Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAK

Kanker Payudara (KPD) merupakan salah satu penyakit penyebab kematian terbesar. Indonesia merupakan negara dengan jumlah KPD cukup besar. KPD ini merupakan benjolan. Benjolan ini dapat diperiksa menggunakan cara manual yaitu diraba bagian dekat dengan putting susu. Jika benjolan tidak kunjung mengecil dianjurkan untuk memeriksa ke dokter. Pendektesian KPD ini dapat dilakukan dengan menggunakan proses pencitraan. Data yang digunakan pada penelitian ini diambil dari website Pilot European Image Processing Archive (PEIPA) yaitu dataset Mammographic Image Analysis Society (MIAS). Pendektesian dilakukan dengan menganalisa gambar payudara (mammography) pasien dengan menggunakan metode Principal Component Analysis (PCA) mengubah gambar dalam bentuk matriks. Matriks ini akan digunakan sebagai data yang akan digunakan dalam Neural Network (jaringan saraf tiruan) dengan metode Backpropagation Neural Network (BNN). Dari hasil Percobaan dapat diketahui bahwa metode ini menghasilkan nilai akurasi pembelajaran dari deep learning supervised sebesar 98%.

---

ABSTRACTBreast Cancer is one of the biggest causes of death. Indonesia is a country with a large number of KPDs. This KPD is a lump. This lump can be examined using a manual method that is palpated near the nipple. If the lump does not go away it is recommended to see a doctor. This breast cancer assessment can be done using the imaging process. . The data used in this study was taken from the website of the Pilot European Image Processing Archive (PEIPA) namely the Mammographic Image Analysis Society (MIAS) dataset. The assessment is done by analyzing the breast image (mammography) of the patient using the Principal Component Analysis (PCA) method to change the image in the form of a matrix. This matrix will be used as data to be used in Neural Networks with the Backpropagation Neural Network (BNN) method. From the results of the Experiment it can be seen that this method produces the value of accuracy of learning from supervised deep learning about 98%.

"

"Luasnya dampak negatif gangguan depresi terhadap kehidupan seseorang membawa urgensi akan pentingnya metode diagnosis yang akurat dan objektif agar bisa menerapkan langkah pengobatan yang cepat pada pasien yang depresi. Metode diagnosis gangguan depresi yang berbasis kuesioner atau wawancara berpotensi subyektif, karena pasien bisa saja tidak menceritakan dengan detail kondisi yang dialaminya. EEG dapat menjadi sarana alternatif untuk mencapai diagnosis yang akurat dan objektif tersebut. Sinyal EEG mengandung banyak fitur yang dapat diekstrak dengan mudah, contohnya Relative Power Ratio (RPR). Penelitian ini mengekstrak fitur RPR dari sinyal EEG dengan menggunakan dua metode, yaitu STFT (Short-Time Fourier Transform) dan PSD (Power Spectral Density) dari 14 elektroda EEG yang tersedia. Fitur RPR yang diekstrak akan direduksi menggunakan algoritma PCA (Principal Component Analysis) ke dalam dimensi yang lebih rendah dengan tetap mempertahankan variansi (informasi) fitur sebesar 90%. Model ANN (Artificial Neural Network) dengan jenis FNN (Feedforward Neural Network) digunakan untuk klasifikasi pasien yang sehat dengan yang depresi. Dampak dari algoritma PCA akan dilihat pada performa model FNN dan lama waktu pelatihan yang dibutuhkan model FNN. Performa model yang akan diukur adalah akurasi, sensitivitas dan spesifisitas. Performa model akan divalidasi menggunakan 10-Fold Validation yang dijalankan sebanyak 10 iterasi. PCA berhasil mereduksi dimensi fitur RPR sebesar 57.1% dengan metode PSD dan 57.1% dengan metode STFT. Akurasi tertinggi yang didapatkan model FNN adalah 69.5% ketika menerapkan algoritma PCA pada RPR metode PSD, dan 68% ketika menerapkan algoritma PCA pada fitur RPR metode STFT. Penerapan PCA pada fitur RPR menurunkan waktu pelatihan model sebesar 6.33% dengan metode PSD dan sebesar 42.56% dengan metode STFT. Performa model FNN lebih baik setelah penerapan PCA dibandingkan dengan menggunakan fitur RPR langsung ke dalam model FNN. Hal ini menunjukkan bahwa PCA memiliki potensi untuk menurunkan waktu pelatihan model FNN dengan tetap mempertahankan performa model FNN.

---

The extent of the negative impact of depressive disorder on a person’s life raises the urgency of the importance of an accurate and objective diagnostic method to quickly apply treatment steps for depressive patients. Diagnostic method that based on questionnaire and interview has the potential to be subjective, because the patient might be not fully explain his condition. EEG or Electroencephalography could be an alternative way to achieve the accurate and objective diagnostic. EEG signal has many features that can be extracted easily, for example the Relative Power Ratio. This research extracted RPR features from EEG signal by implementing two methods, STFT (Short-Time Fourier Transform) and PSD (Power Spectral Density) from 14 available EEG electrodes. The extracted RPR features will be reduced by using PCA algorithm to a lower dimension while still retaining 90% variance (information) from the features. ANN (Artificial Neural Network) with the type of FNN (Feedforward Neural Network) will be used to classify healthy patients with depressed patients. The effect of PCA algorithm will be seen on the FNN model’s performances and on the training duration of the FNN model. Model’s performances that will be measured are accuracy, sensitivity, and specificity. Model’s performances will be validated by using 10-Fold Validation which will be executed for 10 iterations. PCA managed to reduce 57.1% RPR features’ dimensions by using PSD method and 57.1% by using STFT method. The highest accuracy achieved by FNN model is 69.5% when implementing PCA algorithm to the RPR features from the PSD method, and 68% when implementing PCA algorithm to the RPR features from STFT method. The implementation of PCA to the RPR features managed to reduce 6.33% training duration of FNN model for the PSD method and 42.56% for the STFT method. Better FNN model’s performances are shown after the implementation of PCA algorithm compared to when using the RPR features directly to the FNN model. This shows that PCA has a potential of reducing the training duration of the FNN model while still retaining FNN model’s performances."

"Backpropagation neural network backpropagation adalah salah satu algoritma machine learning yang dapat digunakan untuk melakukan klasifikasi data. Klasifikasi data dilakukan dalan serangkaian proses training dan testing. Pada akhir proses testing yang juga merupakan akhir dari proses backpropagation, akan didapatkan nilai recognition rate. Nilai recognition rate merupakan nilai yang menandakan banyaknya data yang berhasil diklasifikasi dengan benar pada proses testing terhadap seluruh testing dataset. Recognition rate erat kaitannya dengan masalah underfitting, overfitting, local minima, dan local maxima. Keempat masalah ini menyebabkan nilai recognition rate yang didapatkan kurang optimal. Namun biasanya untuk menangani keempat masalah ini dilakukan pengaturan pada beberapa paramter, misalnya learning rate, momentum, jumlah layer, jumlah nodes, weights, dan lain-lain. Pada tulisan ini akan dijelaskan program optimasi yang melakukan pengaturan pada nilai inisialisasi weights untuk menangani keempat tersebut. Program ini melakukan inisialisasi weights menggunakan genetic algorithm pada backpropagation yang mengimplementasikan k-fold crossvalidation. Untuk menguji dan membandingkan program optimasi terhadap program implementasi backpropagation yang tidak dioptimasi program non-optimasi, digunakan empat dataset, yaitu iris flower dataset, seeds dataset, wine dataset, dan EEG dataset buatan. Pada akhir pengujian didapatkan hasil bahwa program optimasi berhasil mendapatkan nilai recognition rate lebih tinggi pada iris flower dataset, yaitu 97.33 pada program optimasi dan 96.67 pada program non-optimasi. Kemudian didapatkan pula nilai recognition rate yang lebih tinggi pada seeds dataset, yaitu 93.33 pada program optimasi dan 92.86 pada program non-optimasi. Lalu didapatkan pula nilai recognition rate yang lebih tinggi pada EEG dataset buatan, yaitu 37.5 pada program optimasi dan 35.94 pada program non-optimasi. Sedangkan pada wine dataset didapatkan nilai recognition rate yang sama antara program optimasi dan program non-optimasi, yaitu 99.44.

