PENERAPAN NEURAL NETWORK MODEL BACKPROPAGATION DAN GENERAL REGRESSION NEURAL NETWORK
|
|
- Agus Budiono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 sapi. Penelitian tersebut dimasudan untu membandingan inera aringan saraf tiruan model bacpropagation dan model general regression neural networ dalam mengidentifiasi enis daging sapi. Proses pengolahan citra dilauan dengan cara menghitung nilai R, G dan B pada setiap citra daging, emudian dilauan proses normalisasi untu mendapatan nilai inde R, indes G dan indes B dan dilauan proses onversi dari model RGB e model HSI untu mendapatan besaran nilai hue, saturation dan intensity. Nilai yang dihasilan dari proses pengolahan citra digunaan sebagi parameter masuan program pelatihan dan validasi. Kinera aringan model GRNN lebih aurat dibandingan model bacpropagation dengan selisih nilai aurasinya mencapai 51,9%. Kata unci: identifiasi, bacpropagation, GRNN. A. Latar Belaang Daging sapi merupaan salah satu sumber protein hewani yang paling disuai oleh masyaraat Indonesia, ebutuhan daging di Indonesia selama lima tahun terahir terus meningat. Pada tahun 2010 mencapai anga ton dan pada tahun 2011 diperiraan meningat menadi ton. Meningatnya permintaan tersebut memberian celah epada elompo tertentu untu memanfaatan situasi guna meraup euntungan yang lebih besar. Salah satunya adalah dengan cara menual enis daging sapi gelongongan, yaitu sapi yang diberi minum secara pasa sebelum disembelih. Hal ini mengaibatan bertambahnya adar air dalam daging, sehingga daging sapi gelonggongan menadi lebih berat bila dibanding dengan daging sapi segar yang normal. Kelebihan adar air dalam daging dapat mengaibatan penurunan ualitas daging dan mempersingat watu simpannya. Penurunan ualitas daging diindiasian melalui perubahan warna, rasa, aroma bahan pembusuan[16]. Daging merupaan sumber protein yang mudah dan sering mengalami erusaan oleh miroba erusaan ini disebaban oleh adanya ontaminasi miroba pada permuaan daging tersebut pada saat proses arsas dan sebesar 99% oleh ontaminan bateri[16]. Pengolahan citra memilii emampuan yang lebih pea arena dilengapi dengan sensor eletrooptia yang bisa dipastian aan lebih tepat dan obetif ia dibanding dengan cara visual manusia yang bersifat subetif dan sangat dipengaruhi oleh ondisi psiis pengamatnya[3][4]. Teni pengolahan citra bisa memberian informasi yang bai ia digabungan dengan sistem pengambilan eputusan yang bisa memberian aurasi yang tinggi. Penggunaan aringan saraf tiruan dapat memberian hasil optimal, arena memilii elebihan dalam menyelesaian persoalan yang tida dapat diselesaian secara analisis[8]. 43
2 Eo Sediyono B. Landasan Teori Citra merupaan istilah lain dari gambar, yang merupaan informasi berbentu visual. pada bidang dua dimensi, maa sebuah citra merupaan dimensi spasial atau bidang yang berisi informasi warna yang tida bergantung watu. Ditinau dari sudut pandang matematis, citra merupaan fungsi menerus atas intensitas cahaya pada bidang dua dimensi. Sumber cahaya menerangi obe, obe memantulan embali sebagian beras cahaya tersebut. Pantulan cahaya ini ditangap oleh alat opti sehingga bayangan obe yang disebut citra tersebut teream. Pengambilan citra bisa dilauan oleh amera atau alat-alat lain yang bisa digunaan untu mentransfer gambar misalnya scanner dan amera digital. Proses transformasi dari bentu tiga dimensi e bentu dua dimensi untu menghasilan citra aan dipengaruhi oleh bermacam-macam fator yang mengaibatan penampilan citra suatu benda tida sama persis dengan bentu fisi nyatanya. Fator-fator tersebut merupaan efe degradasi atau penurunan ualitas yang dapat berupa rentang ontras benda yang terlalu sempit atau terlalu lebar, distorsi, eaburan (blur), eaburan aibat obe citra yang bergera (motion blur), gangguan yang disebaban oleh interferensi peralatan pembuat citra, bai itu berupa tranducer, peralatan eletroni ataupun peralatan opti arena pengolahan citra digital dilauan dengan omputer digital maa citra yang aan diolah terlebih dahulu ditransformasian e dalam bentu besaran-besaran disrit. Pengolahan warna menggunaan model warna RGB sangat mudah dan sederhana, arena informasi warna dalam omputer sudah diemas dalam model warna yang sama. Hal yang perlu dilauan adalah bagaimana ita melauan pembacaan nilai-nilai R, G dan B pada suatu pisel, salah satu cara yang