DETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN
|
|
- Irwan Kurnia
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: X Yogyaarta, 11 Desember 2010 DETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN Uning Lestari Jurusan T. Informatia, Institut Sains & Tenologi AKPRIND Yogyaarta, INTISARI Manusia memilii emampuan yang luar biasa untu mengenali obe-obe berdasaran cirri-ciri atau pengetahuan yang pernah diamatinya. Komputer merupaan alat pengolah data yang bai, cepat, aurat, dan efesien selain itu uga dapat untu menyelesaian masalah-masalah yang tida terstrutur, informasi tida lengap, dan data yang bersifat ualitatif (masalah Artificial Intelligence). Pengenalan pola yang merupaan salah satu apliasi dalam AI (Artificial Intelligence) bertuuan untu menglasifiasian dan mendetesi pola atau obe omples melalui penguuran sifat-sifat atau cirri-ciri obe (warna, bentu, testur). Pada penelitian ini dibuat suatu sistem yang dapat mengenali pola dua buah obe yang hampir mirip bentunya tapi mempunyai perbedaan warna yang mencolo, oleh arena itu diambil feature (cirri) warna pada pengenalan pola obenya. Sistem pengenalan pola tersebut dibuat dengan salah satu metode Jaringan Syaraf Tiruan yang terawasi (Supervised Learning) yaitu Bac Propagation. Hasil penelitian ini menunuan dengan pembelaaran yang dilauan beberapa ali sistem dapat mengenali dua buah citra obe sederhana yaitu citra Jeru dan Apel berdasaran ciri warnanya. Jia error < 0.5 sistem dapat mengenali edua citra tersebut. Kata Kunci : Bac Propagation, Pengenalan Pola, colour feature PENDAHULUAN Manusia memilii emampuan yang luar biasa untu mengenali obe-obe berdasaran cirri-ciri atau pengetahuan yang pernah diamatinya. Perembangan tenologi omputer searang ini sangat cepat, selain omputer merupaan alat pengolah data yang sangat bai, cepat, aurat, dan efesien, omputer uga dapat berfungsi yang lebih auh lagi yaitu emampuan omputer untu menyelesaian masalah-masalah yang tida terstrutur, informasi tida lengap, dan data yang bersifat ualitatif. Masalah-masalah tersebut harus diselesaian berdasaran pengalaman dan membutuhan pengetahuan (nowledge) atau fata dari permasalahan yang ada. Dengan ata lain omputer harus mempunyai intelegensia atau ecerdasan. Dengan ecerdasan tersebut omputer dapat mengambil esimpulan atau solusi berdasaran masalah yang diinputan. Artificial Intelligence merupaan ilmu omputer yang mengembangan emampuan omputer agar dapat membantu pemecahan masalah yang membutuhan ecerdasan dan fungsi-fungsi husus yang mempunyai analogi terhadap tingah lau manusia. Banya apliasi yang termasu dalam Artificial Intelligence (AI) misalnya di robotia, games, expert system, penginderaan, pemahaman bahasa, problem solving, pengenalan pola (pattern recognition) dan lain-lain. Jaringan Syaraf Tiruan (JST) adalah suatu sistem pemroses informasi yang berdasaran model aringan Syaraf biologi, bermacam-macam apliasi berbasis aringan syaraf tiruan telah diembangan di berbagai bidang salah satunya dalam hal pengenalan pola (Pattern and Recognition). Dengan adanya tenologi ini omputer dapat menganalisa serta mengetahui obe-obe yang ada bai berbentu 2 dimensi maupun 3 dimensi sesuai dengan tuuan yang aan diimplemetasian edalam perangat luna dan perangat eras. Contoh implementasi pengenalan pola yaitu sebagai apliasi untu pengenalan pola citra buah berdasaran ciri warna dimana fungsi utamanya menganalisa berdasaran data yang telah ada melalui proses belaar dan proses pengenalan arater, hal ini memanfaatan algoritma Propagasi Bali (Bacpropagation) arena algoritma ini termasu e dalam proses belaar terawasi (Supervised Learning) dimana proses atau tahap pelatihan dilauan dengan perbaian esalahan serta pencapain suatu target tertentu. Model arsitetur aringan yang digunaan adalah aringan layar ama (multi layer networ) arena Bacpropagation mempunyai beberapa lapisan seperti lapisan masuan, lapisan eluaran dan lapisan tersembunyi, sedang fungsi Ativasi yang dipaai adalah fungsi biner sigmoid arena sangat sesuai dengan algoritma Propagasi Bali. Penelitian di bidang pengenalan pola ini telah banya digunaan untu apliasi-apliasi misalnya untu pemetaan tanah melalui foto udara, pengenalan huruf, mendetesi elainan tubuh berdasaran foto sinar X dan lain sebagainya. Penelitian tentang pengenalan pola ini telah dilauan uga oleh beberapa peneliti diantaranya Ang Wie Siong d (2000) yang membuat sistem pengenalan pola obe sederhana dengan menggunaan metode Jaringan Syaraf Tiruan Self Organizing Map (SOM). Pada penelitian ini aringan dilatih untu mengenali pola sebanya lima belas macam meliputi tiga bentu (ubus, tabung, dan erucut). Jaringan dilatih terus menerus sampai diperoleh error tertentu dan diharapan sistem dapat mengenali citra dengan eror yang minimum. A-152
