Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"Penyakit jantung koroner adalah penyakit jantung yang paling mematikan sehingga perlu dilakukan diagnosa secara dini terhadap penyakit ini untuk keberhasilan pengobatan. Salah satu cara diagnosa awal penyakit jantung koroner yang dilakukan oleh dokter ahli jantung adalah melalui rekaman Elektrokardiografi (EKG). Deteksi penyakit jantung koroner dapat diotomasisasikan dengan membuat suatu perangkat lunak pengenalan pola EKG. Untuk kebutuhan ini diperlukan akurasi yang cukup tinggi sehingga mendapatkan hasil diagnosa awal yang tepat. Dalam penelitian ini akan dilakukan implementasi dan analisis performasi metode Jaringan syaraf tiruan Propagasi Balik dengan momentum untuk Pengenalan pola EKG Jantung koroner. Hasil pengujian menunjukan JST Propagasi balik RPROP dapat mengenalai pola EKG dengan tingkat akurasi 100% untuk citra latih dan 61.84% untuk citra uji."

"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."

"Dalam teori jaringan neural buatan (JNB) telah dikembangkan berbagai jenis jaringan neural yang berbeda. Diantaranya ada beberapa yang sudah cukup sering digunakan, misalnya jaringan propagasi balik dan jaringan swa-organisasi. Propagasi balik telah sukses digunakan untuk menyelesaikan berbagai permasalahan pengenalan, klasifikasi, aproksimasi, prediksi dan lain-lain. Namun jaringan propagasi balik membutuhkan waktu yang lama dalam pembelajarannya. Jaringan swa-organisasi mempunyai kemampuan klustering yang baik dan waktu pembelajaran yang singkat. Penelitian ini akan merancang sebuah jaringan hibrid dengan cara menggabungkan propagasi balik dan swa-organisasi untuk mendapatkan kemampuan pengenalan yang lebih baik dan waktu pembeiajaran yang lebih singkat. Jaringan hibrid yang terbentuk, terdiri dari 2 modul, yaitu: modul swa-organisasi adaptif dan modul supervisi. Modul swa-organisasi adaptif bersifat tanpa pengarahan dan bobot-bobotnya dikontrol oleh pola masukan. Modul supervisi yang bersifat dengan pengarahan diarahkan oleh target yang telah ditentukan. Karakteristik jaringan akan dilihat dengan kasus XOR. Kemampuan pengenalan jaringan diuji dengan menggunakan data aroma Martha Tilar dan konsentrasi etanol. Hasil penelitian menunjukkan jaringan hibrid dapat mengenali pola yang dilatihkan, pola yang tidak dilatihkan dan dapat mengidentifikasi kelas pola baru yang tidak diikutsertakan dalam pelatihan. Hasil perbandingan dengan jaringan propagasi balik standar memperlihatkan bahwa jaringan hibrid mempunyai kemampuan pengenalan yang lebih baik dan waktu pembelajaran yang lebih singkat."

"Jaringan syaraf tiruan (Arrgficial Neural Nerwork) merupakan salah satu bagian dari kecerdasan buatan (Artificial Intelligence) yang mengambil prinsip kerja jaringan syaraf manusia. Perhitungan propagasi balik (Back Propagartion) adalah algoritma belajar yang populer, yang merupakan generalisasi kaidah least square untuk jaringan syaraf berlapis jamak (Mulfflayer Neural Network). Proses aromatisasi heptana menjadi toluena, dengan nama hydroforming, telah dikembangkan ketika Perang Dunia II (World War II) dengan tujuan untuk mendapatkan bahan baku peledak. Kondisi operasi diatas sangatlah riskan dan penuh resiko. Pendeteksian yang akurat dan dini diperlukan guna mencegah kesalahan yang timbul, yang dapat mengakibatkan kerugian baik material maupun immaterial. Diagnosa kesalahan proses pada aromatisasi heptana dapat dilakukan dengan metode Jaringan Syaraf Tiruan Propagasi Balik (ANN/JNA BP) ini. Berdasarkan data lapangan (kondisi masukan dan kondisi keluaran), jaringan syaraf akan melakukan pembelajaran (learning) secara simultan dan kontinyu, yang pada akhirnya akan terbentuk sebuah pengetahuan. BP inilah metode ajar yang paling sederhana dan cocok sekali untuk diterapkan, karena sanggup mengenali pola (pattern recognition). Sebagai studi kasus, proses aromatisasi heptana, penerapan ANN/JNA BP yang diteliti oleh Watanabe dan Himmelblau dapat dibuktikan dengan baik pada skripsi ini. Model ANN/JNA BP dapat melakukan pengenalan pola dengan balk dimana toleransi error lebih kecil dari 0.001, dengan jumlah iterasi pelatihan lebih dari 5000 iterasi, dan waktu pelathan lebih dari 40 menit."

"Tujuan utama dari penelitian yang dilakukan adalah melakukan pengenalan pola isyarat tangan statis dalam bahasa Indonesia. Pengenalan pola isyarat tangan statis dalam bentuk citra secara garis besar dilakukan dalam 3 tahapan yang meliputi: 1) Segmentasi bagian citra yang akan dikenali berupa tangan dan wajah, 2) ekstraksi ciri, dan 3) klasifikasi pola. Data citra yang diterapkan ada 15 kelas kata isyarat statis. Segmentasi dilakukan dengan menggunakan filter HSVdengan ambang berdasarkan warna kulit. Ekstraksi ciri dilakukan dengan dekomposisi wavelet Haar filter sampai level 2. Klasifikasi dilakukan dengan menerapkan sistem jaringan syaraf tiruan perambatan balik dengan arsitektur 4096 neuron pada lapisan input, 75 neuron pada lapisan tersembunyi dan 15 neuron pada lapisan output. Sistem diuji dengan menggunakan 225 data validasi dan akurasi yang dicapai adalah 69%.

---

AbstractThe main objective of this research is to perform pattern recognition of static hand gesture in Indonesian sign language. Basically, pattern recognition of static hand gesture in the form of image had three phases include: 1) segmentation of the image that will be recognizable form of the hands and face, 2) feature extraction and 3) patternclassification. In this research, we used images data of 15 classes of words static. Segmentation is performed using HSV with a threshold filter based on skin color. Feature extraction performed withthe Haar wavelet decomposition filter to level 2. Classification is done by applying the back propagation system of neural network architecture with 4096 neurons in input layer, 75 neurons in hidden layer and 15 neurons in output layer. The system was tested by using 225 data validation and accuracy achieved was 69%."