Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam bidang pengenalan citra wajah dua dimensi telah diujikan sistemjaringan saraf tiruan hibrida (JST-Hibrida) dan Averaging Representation berbasiskan Eigenface dan Fisherface. Dalam pengujiannya, JST-Hibrida memiliki kemampuan pengenalan yang lebih buruk dibandingkan Averaging Representation. Dalam penelitiannya, penulis mengimplementasikan jaringan saraf tiruan propagasi balik (JST-PB) yang ternyata memiliki kemampuan pengenalan di atas JST-Hibrida dan Averaging Representation. Untuk meningkatkan kinerja jaringan dan sekaligus mengoptimasi struktur jaringan maka digunakan algoritma genetika untuk memangkas koneksi-koneksiyang tidak diperlukan. Algoritma genetika ternyata mampu menemukan solusi yang bagus dengan jumlah koneksi yang lebih kecil.Dalam pengujiannya dipergunakan berbagai citra wajah dua dimensidengan berbagai variasi ekspresi dan pencahayaan. Metode yang digunakan untuk mereduksi dimensi citra adalah metode Fisherface. Metode Fisherface dapat mengenali wajah, baik untuk berbagai variasi cahaya dan ekspresi wajah. Hasil pengujian menunjukkan bahwa Algoritma Genetika mampu meningkatkan kemampuan pengenalan JST-PB terhadap citra wajah dua dimensi."

"Sistem pengenal huruf tulisan tangan ini merupakan penelitian lanjutan dari tugas akhir Emanual Philipus D. Sistem Pengenal Huruf Tulisan Tangan ini menggunakan jaringan neural buatan PNN, logika fuzzy dan tehnik pengolahan citra. Huruf tulisan tangan dicari kerangka hurufnya menggunakan tehnik pengolahan citra dan aproksimasi kerangka untuk mendapatkan kerangka huruf yang paling mendekati bentuk kerangka sebenarnya, kemudian kerangka huruf itu dianggap sebagai directed graph yang memiliki kumpulan titik awal atau titik akhir dan titik cabang dan rusuk (edge). Rusuk-rusuk ini dikenali sebagai garis lurus, kurva atau loop menggunakan logika fuzzy. Sistem ini terdiri dari 3 tahapan besar, yaitu: pra-pengolahan yang bertujuan untuk mendapatkan kerangka huruf, klasifikasi huruf yang bertujuan mengenali elemen-elemen penyusun dan keterhubungan antar elemen-elemen tersebut dari huruf dan terakhir adalah tahap jaringan neural buatan pnn untuk mempelajari dan mengenali huruf-huruf tersebut berdasarkan informasi elemen-elemen penyusun dan keterhubungan antar elemen-elemen tersebut dari huruf tersebut. Sistem ini telah diuji dengan data yang tidak terlatih dan mendapatkan hasil pengenalan 9,8% - 25%. "

"Tesis ini meneliti metode pengklasifikasian menggunakan metode jaringan syaraf tiruan untuk mengklasifikasikan data aroma. Data aroma adalah data keluaran dari sistem penciuman elektronik. Penelitian ini merupakan lanjutan penelitian sebelumnya yaitu metode pengklasifikasian fuzzy-neuro learning vector quantization (fnlvq). Sebelumnya telah dikembangkan pula metode matrix similarity analysis (msa) guna menentukan kriteria pemberhentian algoritma fnlvq.Dalam penelitian ini akan dikembangkan dua metode fnlvq yang akan dioptimasikan dengan metode swarm intelligence yaitu fnlvq-particle swarm optimization (pso) dan metode swarm-fnlvq. Dengan menggunakan validasi silang, hasil dari penelitian ini menunjukkan bahwa rata-rata tingkat pengklasifikasian untuk aroma tiga campuran menggunakan fnlvq-pso sebesar 91% dan swarm-fnlvq sebesar 90% dimana kedua metode ini lebih baik daripada fnlvq yang sebesar 79% dan fnlvq-msa sebesar 77%.

---

This thesis examines a classification method based on artificial neural networks to classifying various mixture of fragrance which is the output of the electronic nose system. This research is a continuation research of earlier fuzzy-neuro learning vector quantization (fnlvq) classification method. Previously a matrix similarity analysis method is developed to determine a stopping criterion of fnlvq algorithms.

This research objective is to develops two modification fnlvq method based on swarm intelligence method namely fnlvq-particle swarm optimization (pso) and swarm-fnlvq methods. By using cross validation, this research showed that the average classification rate of fnlvq-pso is 91% whether swarm-fnlvq is 90%, this two methods is better than conventional fnlvq with 79% and fnlvq-msa at 77%."

"Pembelajaran pada jaringan syaraf tiruan (JST)n melibatkan banyak proses komputasi. Kemampuan JST melakukaan klasifikasi dengan benar menggunakan komposisi bobot hasil pembelajaran merupakan representasi keberhasilan pembelajaran."