2 Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: X Yogyaarta, 11 Desember 2010 Pada penelitian ini bertuuan untu menelaah lebih auh pembelaaran (learning) pada asus feature based image processing untu asus pengenalan obe berdasaran pola warna (colour feature) dengan menggunaan salah satu metode Jaringan Syaraf Tiruan yaitu metode Bac Propagation. Untu pengenalan obe dalam citra, dilauan dengan memasuan citra e sistem, disini penulis memberian contoh untu citra Apel dan Jeru dimana bentu edua buah tersebut hampir mirip hanya warna yang membedaan. Dari ciri (feature) tersebut diambil ciri warna untu pembedanya dan diharapan sistem dapat mengenali apaah citra tersebut buah Apel atau Jeru berdasaran ciri warnanya. Sistem pengenalan pola ini mempunyai batasan-batasan yaitu: citra hanya terdiri dari satu obe, perbedaan warna obe satu citra dengan obe citra yang lain sangat mencolo, warna latar belaang (bacground) pada setiap citra dibuat sama, bentu obe pada setiap citra hampir sama dengan warna yang berbeda, di sini penulis menggunaan citra dengan obe eru dan apel, dan citra sudah terbebas dari noise. Pola adalah intensitas yang terdefinisi dan dapat diidentifiasi melalui ciri-cirinya (features). Ciri-ciri tersebut digunaan untu membedaansuatu pola dengan pola lainnya. Ciri yang bagus adalah ciri yang memilii daya pembeda yang tinggi, sehingga pengelompoan pola berdasaran ciri yang dimilii dapat dilauan dengan eauratan yang tinggi. Secara umum pengenalan pola bertuuan untu menglasifiasian dan mendetesi pola atau obe omples melalui penguuran sifat-sifat atau cirri-ciri obe. Tahapan dan tuuan proses pengenalan pola dibedaan menadi dua yaitu: a. Memasuan pola edalam suatu ela spola yang belum dienal prosesnya disebut clustering atau lasifiasi tida terawasi b. Mengidentifiasian pola sebagai anggota dari elas yang sudah dienal, prosesnya disebut lasifiasi terawasi. Fase proses pengenalan pola beroperasi dalam dua fase yaitu: 1. Fase latih Pada fase ini pengestrasi cirri menentuan ruang cirri yang sesuai untu merepresentasian pola, 2. Fase Pengenalan Penglasifiasi menentuan suatu pola masuan sebagai salah satu ategori obe yang telah dspesifiasian menurut cirri-ciri obe. Pola Proses pra pengolaha n Estrasi Ciri Klasifiasi Citra Fase Pengenalan Sampel Pola Fase Latih Selessi Ciri Latihan Gambar 1 Model proses pengenalan pola Citra Digital Citra didefinisian sebagai fungsi intebsitas cahaya dua dimensi f(x,y), dimana x dan y merupaan oordinat spasial dan nilai f pada suatu titi (x,y) adalah intensitas cahaya (brighness/gray level) dari citra tersebut di titi (x,y). Citra digital adalah citra dengan f(x,y) yang nilainya didigitalisasi (dibuat disrit) bai dalam ordinat spasialnya maupun gray levelnya. Digitalisasi dari oordinat spasial citra disebut dengan image sampling, sedangan digitalisasi dari gray level citra disebut dengan gray level quantization. Citra digital dapat didesripisian sebagai suatu matris dimana baris dan olomnya menunuan suatu titi dalam citra, dan nilai elemen matris tersebut menunuan gray level di titi tersebut. Elemen-elemen dari citra tersebut disebut pixel (picture elements). Persepsi visual citra berwarna (color image) umumnya lebih aya dibandingan dengan citra hitam putih (grayscale). Citra berwarna menampilan citra obe seperti warna aslinya. Warna yang diterima oleh mata dari sebuah obe ditentuan oleh warna sinar yang dipantulan oleh obe tersebut. Warna sinar yang direspon ileh mata adalah sinar tampa (visible spectrum) dengan panang gelombang 400 (biru) sampai 700 nm (merah). Kombinasi warna yang memberian rentang warna yang paling lebar adalah red (R), green (G), dan blue (B). Ketiga warna tersebut dinamaan warna poo (primaris), dan sering disingat sebagai warna dasar A-153
