II. DASAR TEORI I. PENDAHULUAN
|
|
- Hartono Sanjaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 antigen golongan darah yang disebut aglutinogen. Terdapat dua golongan antigen yang sering menimbulan reasi transfusi darah yaitu sistem ABO dan sistem Rh. Untu mencegah teradinya reasi transfusi (hemolisis dan aglutinasi) antara darah donor dan resipien pada proses transfusi darah maa dilauan pemerisaan golongan darah pada donor maupun pada resipien. Proses aglutinasi dapat diamati secara visual melalui mirosop. Pada bidang edoteran forensi dan penanganan basisdata rumah sait secara massal, diperluan suatu pemerisaan golongan darah yang aurat. Dalam tugas ahir ini dibuat suatu program yang dapat mengenali citra pola penggumpalan golongan darah dengan menggunaan aringan syaraf tiruan perambatan-bali. Pola penggumpalan golongan darah didapatan dari beberapa tetes darah yang ditetesi dengan reagen. Pola penggumpalan golongan darah ini diambil citranya sehingga bisa dianalisis. Citra tersebut aan diproses menadi citra aras eabuan yang emudian dilauan proses detesi tepi. Citra hasil detesi tepi tersebut digunaan sebagai masuan program pendetesi golongan darah. Jaringan syaraf tiruan perambatan-bali digunaan sebagai metode pengenalan parameter pola penggumpalan golongan darah, sehingga bisa diperoleh esimpulan dari citra golongan darah tersebut. Analisis dilauan menggunaan aringan syaraf tiruan perambatan-bali dengan metode pembelaaran penurunan gradien dengan umlah neuron lapisan tersembunyi pertama 15 dan umlah neuron lapisan tersembunyi edua 1 serta lau pembelaaran 0,1. Dengan analisis tersebut diperoleh inera eberhasilan sebesar 96,875%. Kinera eberhasilan tersebut didapatan dari proses pembelaaran aringan sehingga didapatan aringan dengan inera aringan yang terbai, yaitu dengan nilai MSE terecil. Kata-unci : golongan darah, aglutinogen, aringan syaraf tiruan perambatan-bali. I. PENDAHULUAN 1.1. Latar Belaang Dalam bidang edoteran dienal sistem penggolongan darah ABO, dan rhesus, dimana penggolongan ini berdasaran enis antigen yang terandung pada membran sel darah merah manusia yang disebut uga aglutinogen. Sistem penggolongan darah ini dimasudan untu mencegah teradinya reasi transfusi (hemolisis dan aglutinasi) etia dilauan transfusi darah di antara donor dan resipien. Pemerisaan golongan darah dilauan dengan mencampuran aglutinin tipe tertentu dengan setetes darah yang ingin dietahui golongan darahnya, * Mahasiswa Jurusan Teni Eletro UNDIP Dosen Jurusan Teni Eletro UNDIP sehingga dietahui reasi yang teradi yaitu teradinya proses aglutinasi (penggumpalan). Jaringan Syaraf Tiruan (JST) Perambatan-Bali merupaan salah satu bentu JST yang mampu mengenali pola aglutinasi dari hasil proses pemerisaan golongan darah. Dengan menggunaan program bantu Matlab 6.5, hasil pencitraan dari proses pemerisaan golongan darah aan diolah dengan detesi tepi metode Prewitt sehingga bisa diperoleh citra aras eabuan yang diinginan. Kemudian dilauan pembelaaran dari citra hasil detesi tepi dengan JST perambatan-bali sehingga diperoleh golongan dari citra yang sedang diolah Pembatasan Masalah Batasan masalah pada Tugas Ahir ini adalah : 1. Citra yang aan diolah adalah hasil pemotretan sel darah dengan menggunaan amera, tanpa membahas proses pemotretannya dan pemrosesan citra sebelum digunaan. 2. Detesi tepi yang digunaan adalah metode Prewitt. 3. Jaringan Syaraf Tiruan yang digunaan adalah metode perambatan-bali penurunan gradien (gradient descent). 4. Pemrograman dengan program bantu MATLAB Golongan darah yang didetesi adalah sistem golongan darah manusia ABO dan Rhesus Tuuan Tuuan pembuatan Tugas Ahir ini adalah untu membuat program bantu untu mendetesi golongan darah manusia menggunaan aringan syaraf tiruan perambatan-bali. II. DASAR TEORI 2.1. Golongan Darah Ketia transfusi darah dari orang satu e orang yang lain dilauan, transfusi aan berhasil bai pada beberapa eadaan. Seringali timbul aglutinasi (penggumpalan) dan hemolisis (pemecahan) sel darah merah secara cepat maupun lambat sehingga bisa menimbulan ematian. Ini diarenaan darah dari orang yang berbeda biasanya mempunyai sifat antigen dan imunitas yang berbeda Sistem Golongan Darah ABO Sistem golongan darah ABO dipengaruhi oleh aglutinogen A dan aglutinogen B. Bila aglutinogen tipe A tida terdapat dalam sel darah merah seseorang, dalam plasmanya terbentu antibodi yang
