dapat digunakan untuk pengenalan pola
Lebih terperinciyang menunjang dalam pengembangan program cluster. Aplikasi cluster ini dikembangkan pada laptop, dengan spesifikasi terdapat
BAB IV IMPLEMENTASI Bab ini akan menjelaskan mengenai implementasi dari sistem yang akan dikembangkan, berdasarkan hasil analisis yang telah diperoleh sebelumnya. Bab ini terdiri dari penjelasan mengenai
Lebih terperinciStudi Modifikasi standard Backpropagasi
Studi Modifikasi standard Backpropagasi 1. Modifikasi fungsi objektif dan turunan 2. Modifikasi optimasi algoritma Step Studi : 1. Studi literatur 2. Studi standard backpropagasi a. Uji coba standar backpropagasi
Lebih terperinciPengenalan Hand Gesture Dinamis Menggunakan JST Metode Pembelajaran Backpropagation
Pengenalan Hand Gesture Dinamis Menggunakan JST Metode Pembelajaran Backpropagation SEMINASIK FMIPA UGM 2013 Yuan Lukito, Agus Harjoko yuanlukito@gmail.com, aharjoko@ugm.ac.id Hand Gesture Gerakan anggota
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA)
61 LEARNING VECTOR QUANTIZATION UNTUK PENDETEKSIAN ANAK BERBAKAT (GIFTED CHILD) PADA MASA PERKEMBANGAN Nuri Insania Andyani1, Nelly Indriani Widiastuti2 1,2 Teknik Informatika Universitas Komputer Indonesia
Lebih terperinciUNIVERSITAS INDONESIA PENGEMBANGAN JARINGAN SYARAF TIRUAN DENGAN METODE SOM FUZZY DAN LVQ FUZZY TESIS DWI SUDARNO PUTRA
UNIVERSITAS INDONESIA PENGEMBANGAN JARINGAN SYARAF TIRUAN DENGAN METODE SOM FUZZY DAN LVQ FUZZY TESIS DWI SUDARNO PUTRA 0906577740 FAKULTAS TEKNIK PROGRAM PASCA SARJANA TEKNIK ELEKTRO DEPOK JULI 2011 UNIVERSITAS
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. 4.1 Spesifikasi Hardware dan Software yang digunakan dalam penelitian
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Hardware dan Software yang digunakan dalam penelitian Penelitian ini dilakukan dengan menggunakan satu set komputer dengan prosesor berkecepatan 1,18 GHz,
Lebih terperinciSISTEM PENGENALAN TULISAN TANGAN REAL TIME MENGGUNAKAN METODE DOMINANT POINT DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN TULISAN TANGAN REAL TIME MENGGUNAKAN METODE DOMINANT POINT DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Oleh: Bakhtiar Arifin (1206 100 722) Dosen Pembimbing: Prof. DR. M.
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Berikut ini akan dijelaskan tentang tampilan hasil dari perancangan Penerapan Algoritma Apriori Jurusan Yang Paling Diminati Calon Mahasiswa Di Sekolah Tinggi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. Bab 2 ini berisi tentang pembahasan teori-teori tentang jaringan syaraf tiruan, Algoritma Learning Vector Quantization (LVQ).
BAB 2 TINJAUAN PUSTAKA Bab 2 ini berisi tentang pembahasan teori-teori tentang jaringan syaraf tiruan, Algoritma Learning Vector Quantization (LVQ). 2.1. Algoritma Algoritma adalah urutan langkah-langkah
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 IMPLEMENTASI KD-TREE K-MEANS CLUSTERING PADA KLASTERISASI DOKUMEN (Kata kunci: KD-Tree K-Means Clustering, Klasterisasi Dokumen, K- Dimensional Tree, K-Means Clustering)
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini menjelaskan tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan dalam penelitian ini.
Lebih terperinciKLASIFIKASI KUALITAS BUAH GARCINIA MANGOSTANA L. MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION
KLASIFIKASI KUALITAS BUAH GARCINIA MANGOSTANA L. MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION Endi Permata 1), Andri Suherman 2) 1) Pendidikan Teknik Elektro Universitas Sultan Ageng Tirtayasa Banten
Lebih terperinciKOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN
Lebih terperinciMETODOLOGI PENELITIAN
digilib.uns.ac.id BAB III METODOLOGI PENELITIAN 3.1 Studi Literatur Studi ini dilakukan dengan cara mencari dan membaca berbagai literatur serta karya-karya penelitian mengenai topik penelitian yang sudah
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN PROGRAM APLIKASI. spesifikasi perangkat keras dan perangkat lunak yang menunjang.
26 BAB III ANALISIS DAN PERANCANGAN PROGRAM APLIKASI 3.1 Spesifikasi yang Dibutuhkan Untuk dapat menjalankan Voice Recognition Program ini dibutuhkan beberapa spesifikasi perangkat keras dan perangkat
Lebih terperinci