Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDalam bidang kriminal, pengenalan sidik jari membutuhkan banyak waktu dan tenaga, karena itu Lerbagai cara otomatisasi dilakukan untuk mempermudah serta mempercepat proses pengenalan sidik jari tersebut. Salah satu teknik otomatisasi untuk pengenalan sidik jari ini adalah dengan menggunakan komputer dan pemanfaatan aplikasi dad jaringan saraf buatan.Dalam skripsi ini digunakan proses otomatisasi dengan menggunakan gabungan dari proses-proses pengolahan citra dan jaringan saraf buatan. Citra sidik jari hasil scanning diolah dan diproses sehingga didapatkan ciri-ciri sidik jari bersangkutan, berupa kode arah rata-rata dan jumlah bifurkasi. Ciri-ciri ini kcmudian dimasukkan ke dalam suatu sistem jaringan saraf buatan untuk- proses pelatihan sehingga jaringan saraf tersebut dapat digunakan sebagai standar pembanding untuk proses identifikasi.Jaringan saraf yang dirancang dan diterapkan dalam skripsi ini adalah salah satu dari topologi jaringan saraf mulliiayer dengan algoritma pelatihan propagasi balik, karena dari hasil yang diperoleh telah menunjukkan proses pengenalan yang cukup akurat dan memakan waktu yang singkat.

---

"

"ABSTRAKSalah satu faktor penting dalam pengukuran kinerja jaringan sensor nirkabel adalah penentuan lokasi dari divais yang ingin dilacak. Received Signal Strength (RSS) merupakan faktor yang bisa menjadi tolok ukur dalam melakukan prediksi lokasi dari divais yang dilacak. Dalam penelitian ini, dilakukan prediksi lokasi (localizaton fingerprinting) dari divais ZigBee yangdilacak dengan menggunakan jaringan saraf tiruan. Pengolahan data oleh jaringan saraf menggunakan dua algoritma yang akan dibandingkan performanya, yaitu algoritma Levenberg Marquardt dan Resilient Backpropagation. Hasil penelitian ini memperlihatkan bahwa metode RSS fingerprinting mampu memprediksi koordinat divais ZigBee yang dilacak.Algoritma Levenberg Marquardt memiliki performa yang lebih baik dengan nilai akurasi rata-rata 96,41% dibanding algoritma Resilient Backpropagation dengan kesalahan rata-rata 94,52%.

---

ABSTRACTOne of many important factors in the performance of Wireless Sensor Network is the localization for tracked node. Received Signal Strength (RSS) is a factor that can be used to track device location. The method that will be used in this research is fingerprinting by Artificial Neural Networks. RSSI data processing by neural networks use two training algorithms, i.e. Levenberg-Marquardt algorithm and Resilient Backpropagation algorithm. The performance of these two algorithms have been evaluated. The result of this research shows that RSS fingerprinting method can predict the coordinate of tracked ZigBee device. Levenberg-Marquardt algorithm has a mean accuracy of 96.41%, which is better than the performance of Resilient Backpropagation algorithm with 94.52%."

"Skripsi ini membahas tentang Sistem Pengenalan Kendaraan dengan menggunakan Jaringan Saraf Tiruan (JST). Sistem yang digunakan bersifat off-line, dalam arti bahwa sistem tidak bekeda langsung pads saat kendaraan memasuki suatu tempat lalu sekaligus diambil citranya akan tetapi bekerja dengan pola citra statis kendaraan itu sendiri. Sistem jugs bersifat khusus dan terbatas hanya untuk mengenali 4 jenis kendaraan : sedan, jip, wagon dan mini. Sistem tidak dikembangkan untuk mengenali kendaraan dengan ukuran besar seperti trek dan bus. Jaringan yang dipakai pada skripsi ini disusun dengan topologi kaskade yang menggabungkan antara topologi JST Kohonen SOM dengan topologi JST Backpropagation. Kohonen SOM belajar dalam mode tak disupervisi, yang mampu melakukan proses pemisahan setup data masukan yang berlainan. Masing-masing data masukan dipetakan dengan data keluaran kemudian diajarkan kepada jaringan Backpropagation - bekerja dalam mode disupervisi -, yang kemudian mengingat pola pemetaan data masukan menjadi data keluaran tanpa melalui pendefirusian fungsi pemetaan. Dengan menggabungkan Kohonen SOM dan Backpropagation, diharapkan akaa aiperoleh hasil yang lebih balk daripada bila kedua topologi tersebut bekeda sendiri-sendiri."

"Tujuan: Tujuan dari penelitian ini adalah mendapatkan model jaringan saraf tiruan dengan algoritma pembelajaran backpropagation berdasarkan data masukan dari pola sidik jari penderita obesitas. Diharapkan model JST yang diperoleh dapat menjadi alat bantu diagnosis bagi para klinisi dalam mengidentifikasi kasus obesitas berdasarkan keturunan. Metode: Data dari pola sidik jari penderita obesitas dan data penunjang lainnya diuraikan menjadi variabel masakan Variabel keluaran ditentuknn berdasarkan kasus obesitas yang diderita oleh pasien. Kemudian data sampel dibagi dua yaitu data untuk training dan data untuk testing. Dengan menggunakan data training maka Metode Jaringan syaraf tiruan mempelajari pola sidik jari pendarita obesitas yang kemudian digunakan untuk memprediksi data testing. Akurasi identifikssi atau pengenalan pola sidik jari penderita obesitas akan sangat ditentukan oleh hasil prediksi algoritma jaringan syaraf tiruan terhadap data testing. Hasil: Dalam proses pemhelajaran dengan metode jaringan berbasil melakukan pengenal terhadap data training dengan error sebesar O,QI berhasil dicapai. Untuk prediksi polo sidik jari melalui data testing rata-rata keberhasilan adalah 71,82%. Angka prosentasi keberbasilan ini cukup baik dan depat dijadikan alat bantu bagi para praktisi medis di bidang obesitas dalam menentukan faktor keturunan dari penyakit obesitas. Kesimpulan: Percobaan ini menghasilkan model JST yang dapat diaplikasikan pada pengelan pola sidik jari pendarita obesitas. Rata-rata keberhasilan prediksi sebesar 71,82% dapat ditingkat dengan menambah data training bagi Metode Jaringan Saraf Tiruan.

---

Objective: The objective of this research is to obtain an artificial neural network model with backpropagation learning algorithm based on input data from the fingerprint pattern of the obese patients. It is expected that ANN models can be obtained as diagnostic tool for clinicians in identifying cases of obesity based on descent.

Methods: Data from the fingerprint pattern of obesity and other supporting data is decomposed into input variables. Output variable is determined on a case-obesity suffered by the patient Then the sampled data is divided into two data. One for training and other for testing. By using training data. the method of artificial neural networks learn the patterns of the obese fingerprint which is then used to predict the testing data. Accuracy of fingerprint pattern recognition of obesity will be detemined by the results of neural network algorithm prediction against testing data.

Results: In the learning process stage, Artificial Neural Network succceded in identifying a network of training with error 0.01 was achieved. For the prediction of fingerprint patterns through data testing success rate was 80%. The rate for the percentage of success is quite good and can be used as a tool for medical practitioners in the field of obesity in determining obesity cases base of genetic factor.

Conclusion: This experiment resulted ANN model that can be applied to the fingerprint pattern recognition of obese patients. The average prediction success of 71,82% would be increase if we can add more data for 1raining process for Neural Network Method."

"Skripsi ini membuat suatu perangkat lunak sistem pengklasifikasi jalan yang berbasis jaringan saraf tiruan. Ratio perbandingan Lalu lintas Harian Rata-rata Bulanan (LHRB) / Monthly Average Daily Traffic (MADT) dengan Lalu-lintas Harian Rata-rata Tahunan (LHR'I) / Annual Average Daily Traffic (AADT) digunakan sebagai komponen untuk tiap bulan dalam pola lalu lintas (traffic pattern) bulanan. Data ini kemudian dimasukkan ke sistem saraf tiruan untuk dikenah pola lalu lintas tiap bulannya selama sate tahun penuh (12 bulan). Sistem ini dapat mengenali pola lalu lintas yang lengkap maupun tidak lengkap dan mengelompokkan jalan-jalan yang memiliki pola lalu lintas yang mirip. Dengan pengklasifikasian ini maka dapat diperoleh informasi mengenai suatu kelas jalan yang memudahkan untuk konstruksi, perbaikan maupun pemeliharaan dari jalan tersebut. Jaringan saraf druan yang digunakan dalam tugas akhir ini memakai topologi jaringan propagasi balik (Backpropagation)."