2 dienal dengan aglutinin anti-a. Sedangan bila tida terdapat aglutinogen tipe B dalam sel darah merah, dalam plasma terbentu antibodi yang dienal sebagai aglutinin anti-b. Golongan darah ABO dilasifiasian menurut adanya aglutinogen A dan aglutinogen B seperti dalam Tabel 1. Tabel 1 Klasifiasi sistem golongan darah ABO GENOTIP GOLONGAN DARAH AGLUTINOGEN AGLUTININ OO O tida punya Anti-A dan aglutinogen Anti-B OA atau AA A A Anti-B OB atau AA B B Anti-A AB AB A dan B tida punya aglutinin Pemerisaaan golongan darah manusia dilauan dengan mengenceran sel darah merah dengan saline. Kemudian satu bagian dicampur dengan serum aglutinin anti-a, sedangan bagian yang lain dicampur dengan aglutinin anti-b. Setelah beberapa menit, campuran tersebut diperisa di bawah mirosop. Bila sel darah merah menggumpal berarti teraglutinasi arena teradi reasi antibodi dengan antigen. Tabel 2 merupaan gambaran reasi aglutinasi pada pemerisaan golongan darah ABO. Tabel 2 Reasi serum pada sistem golongan darah ABO GOLONGAN SERUM DARAH ANTI-A ANTI-B ANTI-AB O tida tida tida menggumpal menggumpal menggumpal A menggumpal tida menggumpal menggumpal B tida menggumpal menggumpal menggumpal AB menggumpal menggumpal menggumpal Sistem Golongan Darah Rhesus Sistem Rh uga penting dalam transfusi darah. Pada sistem ABO, aglutinin bertanggung awab atas timbulnya reasi transfusi yang teradi secara spontan. Sedangan pada sistem Rh, reasi aglutinin, spontan hampir ta pernah teradi. Manusia harus terpaan (terena secara terus menerus) secara masif dengan antigen Rh yang biasanya melalui transfusi darah atau melalui ibu yang memilii bayi dengan antigen, sebelum terdapat cuup aglutinin untu menyebaban reasi transfusi yang bermana. Terdapat enam tipe antigen Rh yang salah satunya disebut fator Rh. Tipe-tipe ini ditandai dengan C, D, E, c, d dan e. Tipe antigen D diumpai secara luas di masyaraat dan bersifat lebih antigeni daripada antigen Rh lain. Oleh arena itu, seseorang yang mempunyai tipe antigen ini diataan Rh positif, sedangan yang tida mempunyai antigen D diataan Rh negatif. * Mahasiswa Jurusan Teni Eletro UNDIP Dosen Jurusan Teni Eletro UNDIP 2.2 Detesi Tepi Metode Prewitt Detesi tepi merupaan salah satu proses prapengolahan yang sering dibutuhan pada analisis citra. Proses tersebut bertuuan untu meningatan penampaan garis pada citra. Secara umum detesi tepi mencaup tiga langah sebagai beriut : (1) Redusi derau, (2) Peningatan tepi, (3) Loalisasi tepi, yang dilauan dengan menentuan masimal loal mana yang merupaan tepi-tepi bermana dan mana yang disebaban oleh derau. Detetor Prewitt memilii dua operator yang dionvolusi secara bersamaan yaitu : dan Tanda menunuan nilai intensitas citra yang aan diganti dengan nilai intensitas baru. Sebagai contoh misalan dietahui suatu matris citra digital f ( x, sebagai beriut Gambar 1 Matris citra digital f(x, Maa dapat dicari nilai gradien pada pisel yang diberi tanda dengan mempergunaan perhitungan sebagai beriut f x ( x, [72] f x ( x, [60] f y ( x, [60] f y ( x, [60] Maa nilai gradien pada pisel yang diberi tanda adalah : 2 2 f ( x, f ( x, f ( x, (1) x y f ( x, (15) 2 ( 120) 2 f ( x, 120,93