3 Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: X Yogyaarta, 11 Desember 2010 RGB. Warna-warna lain dapat dihasilan dengan mengombinasian etiga warna poo tersebut dengan persentase tertentu. W = a R + b G + c B W : warna ombinasi; a,b,c : persentase dari masing-masing warna poo; R,G,B: red, green, blue Gambar 2 : Spetrum Warna Jaringan syaraf tiruan adalah suatu sistem pemrosesan informasi yang cara eranya memilii esamaan tertentu dengan aringan syaraf biologis (Fausett, 1994). Jaringan syaraf tiruan diembangan sebagai model matematis dari syaraf biologis dengan berdasar asumsi bahwa : 1. Pemrosesan teradi pada elemen-elemen sederhana yang disebut neuron 2. Sinyal dilewatan neuron melalui penghubung 3. Setiap penghubung mempunyai bobot yang aan mengalian sinyal yang lewat 4. Setiap neuron memilii fungsi ativasi yang aan menentuan nilai sinyal output Jaringan syaraf dapat digolongan menadi berbagai enis berdasaran arsiteturnya, yaitu pola hubungan antara neuron-neuron, dan algoritma trainingnya, yaitu cara penentuan nilai bobot pada penghubung. Untu memyelesaian masalah ini, digunaan metode algoritma bacpropagation. Gambar 3. JST Propagasi Bali dengan empat node pada input layer, satu hidden layer dengan empat node, dan dua node pada output layer Metode yang digunaan untu menyelesaian masalah di atas adalah dengan menggunaan aringan syaraf tiruan dengan metode bacpropagation / feedforward dengan algoritma pelatihan yang sederhana. Pelatihan dilauan untu pengauturan bobot-bobot yang bai. Selam proses pelatihan, bobot-bobot diatur secara iteratif untu meminimuman fungsi inera aringan. Fungsi inera aringan yang sering digunaan untu bacpropagation adalah mean square error (MSE), fungsi ini aan mengambil rata-rata uadrat error yang teradi antara output aringan dan target. Sebagian besar algoritma pelatihan untu aringan feedforward menggunaan gradien dari fungsi inera untu menentuan bagaimana mengatur bobot-bobot untu meminimuman inera. Gradien ini ditentuan dengan menggunaan suatu teni yang disebut bacpropagation. Pada dasarnya algoritma pelatihan bacpropagation aan menggeraan bobot dengan arah gradien negatif. Prinsip dasar algoritma bacpropagation sederhana adalah memperbaii bobot-bobot aringan dengan arah yang membuat fungsi inera turun dengan cepat. Metode Bacpropagation Bacpropagation meripaan algoritma pembelaaran yang biasanya digunaan oleh perseptron dengan banya lapisan untu mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi. Algoritma bacpropagation menggunaan error output untu mengubah nilai bobot-bobotnya dengan arah mundur (bacward). Untu mendapatan error tersebut tahap perambatan mau harus dieraan A-154
4 Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: X Yogyaarta, 11 Desember 2010 lebih dahulu. Pada saat perambatan mau, neuron-neuron diatifan dengan menggunaan ativasi yang dapat dideferenialan, seperti sigmoid: 1 y f ( x) ; dengan : f '( x) f ( x)[1 f ( x)] x 1 e atau tansig : x x 2x e e 1 e y f ( x) atau y f ( x) x x 2x e e 1 e f '( x) [1 f ( x)][1 f ( x ; atau purelin: y f ( x) x dengan f '( x) 1 dengan : )] Algoritma Bacpropagation Inisialisasi bobot (ambil bobot awal dengan nilai random yang ecil) Tetapan : Masimun Epoh, Target Error, dan Learning Rate ( ). Keraan langaah-langah beriut selama (Epoh < Masimum Epoh) dan (MSE > Target Error): 1. Epoh = Epoh+1 2. Untu tiap-tiap pasangan elemen yang aan dilauan pembelaaran, eraan: feedforward: a. Tiap-tiap unit input ( X i, i = 1,2,3,,n) menerima sinyal X i dan menerusan sinyal tersebut e semua unit pada lapisan yang ada di atasnya 9lapisan tersembunyi). b. Tiap-tuap unit pada suatu lapisan tersembunyi ( Z, = 1,2,3, p) menumlahan sinyal-sinyal input terbobot: n z _ in b1 x v, gunaan fungsi ativasi untu menghitung sinyal i1 i i ( outputnya: z f z _ in ), dan iriman sinyal tersebut e semua unit di lapisan atasnya (unitunit output). c. Tiap-tiap unit output ( Y, = 1,2,3, m) menumlahan sinyal-sinyal input terbobot: y _ in b2 y f ( y _ in ) p i1 z w