mudah untu menghitung nilai warna dan menafsiran hasilnya dalam model warna RGB adalah dengan melauan normalisasi terhadap tiga omponen warna tersebut. Normalisasi penting dilauan terutama bila seumlah citra di ambil dengan ondisi penerangan yang berbeda. Hasil perhitungan tiap omponen warna poo yang telah dinormalisasi aan menghilangan pengaruh penerangan, sehingga nilai untu setiap omponen dapat dibandingan satu dengan lainya walaupun berasal dari citra dengan ondisi penerangan yang berbeda, dengan catatan perbedaan tersebut tida terlalu estrim[6]. Sedangan untu mendapatan besaran nilai model warna HSI orversi model warna RGB e HSI ini melibatan parameter, sebagai data masuan (sinyal merah, sinyal hiau dan biru untu setiap pisel) dan tiga parameterlainya (nilai hue, nilai saturation dan intensity) sebagai eluaran. Transformasi dari model warna RGB e model warna HSI digunaan untu mengonversi citra warna edalam bentu yang lebih sesuai untu pengolahan citra. Jaringan saraf tiruan adalah sistem pemroses informasi yang memilii arateristi mirip dengan aringan saraf biologi. Jaringan saraf tiruan 44
3 dibentu sebagai generalisasi model matematia dari aringan saraf biologi[]. Arsitetur aringan dan algoritma pelatihan sangat menentuan modelmodel aringan saraf tiruan. Arsitetur tersebut gunanya untu menelasan arah peralanan sinyal atau data di dalam aringan. Algoritma pelatihan bacpropagation adalah sebagai []: 1. Inisialisasi a. Normalisasi data input x i dan data target t dalam range (0,1) b. Seluruh pembobot (w i dan v ) awal diberi nilai random antara - 1,1 c. Inisialisasi ativasi thresholding unit, x 0 = 1 dan h 0 = 1 2. Ativasi unit-unit dari input layer e hidden layer dengan fungsi : 1 h w i x i 1 e... (7) dimana: w i = pembobot w yang menghubungan node unit e-i pada input layer dengan noda e pada hidden layer 3. Ativasi unit-unit dari hidden layer e output layer dengan fungsi: 1 y (8) v h 1 e dimana: σ = onstanta logisti (logistic contant) v = pembobot v yang menghubungan node unit e- pada hidden layer dengan noda e- pada output layer 4. Menghitung error dari unit-unit pada output layer (δ ) dan menyesuaiannya dengan bobot v 1 y t y.. (9) dimana: t = target output pada noda e- v v dimana : old h... (10) β = onstanta lau pembelaaran Eo Sediyono v old = pembobot v sebelumnya 5. Menghitung error dari unit-unit pada hidden layer (τ ) dan menyesuaiannya dengan bobot w i i h 1 i h i v...(11) w w old x.. (12) 6. Training set (learning) dihentian ia y mendeati t. Proses pembelaaran uga dapat dihentian berdasaran error. Salah satu persamaan untu nilai error adalah dengan menggunaan Root Mean Square Error (RMSE). RMSE n i 1 p i ai n 2....(13) n pi ai Error(%) i 1 ai n 100% (14) Keterangan: p i = nilai dugaan output ulangan ei a i = nilai atual output ulangan e-i n = umlah contoh data 7. Pengulangan (iterasi) Keseluruhan proses ini dilauan pada setiap contoh dari setiap iterasi sampai sistem mencapai eadaaan optimum. Iterasi mencaup pemberian contoh pasangan input dan output, perhitungan nilai ativasi dan perubahan nilai pembobot. Sedangan algoritma belaar menelasan bagaimana bobot onesi harus diubah agar pasangan masuaneluaran yang diinginan dapat tercapai. Dalam setiap perubahan harga bobot onesi dapat dilauan dengan berbagai cara, tergantung pada enis algoritma pelatihan yang digunaan. Dengan mengatur besarnya nilai bobot ini diharapan bahwa inera aringan 45
4 Eo Sediyono dalam mempelaari berbagai macam pola yang dinyataan oleh setiap pasangan masuan-eluaran aan meningat. C. Metode Penelitian Bahan yang digunaan dalam penelitian adalah daging sapi segar, daging sapi segar yang dibeuan, daging sapi segar yang didinginan, daging sapi segar dieringan, daging sapi segar direndam, daging sapi gelonggongan, daging sapi busu, daging busu yang dibeuan, daging sapi busu yang didinginan dan daging sapi busu dieringan. Jenis Daging Ui Daging Sapi Segar Daging Sapi Segar Didinginan Daging Sapi Segar Dibeuan Daging Sapi Segar Direndam Daging Sapi Segar Dieringan Daging Sapi Gelonggongan Daging Sapi Busu Daging Sapi Busu Didinginan Daging Sapi Busu Dibeuan Daging Sapi Busu Dieringan Definisi Daging yang belum diolah dan tida ditambahan bahan apapun. Daging yang mengalami proses pendidingan setelah penyembelihan sehingga temparatur daging antara 0 o C dan 4 o C. Daging