Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pengenalan wajah merupakan salah satu bidang dalam pengenalan pola. Pengenalan pola adalah disiplin ilmu yang bertujuan untuk mengklasifikasikan objek menjadi sejumlah kategori atau kelas. Seperti halnya pengenalan pola, pengenalan wajah bertujuan untuk mengklasifikasikan citra wajah menjadi sejumlah kategori wajah. Yang dimaksud dengan kategori wajah di sini adalah, siapakah pemilik wajah tersebut atau wajah tersebut termasuk kategori wajah siapa. Selama ini, umumnya feature untuk sistem pengenalan wajah berupa nilai grayscale per-pixel. Dalam tugas akhir ini, dilakukan uji coba untuk meneliti apakah feature kedalaman per-pixel dari gambar wajah memiliki pengaruh atau seberapa pentingnya feature kedalaman ini terhadap hasil pengenalan wajah. Representasi feature nilai grayscale dan kedalaman per-pixel ini adalah sebagai input untuk 2*32*32 neuron. Untuk mengetahui seberapa penting feature kedalaman ini, maka dilakukan perbandingan antara 3 macam hasil pengenalan yaitu hasil pengenalan dengan feature nilai grayscale saja, hasil pengenalan dengan feature kedalaman saja, dan hasil pengenalan dengan feature nilai grayscale dan feature kedalaman. Untuk pengujian, pengenalan wajah dilakukan dengan menggunakan Jaringan Neural Buatan (JNB) propagasi balik. Selanjutnya dilakukan pengenalan wajah dengan menggunakan JNB propagasi balik yang dioptimasi dengan algoritma genetika. Untuk memampatkan data masukan, maka digunakan transformasi Karhunen-Loéve. Pengujian dilakukan untuk data yang tidak ditransformasi dan data yang ditransformasikan dengan Karhunen-Loéve. Hasil uji coba menunjukkan bahwa feature kedalaman memiliki arti penting, yaitu dalam hal meningkatkan hasil pengenalan dengan memanfaatkan feature nilai grayscale digabung dengan feature kedalaman."

"Dalam teori jaringan neural buatan (JNB) telah dikembangkan berbagai jenis jaringan neural yang berbeda. Diantaranya ada beberapa yang sudah cukup sering digunakan, misalnya jaringan propagasi balik dan jaringan swa-organisasi. Propagasi balik telah sukses digunakan untuk menyelesaikan berbagai permasalahan pengenalan, klasifikasi, aproksimasi, prediksi dan lain-lain. Namun jaringan propagasi balik membutuhkan waktu yang lama dalam pembelajarannya. Jaringan swa-organisasi mempunyai kemampuan klustering yang baik dan waktu pembelajaran yang singkat. Penelitian ini akan merancang sebuah jaringan hibrid dengan cara menggabungkan propagasi balik dan swa-organisasi untuk mendapatkan kemampuan pengenalan yang lebih baik dan waktu pembeiajaran yang lebih singkat. Jaringan hibrid yang terbentuk, terdiri dari 2 modul, yaitu: modul swa-organisasi adaptif dan modul supervisi. Modul swa-organisasi adaptif bersifat tanpa pengarahan dan bobot-bobotnya dikontrol oleh pola masukan. Modul supervisi yang bersifat dengan pengarahan diarahkan oleh target yang telah ditentukan. Karakteristik jaringan akan dilihat dengan kasus XOR. Kemampuan pengenalan jaringan diuji dengan menggunakan data aroma Martha Tilar dan konsentrasi etanol. Hasil penelitian menunjukkan jaringan hibrid dapat mengenali pola yang dilatihkan, pola yang tidak dilatihkan dan dapat mengidentifikasi kelas pola baru yang tidak diikutsertakan dalam pelatihan. Hasil perbandingan dengan jaringan propagasi balik standar memperlihatkan bahwa jaringan hibrid mempunyai kemampuan pengenalan yang lebih baik dan waktu pembelajaran yang lebih singkat."