i, gunaan fungsi ativasi untu menghitung sinyal outputnya:, dan iriman sinyal tersebut e semua unit lapisan atasnya (unit-unit output). Catatan : langah (b) dilauan sebanya umlah lapisan tersembunyi. Bacpropagation a. Tiap-tiap unit output ( Y, = 1,2,3, m) menerima target pola yang berhubungan dengan pola input pembelaaran hitung informasi errornya: ( t t ) f '( y _ in ) 2 z ; 2 emudian hitung oresi bobot (yang nantinya aan digunaan untu memperbaii nilai w 2 hitung uga orelasi bias (yang nantinya aan digunaan untu memperbaii nilai b2 : b2 2 w ): langah (d) ini uga dilauan sebanya lapisan tersembunyi e lapisan tersembunyi sebelumnya. b. Tiap-tiap unit tersembunyi ( Z, = 1,2,3, p) menumlahan delta inputnya (dari unit-unit yang berada pada lapisan di atasnya: m _ in 2 w 1 alian niali ini dengan turunan dari fungsi ativasinya untu menghitung informasi error: 1 _ in f '( z _ in ) ; 1i 1 x ; 1 1 emudian hitung oresi bobot-bobot (yang nantinya aan digunaan untu memperbaii nilai v 1 i i v i ): A-155
5 Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: X Yogyaarta, 11 Desember 2010 hitung uga oresi bias (yang nantinya aan digunaan untu memperbaii nilai b1 ) : c. Tiap-tiap unit output ( Y, = 1,2,3, m) memperbaii bias dan bobotnya ( = 0,1,2,.,p): w ( baru) w ( lama) w ; b2 ( baru) b2 ( lama) b2 Tiap-tiap unit tersembunyi ( v Z, = 1,2,3, p) memperbaii bias dan bobotnya ( i = 0,1,2, n): i ( baru) vi ( lama) vi ; b1 ( baru) b1 ( lama) b1 b1 1 d. Hitung MSE. Inisialisai bobot awal secara random. Biasanya bobot awal diinisialisasi secara random dengan nilai antara -0.5 dsampai 0.5 (atau -1 sampai 1, atau interval lainnya). PEMBAHASAN Sistem pengenalan obe sederhana ini diimplementasian dengan program Matlab 7. File yang digunaan berupa file citra dengan format JPEG dan TIF dengan 16 gray scale. Secara garis besar proram ini aan dilauan langah-langah sebagai beriut: - Membua file citra digital dengan format TIF. - Membaca file citra digital dalam bentu matris, dengan nilai matris tersebut adalah merupaan warna dan citra telah diresolusi menadi 10 x 10 pixel matris untu memudahan dan menyederhanaan perhitungan. - Membuat pelatihan pola warna dengan data sebanya 14 file citra warna dengan format TIF dan uuran matris pixel 10 x Dibuat matrix 10 x 10 dar data pelatihan meadi vetor olom untu semua data pelatihan - Menentuan data penguian dengan data sebanya 3 file citra warna yang diinputan dengan format TIF dengan uuran matris pixel 10 x Membuat nilai-nilai warna citra yang berupa matris pixel menadi nilai riel dengan type double. - Mencari niali masimal dari nilai masimal vetor matis data pelatihan maupun data penguian - Menormalisasi data pelatihan dan penguian - Menentuan data target latih dan data target ui - Membangun aringan syaraf tiruan dengan metode feedforward - Menentuan masimun epoh, learning rate, show step - Melauan pembelaaran - Menampilan bobot-bobot awal input, lapisan, dan bias - Melauan simulasi - Melauan penguian data - Menentuan error - Menari esimpulan Pada pembuatan sistem menggunaan fungsi-fungsi yang yang ada di Matlab diantaranya fungsi: - Imread, fungsi ini berguna untu membaca citra dari suatu file. Jia citra yang dibaca memilii format warna grayscale, fungsi ini aan menghasilan array dua dimensi yang berisi informasi intensitas grayscale dari citra tersebut. Fungsi ini menduung format BMP, JPEG, TIF, PNG, HDF, PCX, dan XWD. - Reshape, menampilan matrix m x n yang mana setiap elemen diletaan dalam bentu olom (vetor olom) - Double, berfungsi membuat nilai suaatu variabel X menadi double array - net=newff Berfungsi untu membangun aringan syaraf feedforward - traingdx, memperbaii bobot-bobot dw lr * gw dan gw = gradien inera A-156, dimana dw = perubahan bobot, lr = learning rate, - logsig, fungsi sigmoid biner, fungsi ativasi identitas. - net.trainparam.epochs = MaxEpoh, menentuan masimum epoch, yaitu umlah epoch masimum yang boleh dilauan selama pelatihan. Iterasi aan dihentian apabila nilai epoch melebihi nilai masimum epoch. - net.trainparam.goal = TargetError, menentuan inera tuuan, yaitu target nilai fungsi inera. Iterasi aan dihentian apabila fungsi inera urang dari atau sama dengan inera tuuan.