3 Maa diperoleh matris seperti beriut. 30,59 33,54 34,98 33,54 30,59 120,15 120,93 121,34 120,93 120,59 180,09 180,62 180,89 180,62 180,09 120,15 120,93 121,34 120,93 120,15 30,59 33,54 34,98 33,54 30,59 Gambar 2 Matris gradien citra digital f(x, Tanda menunuan andidat titi tepi. Setelah memperoleh gradien suatu citra maa dilauan proses seperti ditunuan Gambar 3. f ( x, (.) f ( x, f ( x, Gambar 3 Sistem detesi tepi 2-D Magnitude dari f ( x, pertama dihitung dan emudian dibandingan dengan ambang (threshold) untu menetuan andidat titi tepi. Jia semua harga dari ( x, seperti yang ditunuan f ( x, lebih besar dari ambang tertentu maa didetesi sebagai tepi, tepi aan terlihat seperti strip yang lebih besar dari garis. Proses penentuan garis tepi dari strip andidat titi tepi disebut pengurusan tepi (edge thinning). Pada contoh didapatan garis tepi seperti beriut Gambar 4 Matris hasil detesi tepi citra digital f(x, Dari Gambar 2.4 dapat dilihat bahwa secara relatif gradien arah x lebih ecil daripada gradien arah y pada andidat tepi. Sehingga dapat diataan bahwa loal masimum ada pada arah vertial yaitu pada baris e empat. Masimum loal ini emudian diseragaman sebagai tepi. Dari hasil tersebut diperoleh tepi putih dengan intensitas pisel 255 (untu citra 8 bit) dan latar dibuat 0 (hitam) seperti pada Gambar Jaringan Syaraf Tiruan Perambatan-bali Penggunaan istilah perambatan-bali muncul pada tahun 1985, namun senya ide dasar dari penggunaan perambatan-bali pertama ali diemuaan oleh Werbos (1974) pada disertasinya untu memperoleh gelar Ph.D. Kemudian diembangan embali oleh Rumelhart, Hinton, dan Williams pada tahun 1986 dan populer lewat publiasi * Mahasiswa Jurusan Teni Eletro UNDIP Dosen Jurusan Teni Eletro UNDIP Parallel Distributed Processing (PDP) oleh Rumelhart dan Mc Clelland (1986). PDP berisi ringasan penelitian tentang syaraf dari beberapa ahli psiologi dan ahli omputer di Universitas California, San Fransisco. Generalisasi yang mirip dari algoritma tersebut uga diemuaan oleh Parer pada tahun Arsitetur Jaringan Jaringan syaraf tiruan perambatan-bali merupaan suatu aringan yang terhubung seluruhnya, berlapis-lapis, dan tergolong aringan syaraf umpan mau. Arsitetur aringan ini terdiri atas tiga lapis utama yani lapis masuan (input layer), lapis tersembunyi (hidden layer), dan lapis eluaran (output layer). Lapis masuan terdiri atas neuron-neuron yang berfungsi menerima masuan dari luar. Lapis tersembunyi terdiri atas neuron-neuron yang teronesi penuh dengan lapis yang berada di atas maupun dibawahnya. Arsitetur aringan perambatanbali dengan lapis masuan, lapis tersembunyi, dan lapis eluaran masing-masing satu lapis ditunuan pada Gambar 5. Gambar 5 Arsitetur aringan syaraf tiruan perambatan-bali dengan satu lapis tersembunyi Algoritma Perambatan-bali Perambatan-bali merupaan algoritma pembelaaran terpandu dan biasanya digunaan oleh perseptron dengan banya lapisan untu mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma perambatan-bali menggunaan galat (error) eluaran untu mengubah nilai bobot-bobotnya dalam arah mundur (bacward). Untu mendapatan galat ini, tahap perambatan-mau (forward propagation) harus dieraan terlebih dahulu. Pada saat perambatan mau, neuron-neuron diatifan dengan menggunaan fungsi ativasi yang dapat dideferensiasian. Fungsi ativasi yang biasa digunaan adalah : Fungsi sigmoid biner yang dirumusan sebagai 1 y f ( x) (2) x 1 e dengan f ' x f x 1 f x (3)
4 Fungsi sigmoid biner dengan isaran (0,1) ditunuan pada Gambar 6. Gambar 6 Fungsi sigmoid biner isaran (0,1) Fungsi tangensial sigmoid dirumusan sebagai x x e e y f x (4) x x e e atau 2x 1 e y f x (5) 2x 1 e dengan f ' x 1 f x 1 f x (6) Fungsi tangensial sigmoid ditunuan Gambar 7. Gambar 7 Fungsi tangensial sigmoid Fungsi linear murni (pure linear) dirumusan sebagai y f x x (7) dengan f ' x 1 (8) Fungsi linear murni ditunuan pada Gambar 8. Gambar 8 Fungsi linear murni Algoritma pembelaaran dari aringan syaraf tiruan perambatan-bali adalah : Langah 0 : Inisialisasi bobot (secara aca dengan nilai antara 0 dan 1). Langah 1 : Jia syarat henti salah, lauan langah 2-9. Langah 2 : Untu setiap pasangan pembelaaran lauan langah 3-8. Umpan mundur : Langah 3 : Setiap unit masuan (X i ) menerima sinyal masuan x i dan menerusan sinyal ini e seluruh unit tersembunyi. Langah 4 : Tiap unit tersembunyi (Z ) dihitung bobot sinyal masuannya. n z _ in v x v (9) 0 i1 Gunaan fungsi ativasi untu menghitung sinyal eluaran dan mengirim sinyal ini e semua unit pada lapisan eluaran. z in f z _ (10) Langah 5 : Tiap unit eluaran (Y ) dihitung sinyal masuan terbobot. p y _ in w z w (11) 0 1 Gunaan fungsi ativasi untu menghitung sinyal eluaran y f y _ in (12) Perambatan-bali dari galat : Langah 6 : Tiap unit eluaran (Y ) menerima sebuah pola target yang sesuai dengan pola pembelaaran masuan. Unit tersebut menghitung informasi esalahan. I t y f y _ in (13) Kemudian menghitung oresi bobot (digunaan untu mengubah w selanutnya). w z (14) Hitung oresi bias w 0 (15) Dan mengirim nilai δ e lapisan tersembunyi. Langah 7 : Tiap unit tersembunyi (Z ) menghitung selisih masuan dari unit lapisan eluaran. m 1 _ in w (16) Pengalian dengan turunan fungsi ativasi untu menghitung informasi galat. in (17) I _ in f z _ Hitung oresi bobot (digunaan untu mengubah v i selanutnya). v x (18) i i Dan menghitung oresi bias (digunaan untu mengubah v 0 selanutnya). v 0 (19) Perbarui bobot dan bias : Langah 8 : Tiap unit eluaran (Y ) mengubah bias dan bobot-bobotnya () w baru w lama w (20) i i * Mahasiswa Jurusan Teni Eletro UNDIP Dosen Jurusan Teni Eletro UNDIP
5 Tiap unit tersembunyi (Z ) mengubah bias dan bobot (i) v baru v lama v (21) i i i Langah 9 : Ui syarat henti Jia besar total galat uadrat (squared error) lebih ecil dari toleransi yang ditentuan maa proses aan berhenti, n t y 1 2 e (22) sedangan ia tida maa aan embali e langah 1. Prosedur penggunaan aringan syaraf tiruan perambatan-bali adalah : Langah 0 : Inisialisasi bobot (dari algoritma pembelaaran). Langah 1 : Untu tiap vetor masuan lauan Langah 2-4. Langah 2 : Set ativasi dari unit masuan x i untu i=1,, n. Langah 3 : Untu =1,, p n i1 z _ in v x v (23) z 0 f z _ (24) in Langah 4 : Untu =1,, m p y _ in w z w (25) y 0 1 f y _ (26) in III. PERANCANGAN PERANGKAT LUNAK 3.1 Program Pembelaaran (PEMBELAJARAN) Program pembelaaran merupaan subprogram utama yang bertuuan untu melatihan citra pembeuan golongan darah dengan parameter pembeuan golongan darah sebagai target pada aringan yang telah dibuat dalam format *.m. i i Terdapat tombol KEMBALI yang berfungsi untu embali e halaman utama program. Tombol BANTU berfungsi untu melihat petunu singat penggunaan subprogram pembelaaran aringan. Sedangan tombol KELUAR berfungsi untu eluar dari program pendetesi golongan darah manusia. Diagram alir program pembelaaran ini ditunuan pada Gambar 10. Gambar 10 Diagram alir program pembelaaran 3.2 Program Pendetesi Golongan Darah Program pendetesi golongan darah dapat ditampilan dengan menean tombol DETEKSI pada tampilan halaman utama. Program pendetesi golongan darah merupaan subprogram utama yang bertuuan untu mendetesi citra pembeuan golongan darah berdasaran parameter pembeuan golongan darah dengan aringan yang telah dibuat dalam format *.m. Hasil ahir esimpulan golongan darah dibuat berdasaran nilai parameter pembeuan darah pada tiap reagen. Gambar 9 Tampilan program pembelaaran Pada program ini terdapat beberapa proses pengolahan citra dan proses pembelaaran aringan syaraf tiruan perambatan-bali dengan metode pembelaaran penurunan gradien (gradien descent). * Mahasiswa Jurusan Teni Eletro UNDIP Dosen Jurusan Teni Eletro UNDIP Gambar 11 Tampilan program pendetesi golongan darah Pada program ini terdapat beberapa proses pengolahan citra dan proses pengenalan citra pembeuan golongan darah dengan aringan syaraf tiruan perambatan-bali Terdapat tombol KEMBALI yang berfungsi untu embali e halaman utama program. Tombol BANTU berfungsi untu melihat petunu singat penggunaan subprogram pendetesi golongan darah.