---

Backpropagation neural network backpropagation is one of machine learning algorithms that can be used to classify data. The data classification is done in a series of trainig and testing processes. At the end of testing process that is also the end of backpropagation process, the algorithm will produce recognition rate value. Recognition rate value indicates the total of correctly classified data in testing process againts all data in testing dataset. Recognition rate value related to underfitting, overfitting, local minima, and local maxima problems. However, to handle these problems adjusting some parameters are necessary to be done. These parameters are learning rate, momentum, number of layers, number of nodes, weights, etc. In this writting will be explained an optimization program that adjusts the initialization values of weights to handle those four problems. This program initializes weights using genetic algorithm on backpropagation implementing k fold crossvalidation. To test and compare the optimization program with a program that implements backpropagation without optimization non optimzation program four datasets will be used, those are iris flower dataset, seeds dataset, wine dataset, and artificial EEG dataset. At the end of the test, the results show that optimization program obtained higher recognition rate value on iris flower dataset, that is 97.33 on optimization program againts 96.67 on non optimization program. Other than that, optimization program obtained higher recognition rate value on seeds dataset, that is 93.33 on optimization program againts 92.86 on non optimization program. Also, optimization program obtained higher recognition rate value on artificial EEG dataset, that is 37.5 on optimization program againts 35.94 on non optimization program. However, the optimization program obtained an equal recognition rate value on wine dataset, that is 99.44."

"Pilar adalah unit struktural penting yang digunakan untuk memastikan keselamatan penambangan di tambang batuan keras bawah tanah. Oleh karena itu, prediksi yang tepat mengenai stabilitas pilar bawah tanah sangat diperlukan. Salah satu indeks umum yang sering digunakan untuk menilai stabilitas pilar adalah Safety Factor (SF). Sayangnya, batasan penilaian stabilitas pilar menggunakan SF masih sangat kaku dan kurang dapat diandalkan. Penelitian ini menyajikan aplikasi baru dari Artificial Neural Network-Backpropagation (ANN-BP) dan Deep Ensemble Learning untuk klasifikasi stabilitas pilar. Terdapat tiga jenis ANN-BP yang digunakan untuk klasifikasi stabilitas pilar dibedakan berdasarkan activation function-nya, yaitu ANN-BP ReLU, ANN-BP ELU, dan ANN-BP GELU. Dalam penelitian ini juga disajikan alternatif pelabelan baru stabilitas pilar dengan mempertimbangkan kesesuaiannya dengan SF. Stabilitas pilar diperluas menjadi empat kategori, yaitu failed dengan safety factor yang sesuai, intact dengan safety factor yang sesuai, failed dengan safety factor yang tidak sesuai, dan intact dengan safety factor yang tidak sesuai. Terdapat lima input yang digunakan untuk setiap model, yaitu pillar width, mining height, bord width, depth to floor, dan ratio. Hasil penelitian menunjukkan bahwa model ANN-BP dengan Ensemble Learning dapat meningkatkan performa ANN-BP dengan average accuracy menjadi 86,48% dan nilai F2 menjadi 96,35% untuk kategori failed dengan safety factor yang tidak sesuai.

---

Pillars are important structural units used to ensure mining safety in underground hard rock mines. Therefore, precise predictions regarding the stability of underground pillars are required. One common index that is often used to assess pillar stability is the Safety Factor (SF). Unfortunately, such crisp boundaries in pillar stability assessment using SF are unreliable. This paper presents a novel application of Artificial Neural Network-Backpropagation (ANN-BP) and Deep Ensemble Learning for pillar stability classification. There are three types of ANN-BP used for the classification of pillar stability distinguished by their activation functions: ANN-BP ReLU, ANN-BP ELU, and ANN-BP GELU. This research also presents a new labeling alternative for pillar stability by considering its suitability with the SF. Thus, pillar stability is expanded into four categories: failed with a suitable safety factor, intact with a suitable safety factor, failed without a suitable safety factor, and intact without a suitable safety factor. There are five inputs used for each model: pillar width, mining height, bord width, depth to floor, and ratio. The results showed that the ANN-BP model with Ensemble Learning could improve ANN-BP performance with an average accuracy of 86.48% and an F2-score of 96.35% for the category of failed with a suitable safety factor."