6 Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: X Yogyaarta, 11 Desember net.trainparam.max_perf_inc = MaxPerfinc,menentuan masimum enaian inera, yaitu nilai masimum enaian error yang diizinan, antara error saat ini dan error sebelumnya. - net.trainparam.ir = LearningRate,menentuan learning rate, yaitu lau pembelaaran. - net.trainparam.ir_inc = IncLearningRate, menentuan rasio yang berguna sebagai fator pengali untu enaian learning rate apabila lerning rate yang ada terlalu rendah atau mencapai eonvergenan. - net.trainparam.ir-dec = DecLearningRate, menentuan rasio untu menurunan learning rate. Rasio ini berguna sebagai fator pengali untu menurunan lerning rate apabila learning rate yang ada terlalu tinggi dan menuu e etidastabilan. File citra yang disimpan untu Implementasi Program adalah sebagai beriut: - Untu citra appel dengan format JPEG dapat dilihat pada Gambar 4, sebagai beriut: Gambar 4 Citra Apel format JPEG emudian untu proses implementasi program file-file citra apel tersebut diresolusi menadi matris pixel 10 x 10 dengan format TIF sebagai beriut: Gambar 5 Citra Apel dengan Format TIF - Untu File citra eru dengan format JPEG dapat dilihat pada gambar 6. sebagai beriut: Gambar 6 Citra Jeru dengan Format JPEG Kemudian untu proses implementasi program file-file citra eru tersebut diresolusi menadi matris pixel 10 x 10 dengan format TIF dapat dilihat pada Gambar 7. sebagai beriut: Gambar 7 Citra Jeru dengan Format TIF - File citra yang digunaan untu data pelatihan/pebelaaran dapat dilihat pada gambar 8. adalah sebagai beriut: A-157
7 Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: X Yogyaarta, 11 Desember 2010 Gambar 8 Citra Apel dan Jeru untu proses Pelatihan File citra yang digunaan untu data ui dapat dilihat pada gambar 9. adalah sebagai beriut: Gambar 9 Citra yang aan diui Hasil Running Program untu langah-langah pada implementasi program di atas adalah sebagai beriut: Running program yang pertama: Error Penguian Dengan Data Ui ====== EU = Tida Dienal Running program edua: ===== Error Penguian Dengan Data Ui ===== EU = Jeru Tida Dienal Running program etiga: ==== Error Penguian Dengan Data Ui ==== EU = A-158
8 Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: X Yogyaarta, 11 Desember 2010 Jeru Running program eempat: ==== Error Penguian Dengan Data Ui ===== EU = Jeru Running program elima adalah : ===== Error Penguian Dengan Data Ui ===== EU = Jeru >> Running program eenam adalah: ===== Error Penguian Dengan Data Ui ===== EU = Jeru >> Running program etuuh: ==== Error Penguian Dengan Data Ui ==== EU = Jeru >> A-159
9 Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: X Yogyaarta, 11 Desember 2010 KESIMPULAN Pada data penguian pertama, diinputan data eru untu input yang pertama, untu eru diperoleh target untu eru adalah 1, maa apabila diperoleh R1 =1 dan nilai error urang dari 0.5 maa data input pertama yang berupa eru dapat dienali sebagai eru, namun selain eadaan itu maa input tida dapat dienali (nilai error lebih dari 0.5). Pada data penguian edua dan etiga, diinputan data Apel, diperoleh target adalah 0 maa apabila diperoleh R2 dan R3 =0 dan nilai error urang dari 0.5 maa data input edua dan etiga yang berupa Apel dapat dienali sebagai Apel, selain eadaan itu maa input tida dapat dienali (nilai error lebih dari 0.5). Dari delapan ali running program, dapat ditari esimpulan bahwa sistem pengenalan obe melalui pola warna dengan algoritma Bacpropagation di sini, dapat mengenali input data ui yang dimasuan, yaitu Jeru, Apel, Apel. Masih terdapat error yang cuup besar, arena pelatihan data hanya sediit, yaitu 14 citra warna dengan uuran matris pixel 10 x 10, serta pemilihan bobot dilauan secara random, ssehingga adang-adang error yang diperoleh cuup besar, sehingga penulis memberi batasan ia error melebihi 0.5 maa sistem ini tida dapat mengenali data input yang diuian. Untu mendapatan etelitian yang cuup tinggi, diperluan data pelatihan yang lebih banya. Perlu dilauan penelitian lanutan untu citra yang terdiri dari satu enis obe dan warna yang lebih omples serta citra warna yang masih terdapat noise dan belum dilauan perbaian (enhancement) citra. DAFTAR PUSTAKA Borah, S., Bhuyun, M., Saia, H., ANN Based Colour Detection in Tea Fermentation,, Dept. of Electronics Tezpur University, Napam, Tezpur, Assam, India {surait, manab}@tezu.ernet.in