"Cylindrical Hidden Multi-Layer Perceptron Back Propagation (CHMLP-BP) adalah sistem jaringan syaraf tiruan berdasarkan multy-layer perceptron untuk mengenali objek 3 dimensi secara horizontal. Arsitektur CHMLP-BP dikembangkan lebih lanjut menjadi Hemisphere Structure of Hidden Layer (HSHL) sehingga mampu mengenali objek 3 dimensi secara vertikal dan horizontal dengan lingkup ½ bola. Efektifitas HSHL mendorong disempurnakannya arsitektur HSHL agar dapat mengenali objek 3 dimensi dengan lingkup 1 bola penuh. menjadi Spheric Structure of Hidden Layer. Dalam pengembangan SSHL dilakukan juga penambahan pemrosesan pada citra masukan dengan melakukan inversi dan perentangan nilai piksel citra masukan. Dilakukan juga modifikasi pada metode pengklasifikasian kelas pada neuron keluaran dari penggunaan batas treshold ½ untuk menentukan apakah neuron harus dibaca sebagai 1 atau 0 menjadi menggunakan metode greedy dengan harapan proses pembelajaran menjadi lebih mudah dan pengenalan objek 3 dimensi menjadi lebih baik. Metode eksperimen yang dilakukan pada SSHL menggunakan Percentage of Learning/Testing Paradigm. Kemampuan pengenalan objek 3 dimensi terbaik didapatkan pada jenis jaringan Multiplied untuk arsitektur SSHL Tunggal maupun Jamak dengan prosentase data pelatihan sebesar 47% didapatkan pengenalan sekitar 94% - 95% khususnya menggunakan Multiplied 3 Lapis yang mencapai 95.87%. Pengenalan terburuk pada SSHL didapatkan pada SSHL Tunggal Normal dengan prosentase data pelatihan sebesar 26% diperolah hasil pengenalan mencapai 81.02%."

"Perkembangan bare dalam neural network telah memberikan keuntungan-keuntungan dalam aplikasi sistem kontrol. Berdasarkan teori stale space dan pendekatan neural network, dikembangkan suatu algoritma yang disebut Stochastic Neural Direct Adaptive Control (SNDAC) untuk mengendalikan plant yang diketahui sebagian matriks sistemnya, yaitu matdks masukan B(.) dan matriks keluaran C(.). Pengendali neural network menggunakan algoritma SNDAC untuk mengubah bobot-bobotnya sehingga dihasilkan sinyal kendali yang mengoptimalkan quadratic performance index. Parameter yang berpengaruh pada pengendalian adalah banyaknya neuron pada lapisan tersembunyi dan besarnya koefisien belajar. Pemilihan banyaknya neuron pada lapisan tersembunyi dan besarnya koefisien belajar tidak dapat dilakukan secara eksak, tetapi dengan trial and error. Dengan pemilihan yang tepat dihasilkan pengendalian yang stabil dengan toleransi kesalahan yang kecil, seperti terlihat pada hasiI simulasi."

"Jaringan syaraf tiruan (Arrgficial Neural Nerwork) merupakan salah satu bagian dari kecerdasan buatan (Artificial Intelligence) yang mengambil prinsip kerja jaringan syaraf manusia. Perhitungan propagasi balik (Back Propagartion) adalah algoritma belajar yang populer, yang merupakan generalisasi kaidah least square untuk jaringan syaraf berlapis jamak (Mulfflayer Neural Network). Proses aromatisasi heptana menjadi toluena, dengan nama hydroforming, telah dikembangkan ketika Perang Dunia II (World War II) dengan tujuan untuk mendapatkan bahan baku peledak. Kondisi operasi diatas sangatlah riskan dan penuh resiko. Pendeteksian yang akurat dan dini diperlukan guna mencegah kesalahan yang timbul, yang dapat mengakibatkan kerugian baik material maupun immaterial. Diagnosa kesalahan proses pada aromatisasi heptana dapat dilakukan dengan metode Jaringan Syaraf Tiruan Propagasi Balik (ANN/JNA BP) ini. Berdasarkan data lapangan (kondisi masukan dan kondisi keluaran), jaringan syaraf akan melakukan pembelajaran (learning) secara simultan dan kontinyu, yang pada akhirnya akan terbentuk sebuah pengetahuan. BP inilah metode ajar yang paling sederhana dan cocok sekali untuk diterapkan, karena sanggup mengenali pola (pattern recognition). Sebagai studi kasus, proses aromatisasi heptana, penerapan ANN/JNA BP yang diteliti oleh Watanabe dan Himmelblau dapat dibuktikan dengan baik pada skripsi ini. Model ANN/JNA BP dapat melakukan pengenalan pola dengan balk dimana toleransi error lebih kecil dari 0.001, dengan jumlah iterasi pelatihan lebih dari 5000 iterasi, dan waktu pelathan lebih dari 40 menit."

"Tugas akhir ini bertujuan untuk membuat sistem pengenal huruf tulisan tangan dengan menggunakan algoritma Backpropagation Neural Network. Untuk mendapatkan representasi huruf dari bentuk tulisan tangan pada sub-sistem ekstraksi ciri digunakan metode Freeman chain code dan pryeksi sumbu sehingga akan dihasilkan rangkaian kode kerangka citra tulisan huruf. Proses penghalusan dan penipisan citra dilakukan dengan algoritma klasik pada sub-sistem pra_pengolahan. Pengujian menghasilkan tingkat keberhasilan rata-rata 92,31% untuk citra huruf A?Z, 76,92% untuk citra huruf a?z dan 90% untuk citra angka 0-9."

"Peran transformasi wavelet dalam bidang kompresi dan pengkodean citra telah sangat dikenal dan telah menghasilkan standar format citra digital. Dengan konsep multiskala dan multiresolusi, sebuah citra dapat memberikan representasi yang informatif dengan titur-fitur yang ada. Fitur-fitur ini dapat dimanfaat untuk sebuah sistem pengenalan citra. Jaringan syaraf tiruan sebagai pengklasifikasi telah digunakan secara umum dengan tujuan pengenalan terhadap suatu objek ataupun fungsi. Kelebihan yang dimilikinya karena penggunakan metode training. Training dilakukan terhadap sekumpulan training set yang representatif untuk dapat melakukan proses klasifikasi terhadap objek yang akan dikenali. Skripsi bertujuan untuk memanfaatkan kemampuan transformasi wavelet untuk ekstraksi fitur dengan pengklasifikasi jaringan syaraf tiruan. Penerapannya dilakukan terhadap citra tekstur yang memiliki pola teratur. Pengambilan fitur-fiturnya menggunakan wavelet histogram signazures yang memperlihatkan fitur-fitur wavelet dalam karakteristik statistik orde pertama. Percobaan dilakukan dengan sebuah simulasi software pengenalan pola yang dibuat dengan MATLAB. Sistem dibuat berdasarkan transformasi wavelet dan jaringan syaraf tiruan. Hasil dari percobaan adalah berapa persen jumlah keberhasilan pengenalan sistem terhadap objek pengujian yang diberikan. Pengujian juga dilakukan terhadap tekstur yang diberi gangguan (noise)."

"Tujuan utama dari penelitian yang dilakukan adalah melakukan pengenalan pola isyarat tangan statis dalam bahasa Indonesia. Pengenalan pola isyarat tangan statis dalam bentuk citra secara garis besar dilakukan dalam 3 tahapan yang meliputi: 1) Segmentasi bagian citra yang akan dikenali berupa tangan dan wajah, 2) ekstraksi ciri, dan 3) klasifikasi pola. Data citra yang diterapkan ada 15 kelas kata isyarat statis. Segmentasi dilakukan dengan menggunakan filter HSVdengan ambang berdasarkan warna kulit. Ekstraksi ciri dilakukan dengan dekomposisi wavelet Haar filter sampai level 2. Klasifikasi dilakukan dengan menerapkan sistem jaringan syaraf tiruan perambatan balik dengan arsitektur 4096 neuron pada lapisan input, 75 neuron pada lapisan tersembunyi dan 15 neuron pada lapisan output. Sistem diuji dengan menggunakan 225 data validasi dan akurasi yang dicapai adalah 69%.

---

AbstractThe main objective of this research is to perform pattern recognition of static hand gesture in Indonesian sign language. Basically, pattern recognition of static hand gesture in the form of image had three phases include: 1) segmentation of the image that will be recognizable form of the hands and face, 2) feature extraction and 3) patternclassification. In this research, we used images data of 15 classes of words static. Segmentation is performed using HSV with a threshold filter based on skin color. Feature extraction performed withthe Haar wavelet decomposition filter to level 2. Classification is done by applying the back propagation system of neural network architecture with 4096 neurons in input layer, 75 neurons in hidden layer and 15 neurons in output layer. The system was tested by using 225 data validation and accuracy achieved was 69%."