6 Sedangan tombol KELUAR berfungsi untu eluar dari program pendetesi golongan darah manusia. Diagram alir program pendetesi golongan darah ini ditunuan pada Gambar 12. Gambar 12 Diagram alir program pendetesi golongan darah IV. PENGUJIAN DAN ANALISIS 4.1 Penguian Program Pembelaaran Detesi Golongan Darah Manusia Pada tugas ahir ini dilauan penguian variasi terhadap umlah neuron dan lau pembelaaran (learning rate) untu mendapatan inera pembelaaran yang paling bai yaitu pencapaian MSE yang paling ecil. Pembelaaran dilauan terhadap masuan yang sama dan urut, sehingga dapat dilihat perbandingan inera aringan syaraf tiruan yang didapatan. Jaringan syaraf tiruan perambatan-bali yang digunaan memaai dua lapisan (layer). Variasi umlah neuron yang aan dibandingan pada aringan pertama adalah neuron lapisan tersembunyi pertama berumlah 5 dan neuron lapisan tersembunyi edua adalah 1. Sedangan aringan edua menggunaan neuron lapisan tersembunyi pertama 10 dan neuron lapisan tersembunyi edua adalah 1. Jaringan etiga menggunaan neuron lapisan tersembunyi pertama 15 dan neuron lapisan tersembunyi edua adalah 1. Jaringan eempat menggunaan neuron lapisan tersembunyi pertama 20 dan neuron lapisan tersembunyi edua adalah 1. Dilauan uga variasi pada lau pembelaaran yang digunaan pada tiap-tiap variasi umlah neuron yang disebutan diatas. Lau pembelaaran yang digunaan adalah 0,01; 0,1; 0,2; 0,5; dan 0,9. Lau pembelaaran tersebut dipaai pada variasi umlah neuron dengan inera terbai. Untu memperlihatan inera aringan, nilai MSE aan diset sebesar 0 untu setiap variasi dan masimum epoch pada 50 epoch. Dengan nilai tersebut dapat dilihat bahwa variasi aringan yang bai aan mencapai nilai MSE terecil etia mencapai nilai masimum epoch sebagai syarat henti. * Mahasiswa Jurusan Teni Eletro UNDIP Dosen Jurusan Teni Eletro UNDIP Tabel 3 Hasil penguian dengan beberapa variasi NO ARSITEKTUR LAPISAN SEMBUNYI LAJU PEMBELAJARAN RERATA GRADIEN RERATA MSE 1 [ 5 1 ] 0,1 0, ,614e-05 2 [ 10 1 ] 0,1 2,186e-02 5,070e-04 3 [ 20 1 ] 0,1 0, ,348e-05 4 [ 15 1 ] 0, e e-04 5 [ 15 1 ] 0,1 8,211e-03 1,909e-05 6 [ 15 1 ] 0, e e+67 7 [ 15 1 ] 0, e e [ 15 1 ] 0, e e+140 Dari Tabel 3 diperoleh bahwa aringan dengan umlah neuron lapisan tersembunyi pertama 15 dan lapisan tersembunyi edua 1 serta lau pembelaaran 0,1 mempunyai inera aringan paling bai arena mempunyai nilai rerata MSE terecil. 4.2 Penguian Program Pendetesi Golongan Darah Manusia Untu mengui inera program detesi golongan darah manusia maa dilauan penguian terhadap citra-citra penggumpalan darah yang tida diadian masuan pembelaaran. Citra-citra tersebut digunaan sebagai masuan dari aringan yang telah melalui proses pembelaaran. Pada penguian ini digunaan aringan dengan nilai inera terbai dari penguian pembelaaran. Yaitu aringan dengan arsitetur lapisan tersembunyi [15 1] dan lau pembelaaran 0,1. Jaringan yang digunaan dengan nama 151-0,1.mat. Tabel 4 Hasil penguian inera program detesi golongan darah NO BERKAS CITRA PARAMETER PENGGUMPALAN BACAAN KESIMPULAN KINERJA salah
7 GOLONGAN DARAH A RHESUS GOLONGAN DARAH A RHESUS RHESUS NEGATIF (-) RHESUS NEGATIF (-) RHESUS NEGATIF (-) RHESUS NEGATIF (-) RHESUS POSITIF (+) RHESUS POSITIF (+) RHESUS POSITIF (+) RHESUS POSITIF (+) salah Dari hasil tersebut diperoleh bahwa program pendetesi golongan darah dengan aringan 151-0,1 mempunyai inera eberhasilan sebesar 96,875 %. Dengan hasil tersebut dapat disimpulan bahwa program pendetesi golongan darah dengan aringan syaraf tiruan perambatan-bali dapat beera dengan bai. V. PENUTUP 5.1 Kesimpulan Kesimpulan yang dapat diambil dari tahapan perancangan hingga penguian program pendetesi golongan darah manusia adalah sebagai beriut. 1. Jaringan syaraf tiruan perambatan-bali dapat digunaan untu pengenalan pola penggumpalan golongan darah manusia sebagai parameter detesi golongan darah manusia. 