Fausett L, R, 1994, Fundamental of neural Networ, Arcitectures, Algorithms, and Applications, USA, Pratice-Hall, INC Gonzales, R, and Woods, R, 1999, Digital Image Processing, Penerbit Addison-Wesley Publishing Company, New Yor. Kusumadewi, S.,2002, Membangun Jaringan Syaraf Tiruan menggunaan MATLAB & EXCEL LINK, Penerbit Graha Ilmu, Yogyaarta Munir, R., 2002, Pengolahan Citra Digital dengan Pendeatan Algoritmi, Penerbit Informatia Bandung Nalwan, A., 2001, Pengolahan Gambar Secara Digital, Penerbit PT Elex Media Komputindo, Kelompo Gramedia-Jaarta Schaloff, R., 2000, Pattern Recognition: Statistical, Structural and Neural approaches, John Wiley and Sons Inc, New Yor Siong, A.W., Resmana, Pengenalan Citra Obe Sederhana dengan Menggunaan Metode Jaringan Syaraf Tiruan SOM, Prosiding Seminar Nasional Kecerdasan Komputasional, Universitas Indonesia, Juli A-160
BAB 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 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 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 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 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 terperinciBAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN
BAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN Kompetensi : 1. Mahasiswa memahami onsep pembelaaran dalam JST Sub Kompetensi : 1. Dapat mengetahui prinsip algoritma Perceptron 2. Dapat mengetahui
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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciII. DASAR TEORI I. PENDAHULUAN
IMPLEMENTASI JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK UNTUK MENDETEKSI GOLONGAN DARAH PADA MANUSIA M. Fuad Latief *, R. Rizal Isnanto, Budi Setiyono Abstra - Membran sel darah manusia mengandung bermacam-macam
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 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 terperinciPENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION Praditya Firmansyah *, Wahyul Amien Syafei**, Iwan
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG Oleh : M.Rizi.H.S, Andri Heryandi,S.T, Bambang Siswoyo,Ir,M.Si Jl. Dipati Uur Bandung Teni Informatia Universitas
Lebih terperinciSistem Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation
Sistem Peramalan Jumlah Produsi Air PDAM Samarinda Menggunaan Jaringan Syaraf Tiruan Bacpropagation Anindita Septiarini 1 dan Nur Sya baniah 2 1 Program Studi Ilmu Komputer FMIPA, Universitas Mulaarman
Lebih terperinciPENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT
PENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT Oleh : DONNY WAHYU SAPUTRO G06499031 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETWORK DAN PRINCIPAL COMPONENT ANALYSIS
Jurnal Teni dan Ilmu Komputer SISTEM PENGENALAN AJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETORK DAN PRINCIPAL COMPONENT ANALYSIS FACE RECOGNITION SYSTEM USING BACKPROPAGATION ARTIFICIAL
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 terperinciMAKALAH SEMINAR TUGAS AKHIR
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN POLA GEOMETRI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Muhamad Tonovan *, Achmad Hidayatno **, R. Rizal Isnanto ** Abstra - Pengenalan waah adalah
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 terperinciAPLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING
APLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING Hendra William *), Achmad Hidayatno, and Aub Aulian Zahra Jurusan Teni Eletro, Universitas Diponegoro
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 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 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 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 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 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 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 terperinciProsiding Semirata FMIPA Universitas Lampung, 2013
Sistem Pengenalan Nomor Plat Kendaraan Berbasis Foto Diital Dengan Metode Moment Invariant dan Jaringan Syaraf Tiruan Menggunaan Algoritma Bacpropagation Zaiful Bahri, Suamto dan Joo Risanto Jurusan Matematia
Lebih terperinciPrediksi Jumlah Kasus Demam Berdarah Dengue Menggunakan Jaringan Syaraf Tiruan (Studi Kasus daerah Kab. Sleman, Provinsi DIY)
