Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam 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."

"Dalam skripsi ini dikembangkan suatu sistem analitis of}-line untuk mengenali tulisan tangan diskrit dengan menggunakanjaringan saraf buatan sebagai pengklasiftkasi. Pendekatan yang diambil adalah dengan melakukan pra-pengolahan terlebih dahuiu terhadap citra masukan, dan mengekstraksi beberapa ciri sebelum dimasukkan ke dalam jaringan saraf. Ciri yang digunakan tidak terlalu banyak yaitu 72 buah, dan diambil dari berbagai jenis kategori yaitu ciri global, lokal, tipografis, dan topologis. Jaringan saraf buatan yang digunakan dalam skripsi ini ada tiga buah yaitu jaringan huruf kecil, jaringan huruf besar, dan jaringan ACON (All Class in One Network) yang merupakan sebuah jaringan tunggal yang menangani semua kelas keluaran baik huruf besar maupun huruf kecil. Setiap node pada ketiga jaringan tersebut menggunakan fungsi aktivasi sigmoid dengan jangkauan keluaran [45, 0.5]. Pelatihan dilakukan dengan algoritma propagasi balik online (online backpropagation) untuk meminimumkan fungsi kesalahan cross-entropy. Dalam skripsi ini akan dibandingkan kemampuan generalisasi antara jaringan ACON dengan jaringan subclass yang terbentuk dari jaringan huruf besar dan jaringan huruf kecil. Pengujian juga dilakukan untuk melihat kemampuan sistem untuk mengenali citra masukan yang telah transformasi skala."

"ABSTRAKPengendali Optimal Waktu mempunyai unjuk kerja waktu yang paling baik dibanding pengendali manapun dalam sistem kendali. Kelebihan ini diimbangi dengan rumitnya proses perancangan yang memerlukan perhitungan analitis. Kemampuan beiajar dari Jaringan Saraf Buatan digunakan untuk menemukan pengendali yang mendekati Pengendali Optimal Waktu tanpa melihat perhitungan analitis dari sistem kendali optimal. Pelatihan yang dilakukan oleh Jaringan Saraf Buatan adalah mencari waktu minimum yang diperlukan dalam meminimalkan galat state akhir. Proses pelatihan dilakukan dengan menggunakan bantuan beberapa state awal untuk mempelajari berbagai keadaan_ Setelah proses pelatihan selesai, Jaringan Saraf Buatan baru dapat disebut sebagai pengendali dan dapat digunakan untuk mengendalikan sembarang state awal. Uji coba dilakukan untuk plant tinier orde 2 clan 3. Dengan membandingkan settling time dari Pengendali Jaringan Saraf Buatan dengan Pengendali Optimal Waktu terlihat bahwa Pengendali Jaringan Saraf Buatan dapat mempelajari aksi kontrol dan melakukan perbaikan respon waktu mendekati Pengendali Optimal Waktu.

---

"