sapi yang sudah mengalami proses pembeuan dengan temparatur minimum - 18 o C. Daging yang mengalami proses perendaman setelah penyembelihan. Daging yang mengalami proses penemuran selama 2 hari setelah penyembelihan. Daging yang didapat dari sapi yang mengalami proses minum yang yang dilauan secara pasa can berlebihan sebelum disembelih. Daging yang mengalami proses pembusuan setelah penyembelihan. Daging busu yang mengalami proses pendinginan pada suhu 0 o C sampai dengan 4 o C. Daging sapi busu yang sudah mengalami proses pembeuan dengan temparatur minimum - 18 o C. Daging yang mengalami proses penemuran selama 2 hari setelah proses pembusuan. Daging sapi yang digunaan sebagai bahan pelatihan dan bahan ui pada penelitian ini disesuaian dengan ebutuhan, yani terdiri dari sepuluh enis daging sapi, beberapa diantaranya sesuai dengan etentuan Standar Nasional Indonesia (SNI) Nomor 3932:2008 tentang mutu dan aras daging sapi. Namun terdapat uga daging sapi yang diadian obe penelitian tida memenuhi etentuan Standar Nasional Indonesia (SNI) Nomor 3932:2008. Bahan dari esepuluh enis daging sapi yang digunaan untu pelatihan dan validasi tida sama. Peralatan yang dibutuhan untu melauan penelitian tentang identifiasi citra untu mengidentifiasi enis daging sapi adalah: Nama Light Box Lampu PL Kamera Digital Laptop Keterangan Kota pengambilan citra dengan uuran Panang 20cm dan lebar 20 cm Lampu PL 15 watt 2 buah. Samsung PL100 dengan resolusi 12,2 Mega Pixel Acer 4710 dengan prosesor T Ghz 1. Pengambilan Citra Proses pengambilan citra dilauan dengan menggunaan amera digital, obe penelitian diletaan di dalam light box untu mendapatan ualitas citra yang masimal dengan ondisi pencahayaan yang sama antara obe penelitian satu dengan lainya. 2. Pengolahan Citra Pengolahan citra dimulai dengan proses cropping image, yaitu suatu proses pemotongan gambar untu menghilangan bagian-bagian gambar yang tida diinginan, hal ini dilauan untu mendapatan citra yang sesuai dengan ebutuhan. Setelah proses cropping proses selanutnya adalah proses penghitungan nilai-nilai parameter input antara lain R, G, B, color value, indes R, indes G, indes B, hue (cora), saturation (eenuhan) dan intensity. 3. Arsitetur Jaringan Saraf Tiruan 46
5 Arsitetur aringan saraf tiruan model bacpropagation yang dibangun terdiri dari tiga lapisan (layer), yaitu input layer, hidden layer, dan output layer. Sebagai masuan pada input layer adalah data parameter R, G, B, RGB color value, indes R, indes G, indes B, hue (cora), saturation (eenuhan) dan intensity. Sedangan arsiterur GRNN terdiri dari empat lapisan unit pemroses, dimana tiap lapisan unit pemroses mempunyai fungsi omputasi husus saat regresi nonlinier dibentu. Lapisan pertama terdiri dari neuron-neuron input yang berfungsi untu mengambil informasi. Neuron-neuron input lalu menerusan data menuu lapisan edua yang dinamaan neuron pola. Sebuah neuron-neuron pola berfungsi mengombinasian dan memproses data secara sistemati dengan suatu fungsi ativasi. 4. Pelatihan Tuuan dari pelatihan adalah untu mendapatan nilai bobot antar lapisan yang digunaan pada program validasi. Masuan data pelatihan berupa nilai parameter R, G, B, color value, indes R, indes G, indes B, hue, saturation dan intensity. yang didapatan dari hasil pengolahan citra pada data pelatihan. 5. Validasi Validasi dilauan sebagai proses penguian inera aringan untu masing-masing model terhadap bahan ui, masuannya berupa data ui yang sama namun menggunaan nilai bobot pelatihan yang berbeda. Kinera aringan dapat dilihat berdasaran nilai perbandingan target yang terpenuhi dan umlah data ui. D. Hasil dan Pembahasan Program pengolahan citra aan meneremahan informasi yang terdapat didalam citra pelatihan dan citra ui. Informasi yang dihasilan oleh program pengolahan citra berupa data-data numeri yang didapat dari citra daging sapi segar, citra daging sapi segar yang didinginan, citra daging sapi segar yang dibeuan, citra daging sapi segar dieringan, citra daging sapi segar direndam air, citra daging sapi gelonggongan, citra daging sapi busu, citra daging sapi busu yang dibeuan, citra daging sapi busu yang didinginan dan citra daging sapi busu dieringan. Keluaran dari program pengolahan citra adalah data berupa nilai R, G, B, color value, indes R, indes G, indes B, hue, saturation dan intensity. Karateristi