Jurnal PROte Vol. 3 No. 1, 216 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Iis Hamsir Ayub Wahab Program Studi Teni Eletro Faultas Teni, Universitas Khairun Email: hamsir@unhair.ac.id
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 terperinciSistem Informasi Peramalan Beban Listrik Jangka Panjang di Kabupaten Jember Menggunakan JST Backpropagation
1 Sistem Informasi Peramalan Beban Listri Janga Panang di Kabupaten Jember Menggunaan JST Bacpropagation Dodi Setiabudi Abstra Kebutuhan energi listri sebagai salah satu infrastrutur penting sangat diutamaan.
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR)
PENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR) Oleh: ¹ HERLY MARDANI (000298) ² BAMBANG SISWOYO,
Lebih terperinciPERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION
PERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION Wellie Sulistanti Abstract- Tuuan dari penelitian ini untu mengapliasian cara era aringan syaraf tiruan dengan menggunaan
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 terperinciTEKNIK PERAMALAN TINGKAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN
TENI PERAMALAN TINGAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN Sri Mulyana Program Studi Ilmu omputer F MIPA UGM Seip Unit III Yogyaarta Telp (0274)546194 e-mail : smulyana@ugm.ac.id Abstra Tingat penualan
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 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 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 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 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 terperinciBAB II LANDASAN TEORI. Proses utama dari pengenalan karakter adalah menerima karakter input dan
BAB II LANDASAN TEORI 2.1 Pengenalan Teori Proses utama dari pengenalan arater adalah menerima arater input dan memerisa apaah hasil input tersebut sesuai dengan salah satu arater yang ada. Bagian yang
Lebih terperinciPENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC. Oleh:
1 PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC Oleh: NURHADI SUSANTO G64103059 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
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 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 terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
Lebih terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
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 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 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 terperinciAPLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia APLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciAPLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA ABSTRACT
APLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA Manyu Fauzi, Minarni Nur Trilita Mahasiswa S3 MRSA, Jurusan Teni Sipil-ITS dan Pengaar Jurusan Teni Sipil Univ. Riau Mahasiswa S3
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 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 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 terperinciKORELASI ANTARA DUA KELOMPOK VARIABEL KUANTITATIF DALAM ANALISIS KANONIK
Jurnal Pengaaran MIPA, Vol. 0 No. Desember 007 ISSN: -097 KORELASI ANARA DUA KELOMPOK VARIABEL KUANIAIF DALAM ANALISIS KANONIK Oleh : Dewi Rachmatin, S.Si., M.Si. Jurusan Pendidian Matematia FPMIPA Universitas
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciBAB 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 terperinciPENERAPAN NEURAL NETWORK MODEL BACKPROPAGATION DAN GENERAL REGRESSION NEURAL NETWORK
Eo Sediyono PENERAPAN NEURAL NETWORK MODEL BACKPROPAGATION DAN GENERAL REGRESSION NEURAL NETWORK Oleh : Eo Sediyono Abstra Telah dilauan penelitian tentang identifiasi citra untu mengidentifiasi enis daging
Lebih terperinciPENERAPAN ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI MUSIK DENGAN SOLO INSTRUMEN
Seminar Nasional Apliasi Tenologi Informasi 009 (SNATI 009) Yogyaarta, 0 Juni 009 ISSN:1907-50 PENERAPAN ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI MUSIK DENGAN SOLO INSTRUMEN Gunawan 1, Agus Djaja Gunawan,
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 terperinciAPLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI
APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI Putri Khatami Rizki 1), Muchlisin Arief 2), Priadhana Edi Kresnha 3) 1), 2), 3) Teknik Informatika Fakultas