"Dalam tulisan ini, dipaparkan hasil pengembangan system klasifikasi bentuk lengkung gigi berbasis algoritma propagasi balik jaringan saraf tiruan. Sejumlah fitur bentuk lengkung gigi dipilih sebagai input jaringan saraf tiruan berdasarkan hasil pengujian secara statistik terhadap variabel bentuk lengkung gigi. Piranti lunak dikembangkan terdiri dari sejumlah fitur yang digunakan untuk pengujian dan pelatihan JST, serta pengenalan bentuk lengkung berdasarkan parameter input yang diberikan oleh peng-guna. Eksperimen dilakukan terhadap data numerik hasil ekstraksi citra digital model cetakan lengkung gigi rahang atas sejumlah 190 orang pasien yang diambil secara acak. Citra lengkung gigi diperoleh dengan melakukan pemindaian terhadap model cetakan lengkung gigi tiga dimensi (3D) pasien ortodonti disejumlah klinik di Jakarta. Hasil uji coba menunjukkan bahwa 76,3158% berhasil diklasifikasikan dengan benar oleh sistem berbasis JST tersebut. Ke depannya sistem akan dikembangkan lebih optimal sehingga dapat digunakan untuk mendukung perawatan ortodonti.

---

AbstractIn this paper, dental arch form classification system using back propagation algorithm isproposed. Some features of dental arch are selected for neural network input based on statistical analysis to dependent variables of dental arch. The system contains some features for training and testing the neural network, and for recognizing the arch form based on input parameters. The experiment uses randomly selected data set contains 190 numerical data of upper dental arch that are extracted from dental modelimages. The images were obtained by scanning the original 3D dental models of Indonesian patient that were collected from some orthodontic clinics in Jakarta. This experimental result shows that 76,3158% of correctness in classifying the arch form can be reached by neural network system. The system can be applied for supporting the orthodontic treatment."

"Telah dilakukan penelitian berupa pengenalan kualitas fisika air mineral dengan tnenggunakan jaringan saraf tiruan. Ktralitas fisika air yang dikenalkan adalah intensitas cahaya dan deviasi temperatur air terhadap lingkungan. Tujuan penelitian ini adalah membangun sistem pengukur intensitas cahaya dan deviasi temperatur air terkomputerisasi yang diolah dengan algoritma jaringan saraf tiruan. Sensor suhti yang digunakan LM335 dengan kepekaan 10 inVC. Sedangkan detekior cahaya yang digunakan adalah LDR. Keluaran LM335 dan LDR dikuatkan oleh serangkaian OpAmp dengan masukan membalik. Komunikasi antarmuka dipilih ADC Card 12-bit produksi Decision Computer Int'l. Co. Pin 5 digunakan untuk komunikasi LM335, pin 6 digunakan untuk komunikasi LDR. Hasil bacaan suhu dan caliaya yang telah dikalibrasi ditampilkan ke dalam PC. Perangkat lunak ditulis dengan bahasa Delphi dan penajamon analisis data digunakan algoritma jaringan saraf tiruan. Arsitektur jaringan saraf tiruan yang digunakan mengikuti aturan n-2m-2n-m. Metode pernbelajaran yang dipakai perambatan batik (Back Propagation). Penelitian ini memberikan hasil yang cukup balk. Regresi linier terhadap data kalibrasi suhu menghasilkan persamaan digital = 0.0094 x suhu + 2,7328. Statistik regresinya, R2 = 0,9815. Sedangkan basil kalibrasi cahaya memberikan persamaan digital = 0.0109 x cahaya + 1.015. Statistik regresinya, R2 = 0.9684. Secara MUM, hasil pengujian jaringan saraf tiruan menyatakan bahwa target keluaran dapat tercapai dengan baik."

"Pada skripsi ini dibahas perancangan dan pembuatan suatu model mobil yang dapat bergerok tonpa pengontrolan manusia mengikuti jalan yang ada dihadapannya. Alat ini diberi nama Parikesit. Alat yang dibuat Ini merupakan salah satu dari penerapan salah satu jenis kecerdasan buatan, yaitu jaringan saraf tiruan dengan algoritma propagasi batik.Jaringan saraf tiruan pada skripsi ini berfungsi untuk mengenali bentuk jalan yang ditangkap oleh kamera. Kemudian hash dari pengenalan tersebut dlkirimkan ke mlkrokontroler 8032. Mikrokontroler inilah yang kemudian menggerakkan coda dari model mobil yang digunakan.Bentuk jalan yang dapat dkenali oleh jaringan saraf flan yang digunakan hanya jalan lurus dan tikungan 90 derajat. Demikian juga dengan manufer-manufer gerak yang diprogramkan untuk mikrokontroller 8032 hanya sebatas jalan lurus dan tikungan 90 derajat.Dari hasil uji coba yang dilakukan menunjukkan bahwa jaringan saraf tiruan cukup hondal untuk digunakan pods oplikasi sepetti yang dibuat pada skripsi ini. Hanya saja intensitas cahaya sangat berpengaruh pada keberhasilan dalam menetukan kelas, karena perangkai lunak yang dibuat belum dapat melakukan adaptasi terhadap Intensitas cahaya yang berbeda-beda."