RGB untu daging sapi segar, daging sapi segar yang didinginan, daging sapi segar yang dibeuan, daging sapi segar dieringan, daging sapi segar direndam air, daging sapi gelonggongan, daging sapi busu, daging sapi busu yang dibeuan, daging sapi busu yang didinginan dan daging sapi busu dieringan. Masing-masing memilii nilai rata-rata seperti ditunuan pada Gambar 4, 5, 6, 7, 8 dan 9. Jia dilihat dari rata-ratanya yang tertinggi adalah dagin sapi segar dingin dan terendah adalah daging busu ering. Perbedaan ini lebih memudahan program dalam membedaan enis daging sapi segar dingin dan daging sapi busu ering berdasaran warna merah. Karateristi HSI daging sapi segar, daging sapi segar yang didinginan, daging sapi segar yang dibeuan, daging sapi segar dieringan, daging sapi segar direndam air, daging sapi gelonggongan, daging sapi busu, daging sapi busu yang dibeuan, daging sapi busu yang didinginan dan daging sapi busu dieringan. Rata-rata sebaran nilai H (Hue) untu masing-masing enis daging dapat dilihat pada gambar 10, dari data 47
6 tersebut terlihat bahwa rata-rata tertinggi terdapat pada enis daging sapi busu ering dan terendah teradi pada enis daging busu dingin, sehingga perbedaan nilai hue ini aan memudahan dalam proses pembelaaran dan validasi dalam membedaan edua enis daging tersebut. Sebaran nilai S (Saturation), rata-ratanya untu setiap enis daging dapat dilihat pada gambar 12, dimana nilai tertinggi didominasi oleh daging sapi segar beu dan terendah teradi pada enis daging busu ering. Perbedaan ini lebih memudahan program dalam membedaan enis daging sapi segar beu dan daging sapi busu ering berdasaran nilai saturasi. Sebaran warna I (Intensity), rataratanya untu setiap enis daging dapat dilihat pada gambar 13. Nilai tertinggi terdapat pada enis daging sapi segar dan terendah pada enis daging saoi busu ering, sehingga dimunginan bahwa edua enis bii ini lebih mudah dibedaan berdasaran intenitasnya. Hasil pelatihan adalah nilai bobot yang disimpan pada file dengan estensi MAT yang digunaan oleh program validasi untu mengidentifiasi enis daging. Pada proses pelatihan bacpopagation onstanta lau pembelaaran (η) sebesar 0.7, onstanta momentum (α) sebesar 0.8 dan nilai persamaan sigmoid (σ) 1. Validasi dilauan pada semua enis daging dengan umlah data ui seluruhnya 102 yang terdiri dari 13 daging sapi segar, 10 daging sapi segar yang didinginan, 11 daging sapi segar yang dibeuan, 12 daging sapi segar dieringan, 11 daging sapi segar direndam dengan air, 9 daging sapi gelonggongan, 8 daging sapi busu, 8 daging sapi busu yang dibeuan, 13 daging sapi busu yang didinginan dan 7 daging sapi busu dieringan. Selain menggunaan data ui yang berumlah 102 validasi uga memerluan masuan lain berupa nilai bobot yang telah dihasilan oleh masing-masing model, bai model bacpropagation maupun moel GRNN. Hasil identifiasi untu enis data ui semua enis daging menggunaan Eo Sediyono model aringan saraf tiruan bacpropagation disaian pada tabel 4.1. Ketepatan indentifiasi yang memuasan teradi pada enis daging dengan aurasi 100% hanya teradi pada daging sapi busu, diduga disebaban tida berbedanya nilai input Green, dan indes G. Aurasi yang menunuan nilai diatas 50% teradi pada enis daging segar direndam dengan aurasi 54,5% dengan rincian 6 daging segar direndam, 3 daging sapi segar beu, 1 daging sapi segar ering dan 1 daging sapi gelonggongan. Munculnya daging sapi segar beu diduga disebaban samanya nilai input color value dan nilai input intensitas. Munculnya daging sapi segar ering diduga disebeban tida bebedanya nilai input indes G, sedangan munculnya daging sapi gelonggongan diduga disebaban esamaan nilai input green, blue, dan color value. Sedangan etelitian identifiasi enis daging dengan aurasi dibawah 50% teradi pada enis daging sapi segar, daging sapi segar beu, daging sapi segar dingin, daging sapi segar ering, daging sapi busu beu, daging sapi busu dingin dan daging sapi busu ering. Berbeda dengan enis daging lainnya, enis daging sapi gelonggongan memilii tingat etelitian yang sangat rendah dengan nilai aurasi 0% diduga ini disebaban oleh nilai parameter input Green dan indes G yang sama. Daging segar memilii ciri warna merah lembut, validasinya hanya sebesar 23% dengan rincian 3 diidentifiasi sebagai daging sapi segar, 4 sebagai daging sapi segar beu, 5 sebagai daging sapi segar dingin dan 1 sebagai daging sapi segar ering. Munculnya daging sapi segar beu, diduga disebaban tida berbedanya nilai input red dan hue, munculnya daging sapi segar dingin diduga disebaban tida berbedanya nilai 48