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 terperinciPREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN
Ansari Predisi Kelulusan Mahasiswa Dengan Jaringan Syaraf Tiruan PREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN Rudy Ansari STMIK Indonesia Banarmasin e-mail: rudy.ansari@gmail.com ABSTRAK
Lebih terperinciBAB 2 LANDASAN TEORI. relevan, lengkap, dan terkini sejalan dengan permasalahan yang dihadapi. Di sini juga
BAB 2 LANDASAN TEORI Dalam landasan teori ini, pada dasarnya aan dielasan mengenai teori yang relevan, lengap, dan terini sealan dengan permasalahan yang dihadapi. Di sini uga terdapat hubungan antara
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
Lebih terperinciESTIMASI TRAJECTORY MOBILE ROBOT MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER SQUARE ROOT (ENKF-SR)
SEMINAR NASIONAL PASCASARJANA SAL ESIMASI RAJECORY MOBILE ROBO MENGGUNAKAN MEODE ENSEMBLE KALMAN FILER SQUARE ROO (ENKF-SR) eguh Herlambang Zainatul Mufarrioh Firman Yudianto Program Studi Sistem Informasi
Lebih terperinciIII DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT
III DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT 3.1 Studi Literatur tentang Pengelolaan Sampah di Beberapa Kota di Dunia Kaian ilmiah dengan metode riset operasi tentang masalah
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciMateri. Menggambar Garis. Menggambar Garis 9/26/2008. Menggambar garis Algoritma DDA Algoritma Bressenham
Materi IF37325P - Grafia Komputer Geometri Primitive Menggambar garis Irfan Malii Jurusan Teni Informatia FTIK - UNIKOM IF27325P Grafia Komputer 2008 IF27325P Grafia Komputer 2008 Halaman 2 Garis adalah
Lebih terperinciPEMPROSESAN ALARM DALAM PERLINDUNGAN SISTEM DAYA LISTRIK MENGGUNAKAN NEURAL NETWORK. Azriyenni
PEMPROSESAN ALARM DALAM PERLINDUNGAN SISTEM DAYA LISTRIK MENGGUNAKAN NEURAL NETWORK Azriyenni Dosen Tetap Teni Eletro Universitas Riau - Peanbaru Abstra Penelitian ini menyelidii mengenai pemprosesan alarm
Lebih terperinciRESPONS ALIRAN MASUK KE DANAU TOWUTI OLEH CURAH HUJAN DI WAWONDULA DAN SEKITARNYA DIANALISA DENGAN ARTIFICIAL NEURAL NETWORK
Respons Aliran Masu Danau Towuti..(Kudsy) 87 RESPONS ALIRAN MASUK KE DANAU TOWUTI OLEH CURAH HUJAN DI WAWONDULA DAN SEKITARNYA DIANALISA DENGAN ARTIFICIAL NEURAL NETWORK Mahally Kudsy dan Moh. Husni INTISARI
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Tiruan 2.1.1. Latar Belaang Jaringan Syaraf Tiruan dibuat pertama ali pada tahun 1943 oleh neurophysiologist Waren McCulloch dan logician Walter Pits, namun tenologi
Lebih terperinciAPLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK. Tesis
APLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Tesis Program Studi Teni Eletro Jurusan Ilmu-ilmu Teni disusun oleh : Wiwien Widyastuti 8475/I-/820/02 PROGRAM PASCASARJANA
Lebih terperinciPERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM
Seminar Nasional Sistem dan Informatia 2007; Bali, 16 November 2007 PERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM Fajar Saptono 1) I ing Mutahiroh
Lebih terperinciAPLIKASI PENGENALAN AKSARA CARAKAN MADURA DENGAN MENGGUNAKAN METODE BACKPROPAGATION
APLIKASI PENGENALAN AKSARA CARAKAN MADURA DENGAN MENGGUNAKAN METODE BACKPROPAGATION Erwien Tjipta W, Iswan Wahyu Al Farqi STMIK ASIA Malang ABSTRAK Pengolahan citra (Image Processing) adalah suatu bidang
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 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 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 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 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 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 terperinciKecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Wajah (Face Recognition)
No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional Kecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Waah (Face Recognition) Wawan Setiawan (Universitas Pendidian
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Variabel Variabel ialah sesuatu yang nilainya berubah-ubah menurut watu atau berbeda menurut elemen/tempat. Umumnya nilai arateristi merupaan variabel dan diberi simbol huruf X.
Lebih terperinciTRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI
TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinci