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%. "

"

Berbagai metode pengembangan rekognisi citra wajah telah banyak dilakukan, berbagai metode seperti Deep Learning, Multilayer Perceptron sudah dilakukan. Metode Convolutional Neural Network juga sudah banyak dikembangkan untuk melakukan klasifikasi citra seperti rekognisi jenis bunga, hewan, hingga pendeteksian kecacatan sel. Convolutional Neural Network diharapkan mampu melakukan rekognisi citra wajah secara tiga dimensi. Operasi konvolusi sebagai bagian ekstraksi fitur pada Convolutional Neural Network, diharapkan dapat membantu bagian klasifikasi untuk melakukan tugasnya dengan lebih baik. Rekognisi citra wajah secara tiga dimensi ini sangat dibutuhkan, karena ketika kita ingin mendeteksi seseorang tanpa diketahui orang tersebut, maka dengan berbagai macam sudut hadap wajahnya sistem harus dapat mengidentifikasi orang tersebut. Untuk penelitian kali ini saya akan menggunakan dataset gambar wajah tiga dimensi yang akan digunakan sebagai klasifikasi parameter biometrik seseorang. Pada penelitian ini akan menganalisa tiap-tiap lapisan pada Convolutional Neural Network, serta melakukan perbandingan dengan Backpropagation Neural Network. Dan juga akan melakukan analisa dengan menggunakan citra wajah berderau.

---

Various methods of developing facial image recognition have been carried out, various methods such as Deep Learning and Radial Basis Function Neural Network have been carried out. Convolutional Neural Network methods have also been developed to carry out image classifications such as recognition of types of flowers, animals, and detection of cell defects. Convolutional Neural Network is expected to be able to recognize facial images in three dimensions. Convolution operations as a feature extraction part of the Convolutional Neural Network are expected to help the classification section to do their job better. Three-dimensional face image recognition is needed, because when we want to detect someone without knowing by the person, then with a variety of face angles, the system must be able to identify that person. For this research I will use a three-dimensional face image dataset that will be used as a classification of a persons biometric parameters. In this study, we will analyze each layer in the Convolutional Neural Network, do a comparison with Backpropagation Neural Network. And also will do the analysis by using a noisy face image.

"

"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."

"Diabetes mellitus merupakan salah satu penyakit tidak menular dengan angka kematian tertinggi di dunia. Hal ini terjadi karena tingginya resiko komplikasi yang disebabkan pernyakit tersebut. Salah satu cara pencegahan yang dapat dilakukan adalah dengan melakukan pendeteksian lebih awal, salah satunya dengan menggunakan metode iridologi. Metode ini dapat mendeteksi kerusakan organ tubuh melalui tanda-tanda yang muncul pada iris. Dengan menggunakan metode tersebut penelitian ini dilakukan untuk mengklasifikasi penyakit diabetes menggunakan Convolutional Neural Network. Sistem ini mengevaluasi sebanyak 35 subjek normal dan 14 subjek diabetes. Adapun beberapa tahapan yang dilakukan untuk mengelola citra, di antaranya filtering, grayscaling, normalisasi, segmentasi, dan klasifikasi. Selain itu, sistem ini juga melakukan berbagai variasi untuk memperoleh konfigurasi terbaik, seperti variasi citra segmentasi dan tanpa segmentasi, variasi lebar iris, variasi bagian-bagian pankreas, variasi jumlah k-fold, dan variasi algoritma pengoptimalan menggunakan SGDM, Adam dan RMSProp. Sistem ini memperoleh akurasi sebesar 96,43% dengan variasi citra tanpa segmentasi berukuran  piksel menggunakan algoritma Adam dengan learning rate 0,001.

---

Diabetes mellitus is one of the uncontagious diseases with the highest mortality rate in the world. This happens because of the high risk of complications caused by this disease. One of the preventative ways is to do early detection, one of which is by using the iridology method. This method detects damage to the body's organs through the signs that appear on the iris. Using that method, this study was conducted to classify diabetes using Convolutional Neural Network. This system evaluates 35 normal subjects and 14 diabetes subjects. Several steps are taken to process the image, such as filtering, grayscaling, normalization, segmentation, and classification. Other than that, this system also performs various variations to obtain the best configuration, such as variations in image segmentation and without segmentation, variations in iris width, variations in parts of the pancreas, variations in the number of k-fold, and variations in optimization algorithms using SGDM, Adam and RMSProp. This system obtained an accuracy of 96.43% with variations image without segmentation size pixel using Adam's algorithm with a learning rate of 0.001."

"Skripsi ini bertujuan untuk mengoptimalkan korelasi antara Transformasi Paket Wavelet dan jaringan Syaraf Tiruan topologi propagasi-balik umpan-maju dengan menggunakan pendekatan tingkah laku manusia dalam memahami obyek yang diamati. Tingkah laku ini dapat bersifat obyektif maupun subyektif tergantung dari keadaan dan tujuan pengamatan tersebut. Parameter obyektif menggunakan seluruh ciri sebagai dasar dalam melakukan klasiflkasi, sedangkan parsmeter subjektif hanya memanfaatkan ciri-ciri yang sesuai untuk memenuhi klasifikasi.Hasil pengujian yang dilakukan menunjukkan bahwa tingkat keakuratan berkisar antara 92,861% - 97,86% jika digunakan untuk mengklasifikasikan obyek bidang datar. Sedangkan untuk tekstur antara 94,37% - 98,444%. Kemampuan perangkat lunak untuk mengenal obyek yang mengalami gangguan, yaitu maksimum sebesar 96% pada obyek yang tertranslasi, 90% pada obyek terrotasi, dan 92% pada obyek yang mengalami noise. Selain dari pada itu, kecepatan pembelajaran menjadi sangat singkat dengan rata-rata iterasi maksimal sebanyak 9134,8 kali dan waktu rata-rata kurang dari 261,726 detik.Pengujian keseluruhan memberikan kesimpulan bahwa penambahan informasi-informasi tertentu yang berkaitan dengan ciri-ciri obyek, akan membantu dalam menghasilkan pembelajaran yang optimal dan pendeteksian yang maksimal."

"Penelitian dan pengembangan teknologi semakin berkesinambungan seiring giatnya eksplorasi di bidang sumber daya kelautan. Teknologi hidroakustik berperan besar khususnya dalam meningkatkan produksi ikan laut. Selain itu juga dikembangkan metode penelitian lain, misalnya proses pengidentifikasi spesies dalam sekelompok kawanan ikan (schooling).Analisis difokuskan dalam hal pengolahan citra dari schooling yang datanya diambil dari hasil survei akustik dan observasi yang dilakukan Badan Penelitian Kelautan dan Perikanan. Data yang berbentuk citra ini tak lain adalah representasi target strength (koefisen pantul) dari sekelompok ikan, yang berikutnya diolah melalui konsep image processing dengan metode Jaringan Syaraf Tiruan (JST) pada MATLAB. JST disini berfungsi sebagai sebuah metode yang akan mengklasifikasi spesies yang data inputnya diambil dari nilai rata-rata matriks masing-masing citra schooling. Hasil klasifikasi selanjutnya akan langsung diidentifikasi untuk memastikan bahwa tingkat keakuratan dari sampel data pasca klasifikasi benar-benar terlihat.Diharapkan metode ini akan menjadi sebuah alternatif yang cukup baik dalam menjawab berbagai permasalahan berkaitan dengan penelitian dan pendeteksian bawah air (hidroakustik).

---

Development of fishery and marine resources hydoacoustic technology has significant role for fish production improvement. It also develops other research method such as species in schooling of fish identification process.

The analysis is focused on images processing of fish schooling where the data is taken from the result of acoustic survey and observation by Fisheries and Marine Research Group. Data, as images that represents the coefficient of target strength of fish schoolings, processed by using images processing concepts with neural network and programmed in MATLAB. Neural Network has a function as method which will classify the species from its input data is taken from matrix averages of each schooling images. Clasification results would be identified directly to ensure the accuration level of this experiment is really seen.

Hopeful, this method could be an alternative of some problems related to the research and underwater detection (hydroacoustic)."

"Probabilistic Neural Network (PNN) adalah salah satu tipe jaringan neural yang umum digunakan untuk memecahkan permasalahan klasifikasi pola. Disamping struktur jaringan dan metode pelatihan yang sederhana, PNN memiliki kelemahan utama yaitu dalam menentukan struktur jaringan yang terdiri dari penentuan nilai para meter smoothing dan jumalh neuron yang di gunakan pada lapisan pola . Dengan adanya kelemahan ini beberapa peneliti mengajukan algoritma Supervised PNN structure Determination (SPNN) dengan tujuan untuk mempermudah penentuan struktur PNN. Akan tetapi dalam implementasi iteratif yang telah di laporkan , SPNN masih memerlukan waktu komputasi yang cukup lama untuk menentukan struktur PNN yang baik. Makalah ini menjelaskan usaha perbaikan kinerja waktu proses implementasi SPNN dengan memperhatikan bagian-bagian proses yang independent serta memodifikasi algoritmanya untuk dapat diterapkan pemrosesan secara paralel. Hasil eksperimen menunjukkan percepatan yang cukup berarti."