7 input hue, dan munculnya daging sapi segar ering diduga disebaban oleh tida berbedanya nilai input indes G. Daging sapi segar dingin memilii ciri warna merah terang, validasinya menunuan nilai aurasi sebesar 40% dengan rincian 4 teridentifiasi sebagai daging sapi segar dingin, 3 sebagai daging sapi segar beu dan 3 sebagai daging sapi segar dingin. munculnya daging sapi segar beu diduga disebaban tida berbedanya nilai input intensitas, sedangan munculnya daging sapi segar ering diduga disebaban oleh esamaan sifat data yang hampir sama pada setiap nilai input. Daging sapi segar beu memilii ciri warna merah pudar, validasinya menunuan nilai aurasi sebesar 36,3% dengan rincian 4 teridentifiasi sebagai daging sapi segar beu, 3 sebagai daging sapi segar dingin dan 3 sebagai daging sapi segar ering. munculnya daging sapi segar dingin diduga disebaban tida berbedanya nilai input intensitas, sedangan munculnya daging sapi segar ering diduga disebaban tida berbedanya nilai input blue. Daging sapi segar ering memilii ciri warna hitam eabu-abuan, validasinya menunuan nilai aurasi sebesar 8,3% dengan rincian 1 teridentifiasi sebagai daging sapi segar ering, 2 sebagai daging sapi segar rendam, 5 sebagai daging sapi gelonggongan dan 4 sebagai daging sapi busu. Munculnya daging sapi segar rendam diduga disebaban oleh esamaan nilai input pada indes G dan indes B, sedangan munculnya daging sapi busu diduga memilii esamaan nilai input green, blue, dan color value. Daging sapi busu beu memilii warna hitam emerahan, validasinya hanya memberian nilai aurasi 37,5% dengan rincian 3 daging sapi busu, 3 daging sapi busu beu dan 2 daging sapi busu dingin. munculnya daging sapi busu beu diduga disebaban tida berbedanya nilai input blue dan color value, sedangan munculnya daging sapi busu dingin diduga disebaban oleh esamaan nilai input color value Eo Sediyono dan nilai input intensitas. Daging sapi busu dingin memilii ciri warna merah ehiauan, validasinya memberian nilai aurasi 38,4% dengan rincian 5 daging sapi busu dingin, 1 daging sapi busu dan 7 daging sapi busu beu. Munculnya daging sapi busu diduga disebaban oleh esamaan nilai input blue dan nilai input indes green. Daging sapi busu ering memilii ciri warna has, namun hanya memberian nilai aurasi sebesar 28% dengan rincian 2 daging sapi busu ering, 2 daging sapi busu beu, 2 daging sapi busu dingin dan 1 tida teridentifiasi. Munculnya daging sapi busu beu diduga disebaban oleh samanya nilai input indes G dan munculnya daging sapi busu dingin diduga disebaban oleh tida berbedanya nilai input green, sampel ui yang tida teridentifiasinya diduga disebaban oleh nilai input intensitas yang ecil. Untu hasil identifiasi semua data ui pada semua enis daging menggunaan model aringan saraf tiruan General Regression Neural Networ. Ketepatan indentifiasi yang memuasan dengan aurasi 100% hanya teradi pada daging sapi busu dingin, diduga hal ini teradi arena daging sapi busu dingin memilii nilai input red dan intensitas yang tida berbeda. Ketelitian identifiasi enis daging yang memberian nilai aurasi diatas 50% teradi pada enis daging sapi segar sebesar 92,3 %, daging sapi segar dingin 81,8% daging sapi segar beu 90%, daging sapi segar ering 83,3, daging sapi segar direndam 72,7 daging sapi gelonggongan 55,5%, daging sapi busu beu 87,5 dan daging sapi busu ering 57,1%. Sedangan nilai aurasi yang berada dibawah 50% hanya teradi pada satu enis daging yaitu daging sapi busu yang memberian nilai aurasi sebesar 37,5%. Daging segar memberian nilai aurasi yang cuup memuasan 49
8 Eo Sediyono hingga 92%, dengan rincian 12 sebagai daging sapi segar dan 1 tida teridentifiasi, tida teridentifiasinya sampel ui diduga disebaban oleh terlalu besarnya nilai parameter blue Ketelitian identifiasi pada enis daging sapi segar beu memberian nilai aurasi sebesar 90% dengan rincian 9 teridentifiasi sebagai daging sapi segar beu dan 1 sebagai daging sapi segar dingin. Munculnya daging sapi segar dingin diduga disebaban oleh tida berbedanya nilai input intensitas. Daging sapi segar dingin memberian tingat aurasi sebesar 81,8% dengan rincian 9 daging sapi segar dingin dan 2 daging sapi gelonggongan. Munculnya daging sapi gelonggongan diduga adanya esamaan nilai red dan intensitas. Pada enis daging sapi segar ering memberian nilai aurasi 83,3% dengan rincian 10 sebagai daging sapi segar ering, 1 daging sapi busu ering dan 1 tida teridentifiasi. Munculnya daging sapi busu ering diduga disebaban oleh esamaan nilai input antara indes R, dengan indes B, dan saturation dengan intensitas, sedangan tida teridentifiasinya sampel ui diduga disebaban oleh rendahnya nilai input indes B. Daging sapi segar direndam validasinya memilii nilai aurasi sebesar 72,2% dengan rincian 8 daging sapi segar direndam, 1 daging sapi segar dingin, 1 daging sapi gelonggongan dan 1 tida teridentifiasi. Munculnya daging sapi segar dingin diduga disebaban oleh rendahnya nilai input indeb dan hue dan munculnya daging sapi gelonggongan diduga adanya esamaan nilai red dan intensitas. Daging sapi gelonggongan memilii nilai aurasi sebesar 55,5% dengan rincian 5 teridentifiasi sebagai daging sapi gelonggongan 2 sebagai daging sapi segar dingin 1 sebagai daging sapi segar dan 1 tida teridentifiasi. Munculnya daging sapi segar dingin diduga disebaban oleh adanya esamaan nilai input green dan indeg, munculnya daging sapi segar diduga disebaban oleh tingginya nilai intensitas. Sedangan tida teridentifiasi diduga disebaban oleh esamaan nilai input indes R dan intensitas. Daging sapi busu memberian nilai aurasi sebesar 37,5% dengan rincian 3 sebagai daging sapi busu, 2 busu sapi gelonggongan, 2 busu sapi beu dan 1 busu dingin. Munculnya daging sapi gelonggongan diduga disebaban oleh esamaan nilai input red dan intensitas, mulculnya daging sapi busu beu diduga disebaban oleh tida berbedanya nilai input red, indeb dan intensitas, sedangan munculnya daging sapi busu dingin diduga disebaban oleh tida berbedanya nilai input antara red dengan intensitas dan green dan blue. Daging busu validasinya memberian nilai aurasi 87,5% dengan rincian 7 daging busu, 1 daging busu beu, munculnya daging busu beu diduga disebaban tida berbedanya nilai input green dengan color value. Daging sapi busu ering validasinya memberian nilai aurasi sebesar 57,1% dengan rincian 4 daging sapi busu ering, 2 daging sapi segar ering dan 1 tida teridentifiasi. Munculnya daging segar ering diduga disebaban adanya esamaan nilai input red dan saturation, sedangan tida teridentifiasi enis daging diduga disebaban oleh rendahnya nilai input intensitas. Perbandingan aurasi hasil identifiasi antara aringan bacproagation dan general regression neural networ dapat dilihat pada tabel 4.3. Hasil identifiasi menunuan nilai aurasi yang berbeda pada setiap enis daging. Setelah mendapatan nilai aurasi dari masing-masing model, bai nilai aurasi yang didapatan dari model aringan bacpropagation maupun nilai aurasi yang didapatan dari model aringan GRNN. Dengan nilai tersebut ita dapat melauan perbandingan, model 50
9 manaah yang memilii nilai aurasi etepatan yang lebih bai. Tabel. Perbandingan Nilai Aurasi Bacpropagation dan GRNN Jenis Daging Sapi Aurasi (%) Bacpropagation GRNN Segar 23 92,3 Segar Beu 36,3 90 Segar Dingin 40 81,8 Segar Kering 8,3 83,3 Segar Rendam 54,5 72,7 Gelonggongan 0 55,5 Busu ,5 Busu Beu 37,5 87,5 Busu Dingin 38,4 100 Busu Kering 28,5 57,1 Rata-rata 29,4 81,3 Pada tabel diatas terdapat hasil aurasi identifiasi bacpropagation 0% yaitu pada daging sapi gelonggongan, mesipun data ui yang digunaan memilii emiripan dengan data training. Nilai aurasi 0% ini menunuan bahwa tida satupun data ui dienali sebagai daging sapi gelonggongan. Hasil validasi ini sangat dipengeruhi oleh bobot yang dihasilan pada saat pelatihan. E. Kesimpulan dan Saran Aurasi tertinggi yang dihasilan oleh aringan bacpropagation adalah 100% pada enis daging sapi busu, sedangan aurasi terendah adalah 0% teradi pada daging sapi gelonggongan. Aurasi tertinggi yang dihasilan menggunaan aringan GRNN adalah 100% pada enis daging busu sapi dingin sedangan aringan terendah adalah 37,5% teradi pada enis daging sapi busu. Aurasi rata-rata yang dihasilan oleh aringan bacpropagation sebesar 29,4%, sedangan aurasi rata-rata yang dihasilan oleh aringan GRNN adalah 81,3%. Secara umum arsitetur aringan GRNN mempunyai nilai aurasi yang lebih bai. Daftar Pustaa Hariyanto, Didi Studi Penentuan Nilai Resistor Menggunaan Selesi Warna Model HSI Pada Citra 2D. Jurnal Telomnia, Volume 1, Nomor 1. Yogyaarta: Universitas Ahmad Dahlan. Sofi'i', Imam; & Astia, Wayan; & Suroso Penentuan Jenis Cacat Bii Kopi dengan pengolahan citra dan artificial neural networ. Jurnal Ketenian Pertanian, Volume 19, Nomor 2. Bogor: Institut Pertanian Bogor. Somantri, A.S; & Misiyah; & Broto, Wisnu Identifiasi Mutu Fisi Jagung dengan Menggunaan Pengolahan Citra dan Jaringan Syaraf Tiruan. Jurnal Standarisasi, Volume 10, Nomor 3. Jaarta: Badan Standar Nasional. Somantri, A.S; & Misiyah; & Broto, Wisnu Pendugaan Tingat Keamanan Jagung dengan Menggunaan Pengolahan Citra Digital dan Jaringan Syaraf Tiruan. Jurnal Standarisasi, Volume 11, Nomor 1. Jaarta: Badan Standar Nasional. Suyantohadi, Atris; Hariadi, Mochamad; & Purnomo, M.H Artificial Life Model Pertumbuhan Tanaman Kedelai Menggunaan Metoda neural networ dan Lindenmayer System. Surabaya: Institut Tenologi Sepuluh November. Ahmad, Usman Pengolahan Citra Digital & Teni Pemrogramanya. Yogyaarta: Graha Ilmu. Bucle, K.A; & Ronald, A; & Edwards; & Graham, H.F; & Michael, W Ilmu Pangan (Teremahan Hari 51
10 Purnomo dan Adiono. Jaarta: Diretorat Jenderal Pendidian Tinggi. Kusumadewi, Sri Artifical Intellegence (Teni dan Apliasinya). Yogyaarta: Penerbit Graha Ilmu. Murni, Aniati Pengantar Pengolahan Citra. Jaarta: Elex Media Komputindo; & Pusat Antar Universitas Ilmu Komputer Universitas Indonesia. Putra, Darma Pengolahan Citra. Yogyaarta: Penerbit Andi. Siang, J.J Jaringan Syaraf Tiruan & Pemrogramannya Menggunaan Matlab. Yogytaarta: Penerbit Andi. Anonim Standar Nasional Indonesia Nomor 3947:1995 Tentang Daging Sapi dan Kerbau. Jaarta: Badan Standar Nasional. Anonim Standar Nasional Indonesia Nomor 3932:2008 Tentang Mutu Karas dan Daging Sapi. Jaarta: Badan Standar Nasional. Kastamana, Roni; & Abdulfatah, F.W Analisis Kinera Perangat Luna Pengolah Citra dengan Menggunaan Beberapa Metode Klasifiasi untu Menentuan Kualitas Buah Manggis. Proceeding of Kebiaan dan Apliasi Tenologi Informasi dan Komuniasi untu Peningatan Daya Saing Agribisnis Indonesia. Bogor: Institut Pertanian Bogor. Sutrisno; & Edris, Ismi M; & Sugiyono Apliasi Jaringan Syaraf Tiruan untu Pendugaan Mutu Pemeraman Pisang Raa Bulu setelah Penyimpanan. Proceeding of Seminar Nasional Himpunan Informatia Pertanian Indonesia. Jawa Barat: Institut Pertanian Bogor. Raharo, Sigit Apliasi Madu Sebagi Pengawet Daging Sapi Giling Segar Selama Proses Penyimpanan. Sripsi. Suraarta: Universitas Sebelas Maret. 52
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 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 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 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 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 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 terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih 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 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 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 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 Program
Lebih terperinciPENENTUAN KUALITAS GILING BERAS MENGGUNAKAN ANALISIS CITRA
Penentuan Kualitas Giling Beras Menggunaan Analisis Citra (Agus Supriatna Somantri, Misiyah dan Sigit Nugraha) PENENTUAN KUALITAS GILING BERAS MENGGUNAKAN ANALISIS CITRA Determination of Rice Milling Quality
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciSTUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT
TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
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 terperinciIdentifikasi Citra Untuk Mengidentifikasi Jenis Daging Sapi Segar Menggunakan Wavelet Kiswanto 1), Sujono 2)
Jurnal Teknologi Informatika dan Komputer Atma Luhur Vol 1. September 2014 ISSN: 2406-7962 Identifikasi Citra Untuk Mengidentifikasi Jenis Daging Sapi Segar Menggunakan Wavelet Kiswanto 1), Sujono 2) 1)
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 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 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 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 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 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 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 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 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 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 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 terperinciBAB 3 METODE PENELITIAN
36 BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Jenis penelitian yang digunaan adalah penelitian desriptif, yaitu penelitian terhadap fenomena atau populasi tertentu yang diperoleh peneliti dari subye
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 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 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 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 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 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 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 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 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 terperinciPENDUGAAN TINGKAT KEAMANAN JAGUNG DENGAN MENGGUNAKAN PENGOLAHAN CITRA DIGITAL DAN JARINGAN SYARAF TIRUAN
PENDUGAAN TINGKAT KEAMANAN JAGUNG DENGAN MENGGUNAKAN PENGOLAHAN CITRA DIGITAL DAN JARINGAN SYARAF TIRUAN Agus Supriatna Somantri, Miskiyah & Wisnu Broto Abstract Food security is the main problem in food
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 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 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
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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Tempat dan Watu Penelitian Penelitian ini dilauan di Jurusan Matematia Faultas Matematia dan Ilmu Pengetahuan Alam Universitas Lampung. Watu penelitian dilauan selama semester
Lebih 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 terperinciKata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan
Statisti Respon Kanal Radio Dalam Ruang Pada Freuensi,6 GHz Christophorus Triaji I, Gamantyo Hendrantoro, Puji Handayani Institut Tenologi Sepuluh opember, Faultas Tenologi Industri, Jurusan Teni Eletro
Lebih 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 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 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih 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 1 PENDAHULUAN. 1.1 Latar belakang
BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,
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 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 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 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 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 terperinciPenerapan Sistem Persamaan Lanjar untuk Merancang Algoritma Kriptografi Klasik
Penerapan Sistem Persamaan Lanjar untu Merancang Algoritma Kriptografi Klasi Hendra Hadhil Choiri (135 08 041) Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
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 terperinciIDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION
IDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION Dila Deswari [1], Hendrick, MT. [2], Derisma, MT. [3] Jurusan Sistem Komputer, Fakultas Teknologi Informasi, Universitas Andalas [1][3]
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 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 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 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 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 terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih 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 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 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 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 terperinciKERANGKA PENGEMBANGAN MODEL SISTEM SENSOR TINGKAT KEMATANGAN BUAH SAWIT PADA PROSES STERILISASI MINYAK SAWIT MENTAH
KERANGKA PENGEMBANGAN MODEL SISTEM SENSOR TINGKAT KEMATANGAN BUAH SAWIT PADA PROSES STERILISASI MINYAK SAWIT MENTAH Lily Amelia Jurusan Teni Industri, Faultas Teni, Universitas Esa Unggul, Jaarta Jln.
Lebih terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
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 terperinciBAB 3 PRINSIP SANGKAR BURUNG MERPATI
BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana
Lebih terperinci