Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kemajuan teknologi dewasa ini menuntut adanya sebuah sistem yang lebih cepat, tepat dan akurat terutama dalam hal pengolahan citra hasil dari satelit penginderaan Saat ini saja setiap harinya setiap satelit geostationer menghasilkan 25 GB data yang harus sesegera mungkin di olah. Berbagai macam metode pengolahan texture pada citra yang ada saat ini, seperti Grey Level Co-occurrence Matriks. Sum and Difference Histogram, Variogram dan lain sebagainya pun terus berkembang menyesuaikan kebutuhan akan pengolahan citra yang berkembang setiap harinya Skripsi ini akan membahas identifikasi dan klasifikasi empat macam objek alami, yaitu pohon, rumput, langit dan sungai Metode Sum and Difference Histogram digunakan dalam mengolah tekstur pada citra-citra tersebut, kemudian sistem yang digunakan adalah Jaringan Syaraf Tiruan Propagasi Balik Sistem jaringan yang dirancang menggunakan tiga layer yaitu input layer, hidden layer dan output layer. Pada saat training dan proses identifikasi citra akan dilakukan perbandingan sistem kerja jaringan dengan berbagai macam neuron pada hidden layer. Pengujian beberapa jaringan ini akan memperlihatkan sistem jaringan terbaik yang kemudian akan digunakan dalam proses pengklasifikasian suatu citra yang didalamnya terdapat lebih dari satu objek alami. Hasil Simulasi menunjukkan bahwa sistent terbaik untuk identifikasi ialah sistem dengan menggunakan 25 neuron pada hidden layer. Preseutase sistem dapat mengenali citra yang sudah dipelajarinya ialah 92,67 % kemudian presentase tingkat generalisasi sistem dapat mengenal citra-citra baru yang masih termasuk ke dalam kelas yang telah dipelajarinya ialah 87.91 %."

"ABSTRAKSistem pendeteksian wajah pada citra telah berkembang pesat sampai saat ini. Tujuan dari deteksi wajah adalah untuk mengindentifikasi dan menempatkan wajah manusia dengan pasisi. skala,oarientasi dan kondisi pencahayaan tertentu. Berbagai metode telah diajukan sampai saat ini. Salah satu pengembangan lebih lanjutnya adalah dengan menggunakan jaringan syaraf tiruan (neural network). Pada paper ini dibahas sistem deteksi wajah berdasarkan jaringan syaraf tiruan dengan metode training propagasi balik dengan momentum. Jaringan syaraf tiruan menguji setiap window dari citra, dan memmtukan apakah setiap window berisi wajah atau tidak. Setelah itu sistem menentukan window terbaik, yang akan disimpulkan sebagai wajah. Sistem inl dapat mendeteksi wajah frontal pada citra grayscale dengan latar belakang yang kompleks dan skala yang bervariasi. Agar dapat menguji citra masukan untuk ukuran wajah yang berbeda-beda, maka dilakukan metode piramida terhadap citra masukan. Pada skripsi ini, ststem deteksi dengan jaringan syaraf tiruan diuji dengan perubahan pada parameter jumlah lapisan tersembunyi dan jumlah epoch yang dilakukan pada proses training. Sistem akan dianalisa kinerjanya berdasarkan lamanya waktu deteksi serta ketepatan hasil proses deteksi. Dari hasil pengujian didapatkan waktu deteksi sangat dipenganthi oleh ukuran citra, dan ketepatan proses deteksi sangat dipengaruhi oleh jumlah lapisan tersembunyi dan banyaknya epoch pada proses training, serta karakteristik dari citra masukan

---

"

"Metode pengenalan wajah 3D pada penelitian ini merupakan metode baru menggunakan model geometri wajah dengan membangkitkan jarak garus wajah pada kondisi normal dengan berbagai pose horisontal dalam ruang eigen. Garis wajah dibangkitkan dengan menghubungkan titik-titik pada wajah. Titik-titik pada wajah diperoleh dengan membuat garis yang memiliki kemiringan 0, 45, 90 dan 125 dan melalui titik koordinat tertentu pada wajah serta memotong batas lingkar wajah. Reduksi dimensi matriks citra menggunakan Probability Principal Component Analysis (PPCA) dengan memaksimumkan fungsi likelihood. Algoritma untuk memaksimumkan fungsi likelihood adalah algoritma EM (Expectation Maximization Algorithm). Pembelajaran citra menggunakan jaringan syaraf tiruan Backpropagation. Hasil percobaan menunjukkan bahwa secara umum metode jarak garis wajah memiliki akkurasi tingkat pengenalan wajah lebih baik dan memiliki nilai Meas Square Error (MSE) yang lebih kecil dibandingkan dengan metode tingkat keabuan wajah."

"Metode pengenalan wajah 3D pada penelitian ini merupakan metode baru menggunakan model geometri wajah dengan membangkitkan jarak garis wajah pada kondisi normal dnegan berbagai pose horisontal dalam ruang eigen. Garis eajah dibangkitkan dengan menghubungkan titik-titik pada wajak. Titik-titik pada wajah diperoleh dengan membuat garis yang memiliki kemiringan 0, 45, 90 dan 135 dan melalui titik koordinat tertentu pada wajah serta memotong batas lingkar wajah. Rduksi dimensi matriks citra menggunakan Probability Principal Component Analysis (PPCA) dengan mamaksimumkan fungsi likelihood. Algoritma untuk memaksimumkan fungsi likelihood adalam algoritma EM (Expectation Maximization Algorithm). Pembelajaran citra menggunakan jaringan syarat tiruan Backpropagation. hasil percobaan menunjukkan bahwa secara umum metode wajah lebih baik dan memiliki nilai Mean Square Error (MSE) yang lebih kecil dibandingkan dengan metode tingkat keabuan wajah."