2. Penentuan arsitetur aringan dan parameterparameter yang tepat dalam proses pelatihan aringan berpengaruh pada emampuan aringan dalam pengenalan pola data latih maupun data ui. 3. Arsitetur aringan syaraf tiruan yang digunaan dalam program pendetesi golongan darah manusia ini menggunaan lapisan tersembunyi pertama dengan umlah neuron 15 dan umlah neuron edua adalah 1 serta menggunaan lau pembelaaran 0,1. Arsitetur tersebut memilii nilai MSE terecil dalam beberapa simulasi pada penelitian ini. 4. Jaringan syaraf tiruan perambatan-bali yang digunaan mempunyai inera eberhasilan 96,875 % untu mengenali pola penggumpalan golongan darah baru yang tida iut proses pembelaaran aringan. 5.2 Saran Untu penelitian lebih lanut diharapan dapat memperbaii eurangan yang ada dan meningatan tingat pengenalan aringan terhadap pola penggumpalan golongan darah manusia yang lebih tinggi. Untu itu disaranan sebagai beriut. 1. Dapat digunaan algoritma pelatihan maupun pembelaaran yang lain yang lebih tepat untu pengenalan pola penggumpalan golongan darah manusia. 2. Dapat dilauan penambahan pola data latihan dan penambahan enis citra penggumpalan golongan darah yang lain sesuai dengan ebutuhan dalam bidang edoteran. 3. Perlu pengembangan lanutan untu menambahan sistem basisdata yang bisa menyimpan hasil detesi golongan darah manusia. * Mahasiswa Jurusan Teni Eletro UNDIP Dosen Jurusan Teni Eletro UNDIP
8 DAFTAR PUSTAKA [1] Fausett, L., Fundamental of Neural Networs, Prentice Hall Englewood, [2] Guyton, A. C., Buu Aar Fisiologi Kedoteran (Textboo of Medical Physiolog Edisi 8 dan 10, Penerbit Buu Kedoteran EGC, Jaarta, [3] Jain, A. K., Fundamentals of Digital Image Processing, Prentice Hall, [4] Jang, J. S. R., Neuro Fuzzy and Soft Computing, Prentice Hall International Inc, [5] Kusumadewi, S., Artificial Intelligence (Teni dan Apliasinya), Graha Ilmu, Yogyaarta, [6] Kusumadewi, S., Membangun Jaringan Syaraf Tiruan menggunaan Matlab dan Excel Lin, Graha Ilmu, Yogyaarta, [7] Lim, J. S., Two-Dimensional Signal and Image Processing, Prentice-Hall International Inc., [8] Pitas, I., Digital Image Processing Algorithms, Prentice Hall, [9] Sigit, R., Implementasi Jaringan Syaraf Tiruan Untu Mendetesi Golongan Darah Manusia, [10] - - -, MATLAB v. 6.5, The MathWors Inc., Natic, Muhammad Fuad Latief (L2F000622) dilahiran di Semarang, 6 Maret Menempuh pendidian di SD Badan Waaf SULA I Semarang lulus tahun 1994, emudian melanutan e SLTPN 2 Semarang lulus tahun 1997, dilanutan lagi di SMUN 3 Semarang lulus 2000, dan sampai saat ini masih menyelesaian studi S1 di Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang Konsentrasi Instrumentasi dan Kontrol. Mengetahui, Dosen Pembimbing Budi Setiyono, ST, MT NIP * Mahasiswa Jurusan Teni Eletro UNDIP Dosen Jurusan Teni Eletro UNDIP
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciDETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN
Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: 1979-911X Yogyaarta, 11 Desember 2010 DETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN Uning Lestari
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 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 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 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 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 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 FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA
ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA Julpan 1 *, Erna Budhiarti Nababan 1 & Muhammad Zarlis 1 1 Program S2 Teknik Informatika
Lebih 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 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 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 terperinciMAKALAH SEMINAR TUGAS AKHIR
MAKALAH SEMINAR TUGAS AKHIR Peramalan Kebutuhan Beban Janga Pende Menggunaan Jaringan Syaraf Tiruan Bacpropagation Oleh : Dinar Atia Sari (L2F002572) Jurusan Teni Eletro Faultas Teni Universitas Diponegoro
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 terperinciOPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK
OPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK ABSTRAK Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Algoritma umum metode propagasi
Lebih 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 terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Barcode Rcognition System Using Backpropagation Neural Networks M. Kayadoe, Francis Yuni Rumlawang, Yopi Andry Lesnussa * Jurusan
Lebih 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciAplikasi Neural-Fuzzy pada Regresi Interval untuk Data Time Series
Apliasi Neural-Fuzzy paa Regresi Interval untu Data Time Series Sri Kusumaewi Jurusan Teni Informatia, Universitas Islam Inonesia, Yogyaarta Jl. Kaliurang K, 4, Yogyaarta (04 E-mail : cicie@fti.uii.ac.i
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 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 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 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 terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih 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 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 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 terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Siti Amiroch Universitas Islam Darul Ulum Lamongan, amirast_117@yahoo.com Abstract. In the stock market, stock price prediction is
Lebih 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 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 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 PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciPerbandingan Antara Algoritma Penghapusan Bising Adaptif LMS dan Adaptif RLS dalam Penghapusan Bising Kendaraan
Perbandingan Antara Algoritma Penghapusan Bising Adaptif LMS dan Adaptif RLS dalam Penghapusan Bising Kendaraan Sri Arttini Dwi Prasetyowati 1), Adhi Susanto ), homas Sriwidodo ), Jazi Eo Istiyanto 3)
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih 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 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 terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih 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 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 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 terperinciPerbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer
Perbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer R. Muhammad Subekti 1 1. P2TRR BATAN, Kompleks Puspiptek Gedung 31, Serpong, Tangerang 15310 Abstrak Algoritma umum metode
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 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 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Kecerdasan Buatan (Artificial Intelligence) Kecerdasan buatan (Artificial Intelligence) adalah bagian dari ilmu komputer yang mempelaari bagaimana membuat mesin (komputer) dapat
Lebih terperinciADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoko Sumaryono ABSTRACT
Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 6 ADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoo Sumaryono ABSTRACT Noise is inevitable in communication
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 terperinciINTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON. Makalah. Disusun guna memenuhi tugas Mata Kuliah Metode Numerik. yang dibimbing oleh
INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON Maalah Disusun guna memenuhi tugas Mata Kuliah Metode Numeri yang dibimbing oleh Dr. Nur Shofianah Disusun oleh: M. Adib Jauhari Dwi Putra 146090400111001
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 terperinciPEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER
PEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER Tantri Windarti Program Studi Sistem Informasi STMIK Surabaya Jl Raya Kedung Baru 98, Surabaya
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 terperinci