"Dalam Tugas Akhir ini digunakan sistem kendali yang merupakan gabungan antara pengendali jaringan syaraf dengan pengendali PID. Pengendali jaringan syaraf yang digunakan menggunakan sebuah jaringan syaraf lain yang berfungsi sebagai ideenrifier. Identifier di sini berfungsi untuk menghitung sinyal error bagi jaringan syaraf pengendali. 3aringan syaraf pengendali di sini berfungsi untuk memberikan sinyal koreksi bagi sinyal kendali pengendali PID untuk memperbaiki respon transien sistem. Dengan menggunakan kombinasi dua jenis pengendali seperti ini, diperoleh basil kendali dengan tanggapan yang eepat dan stabil, yang terlihat pada basil simulasi yang dilakukan."

"Saat ini pemeriksaan kualitas beras telah dilakukan secara manual oleh inspektur yang telah berpengalaman. Dengan cara ini memiliki kelemahan seperti: (1) adanya subjektivitas penilaian mutu antara pengamat yang satu dengan yang lain; (2) adanya kelelahan fisik jika pengamat bekerja terlalu lama, sehingga menyebabkan hasil pengamatan tidak konsisten, dan (3) waktu yang dibutuhkan untuk pengamatan mutu lebih lama. Sehubungan dengan permasalahan diatas, maka diperlukan cara untuk menentukan klasifikasi mutu beras dengan cepat, akurat dan mudah untuk dioperasikan, sehingga dapat meningkatkan efisiensi pengkelasan mutu fisik beras. Penelitian ini bertujuan untuk membuat sistem penunjang keputusan untuk menentukan klasifikasi mutu beras. Bahan baku yang digunakan adalah beras dari varietas Membramo. Citra beras diambil dengan menggunakan kamera digital dan diproses oleh teknologi pengolahan citra digital dan jaringan syaraf tiruan (JST). Model JST yang dikembangkan adalah 10 parameter input, 20 lapisan tersembunyi dan 4 target. Keempat target tersebut adalah butir utuh, butir kepala, butir patah dan menir. Hasil penelitian menunjukkan bahwa akurasi pelatihan adalah 99%, dan akurasi validasi 93,25%. Penelitian ini dapat dikembangkan untuk varietas padi yang berbeda, sehingga sistem penunjang keputusan dapat diterapkan tidak hanya untuk varietas Membramo, tetapi juga untuk berbagai jenis beras dari varietas yang berbeda. Aplikasi dari penelitian ini berupa perangkat lunak sistem penunjang keputusan yang secara langsung dapat digunakan untuk menguji kelas mutu beras Membramo."

"Penelitian ini bertujuan mendapatkan model jaringan saraf tiruan (JST) yang dapat mengklasifikasikan kualitas dan kuantitas spermatozoa pria infertil berdasarkan rekam medis. Metode: Data rekam medis pria infcrtil merupakan variahel masukan JST, variabel keluaran adalah kesimpuian dari hasil analisa semen. Arsitektur JST pada penelitian ini terdiri dari 3 lapis, yaitu I lapis masukan dengan 50 neuron, 1 lapis tersembunyi dengan 25 neuron dan I lapis keluaran dengan 7 neuron; inisiasi bobot ditcntukan secara random dengan Nguyen Widrow, fungsi transfer logsig; laju pembelajaran 0.2; momentum 0.2; target error 0,01 dan hasil JST dinilai dari recognition rate validasi. Hasil: Proses pembelajaran dengan parameter dasar tersebut tidak mencapai konvergen, total error 400, recognition rate training 16% dan validasi 21%. Selanjutnya dilakukan beberapa modifikasi varlabel masukan dan keluaran, antara lain: melakukan principal component analysis (PCA) pada data masukan, memilih variabel masukan berdasarkan korelasinya terhadap keluaran, mengurangi kelas keluaran, memvariasikan jumlah neuron lapis tersembunyi dan nilai laju pernbelajaran. Model JST yang terbaik menghasilkan recogniiion rate validasi sebesar 76%. Kesimpulan: Percobaan ini menghasilkan model JST yang dapat mengklasifikasikan kualitas dan kuantitas spennatozoa pria infertil berbasis data rekam medis. Pengembangan lebih lanjut diperlukan untuk mendapatkan model JST dengan hasil yang baik.

---

This research aims to develop a model of neur,al network (ANN)that can classify the quality and quantity of spermatozoa infertile men according to medical records.

Methods: Data from the medical records of infertile men is the ANN input variables, output variables are the conclusions from the results of semen analysis. ANN architecture in this study consisted of 3 layers, an input layer with 50 neurons. a hidden layer with 25 neurons and an output layer with 7 neurons; initiation is determined by random weights with Nguyen-Widrow, logsig transfer function; learning rate 0.2; momentum of0.2; target error 0.01 and the ANN resuit is assessed by recognition rate of validation.

Results: The learning process with the basic parameters did not reach convergence. the total error of 400, 16% recognition rate of training and validation of 21%. Further modifications made on input and output variables, such as: perform principal component analysis (PCA) on the input data, selecting the input variables based on the correlation of output, reducing the output class, varying the number of hidden layer neurons and learning rate values. The best ANN model produces va1idation recognition rate by 76%.

Conclusion: This experiment resulted ANN model that can classify the quality and quantity of spermatozoa infertile men based medical records. Further development is needed to get the ANN model with good results."