"Proses segmentasi organ secara manual memakan waktu dan hasilnya subyektif terhadap definisi batas-batas kontur. Pemanfaatan teknologi Machine Learning (ML) berjenis 3D convolutional neural network (3D CNN) untuk mensegmentasi organ secara otomatis dapat mempercepat dan menstandarisasi hasil segmentasi organ. Penelitian ini mengimplementasilan network ML berbasis VoxResNet dan memanfaatkan 60 dataset CT Scan toraks dari Grand Callenge AAPM 2017 untuk melatih, memvalidasi, dan menguji model-model ML dengan berbagai variasi hyperparameter. Pengaruh variasi hyperparameter terhadap hasil segmentasi model juga dipelajari. Dataset dibagi menjadi 3 yaitu, 36 untuk perlatihan, 12 untuk validasi, dan 12 untuk pengujian. Dalam penelitian ini paru-paru kiri dan paru-paru kanan dijadikan satu jenis OAR bernama paru-paru, esophagus dan spinal cord dijadikan satu OAR bernama ESP, sedangkan jantung tetap OAR tersendiri. Variasi hyperparameter adalah variasi ukuran patch, jumlah batch, dan weight class. Hasil segmentasi model-model dievaluasi dan diperbandingkan untuk mencari model terbaik dengan hyperparameter-nya yang mampu menghasilkan kualitas hasil segmentasi organ terbaik. Kemampuan network dalam proses perlatihan dan validasi dievaluasi menggunakan kurva pembelajaran. Kualitas hasil segmentasi model organ dievaluasi menggunakan boxplot distribusi populasi nilai metrik Dice Similiarity Coefficient (DSC) dan Housdorf Distance (HD) setiap slice. Peningkatan atau penurunan kinerja model akibat variasi hyperparameter dinilai menggunakan skor peningkatan metrik. Terakhir, metrik DSC dan HD95 secara 3D hasil segmentasi model terbaik dibandingkan dengan hasil segmentasi oleh interrater variability AAPM 2017 dan hasil segmentasi team virginia. Hasil kurva pembelajaran tidak mengalami underfitting menunjukkan bahwa network mampu mempelajari data perlatihan dengan baik. Overfitting terjadi pada model organ jantung dan ESP. Hasil eksperimen variasi ukuran patch menunjukkan bahwa besar ukuran patch tidak selalu linier dengan kinerja moukuran patch menunjukkan bahwa besar ukuran patch tidak selalu linier dengan kinerja model. Model ukuran patch tengah memberikan kualitas distribusi metrik dan skor paling baik dibandingkan model ukuran patch terkecil dan terbesar pada semua OAR dengan skor 11, 13, dan 13 dari 16. Hasil eksperimen variasi jumlah batch menunjukkan bahwa peningkatan jumlah batch tidak selalu berdampak positif terhadap kinerja model. Untuk model jantung ukuran patch terbesar, peningkatan batch dapat meningkatkan skor dari 2 menjadi 12. Untuk model ESP ukuran patch terbesar, peningkatan batch menurunkan skor dari 13 menjadi 2. Hasil eksperimen variasi weight class (W) menunjukkan bahwa baik model jantung maupun ESP cenderung memberikan distribusi metrik dan skor terbaik di sekitar W = [1,3.67] atau W = [1, C1 < 11]. Dibandingkan dengan interrater variability AAPM, model jantung terbaik menghasilkan nilai metrik yang comparable, yaitu untuk DSC 3D 0.932 ± 0.016 = 0.931 ± 0.015 dan untuk HD95 4.00 ± 0.25 < 6.42 ± 1.82. Sedangkan untuk model paru-paru memberikan metrik lebih baik, yaitu 0.964 ± 0.025 > 0.956 ± 0,019 dan 4,72± 0,21 < 6.71 ± 3,91. Dibandingkan dengan team virginia, model jantung terbaik berhasil memberikan nilai metrik yang lebih baik. yaitu 0.932 ± 0.016 > 0.925 ± 0.015 dan 4.00 ± 0.25 < 6.57 ± 1.50, sedangkan model ESP terbaik menghasilkan metrik yang comparable, yaitu 0.815 ± 0.049 = 0,810 ± 0,069 dan 4,68 ± 0,17 < 8,71 ± 10,59. Dari hasil-hasil ini memberikan potensi adanya perpaduan ukuran patch, jumlah batch, dan weight class tertentu yang dapat menyebabkan hasil segmentasi model ukuran patch lebih kecil dapat mengimbangi hasil segmentasi model ukuran patch lebih besar sehingga tuntutan akan perangkat dengan spesifikasi tinggi dan mahal dapat berkurang.

---

The process of manual organ segmentation is time consuming and the results are subjective in term of definition of contour boundaries. The utilization of Machine Learning (ML) technology using 3D convolutional neural network (3D CNN) to segment organs automatically can speed up the procces as well as standardizing the results of organ segmentation. This study implements a VoxResNet-based ML network and utilizes 60 thoracic CT scan datasets obtained from Grand Callenge AAPM 2017 to train, validate, and test ML models with various hyperparameter variations. The effects of hyperparameter variations on the segmentation results of models are also studied. The dataset is divided into 3 parts, namely 36 for training, 12 for validation, and 12 for testing. In this study the left lung and right lung were combined into one type of OAR called the lung, the esophagus and spinal cord were combined into one OAR called ESP, while the heart remained a separate OAR. Hyperparameter variations are variations in patch size, number of batches, and weight loss. The segmentation results of the models are evaluated and compared each other to find the best model and it’s hyperparameters which is able to produce the best segmentation’s quality. The ability of the network in training and validation procceses is evaluated using learning curve. The quality of the organ model’s segmentation results is evaluated using boxplot of population’s distribution of the Dice Similiarity Coefficient (DSC) and Housdorf Distance (HD) metrics for each slice. The increases or decreases in model performance due to variations in hyperparameters are assessed using the metric improvement score. Finally, the 3D DSC and HD95 metrics of the best model’s segmentation results are compared to the results of segmentation by the AAPM 2017’s interrater variability and to the segmentation results by team virginia. There is no underfitting of learning curve indicates that the network is able to learn the training data. Overfitting occurs in the heart and ESP models. The experimental results from patch size variations show that the size of the patch is not always linear with the performance of the model. The middle patch sized models give the best metric distribution’s quality as well as scores compared to the smallest and largest patch sized models for all OARs with scores of 11, 13, and 13 out of 16. The experimental results from batch number variations show that an increase in batch does not always have a positive impact on model performance. For the largest patch sized heart’s model, the increase increases the score from 2 to 12. For the largest patch sized ESP's model, the increase reduces the score from 13 to 2. The results from variations in weight loss (W) experiment show that both heart’s and ESP's models tend to provide the best distributions in term of metrics and scores around W = [1, 3.67] or W = [1, C1 < 11]. By comparing with AAPM's interrater’s variability, the best heart model produces comparable metric's result, that is 0.932 ± 0.016 = 0.931 ± 0.015 for DSC 3D and 4.00 ± 0.25 < 6.42 ± 1.82 for HD95. The best lungs model produces better metrics, that is 0.964 ± 0.025 > 0.956 ± 0,019 and 4,72 ± 0,21 < 6.71 ± 3,91. By comparing with team virginia's results, the best heart model produces better results that is 0.932 ± 0.016 > 0.925 ± 0.015 and 4.00 ± 0.25 < 6.57 ± 1.50. Meanwhile the best ESP model produces comparable results that is 0.815 ± 0.049 = 0,810 ± 0,069 and 4,68 ± 0,17 < 8,71 ± 10,59. The results of this study suggests that there is a certain combination of patch size, batch, and weight class by which enables smaller patch sized model to produce comparable metric's result produced by larger patch sized model thus decreasing the need to use higher specificationed and expensive computer."

"Memprediksi Pergerakan Harga Saham selalu menjadi isu yang menarik dan memiliki implikasi yang signifikan dalam membuat keputusan investasi, khususnya di Bursa Efek Indonesia sebagai pasar yang menggeliat. Penelitian membahas prediksi pergerakan harga saham dengan menggunakan Artificial Neural Network (ANN) atau jaringan syaraf tiruan dan Box-Jenkins Autoregressive Integrated Moving Average (ARIMA) di Bursa Efek Indonesia. Penelitian ini menggunakan pendekatan kuantitatif dan tergolong dalam studi eksplanatif. Rentang waktu yang digunakan ialah dari Januari 2008 hingga Desember 2012. Penelitian ini berusaha menganalisis signifikansi dari metode ANN dalam peramalan harga saham LQ45 di Indonesia. Diharapkan hasil dari penelitian ini dapat membantu para investor dan pihak lain yang berkepentingan dalam memilih metode peramalan yang terbaik dan juga keputusan bisnis terbaik. Terdapat empat faktor yang dipilih sebagai variabel independen, yaitu Indeks Harga Saham Gabungan (IHSG), volume perdagangan harian tiap saham, kurs Rupiah terhadap Dollar Amerika dan harga minyak dunia. Penelitian ini menemukan bahwa metode ANN lebih signifikan dibandingkan dengan metode ARIMA dalam peramalan harga saham LQ45 di Indonesia.

---

Predicting Stock Price Movement is always considered as an interesting issues and has significant impacts in creating investment decision, particularly in the Indonesian Stock Exchange as an emerging market. This research discusses the prediction of stock price movements using Artificial Neural Networks (ANN) method and Box Jenkins Autoregressive Integrated Moving Average (ARIMA) in Indonesian Stock Exchange.

This research is quantitative and explanation in nature. The time scope of this research was from January 2008 up to December 2012. This research intends to analyze the significant of ANN method in forecasting Indonesian LQ45 Stock prices.

It is expected that the results of this research might assist the investors and other interested parties in selecting best forecasting methods and also best investment decision. There are four factors selected as independent variables, such as: Indonesian Composite Index, trading volume of each stocks, local currency exchange rate to USD and oil spot price. The research reveals that ANN is statistically more significant compared."

"Tekanan darah tinggi pada retina Hypertensive Retinopathy merupakan penyakit yang timbul akibat tingginya tekanan darah yang mengalir pada pembuluh darah retina, mengakibatkan penebalan dinding pembuluh darah, sehingga debit aliran darah pada retina berkurang. Komplikasi yang timbul dari penyakit ini beragam dan membahayakan, mulai dari oklusi pembuluh darah retina, kerusakan saraf mata, bahkan kebutaan. Skripsi ini membahas tentang pendeteksian tekanan darah tinggi pada retina, sehingga dapat digunakan sebagai media untuk membantu diagnosis dan pencegahan penyakit tekanan darah tinggi pada retina Hypertensive Retinopathy . Pendeteksian dilakukan dengan menganalisa gambar retina Fundus Image pasien dengan metode Principal Component Analysis PCA dan Backpropagation Neural Network BNN , sehingga outputnya berupa klasifikasi citra ke salah satu dari dua golongan; yaitu retina normal dan retina dengan tekanan darah tinggi. Dari hasil perancangan diperoleh tingkat akurasi pengujian dan pengujian neural network hingga 85,5 dan 63,6 .

---

Hypertensive Retinopathy is a disease caused by high blood pressure flowing in the retinal blood vessels, resulting in thickening of blood vessel walls and reduced blood flow in the retina. Complications arising from these diseases are diverse and dangerous, ranging from retinal vein occlusion, nerve eye damage, even blindness. This paper discusses the detection of high blood pressure in the retina, so it can be used as a medium to help diagnosis and prevention of Hypertensive Retinopathy disease. Detection is done by analyzing the patient 39 s retinal image Fundus Image with Principal Component Analysis PCA method and Backpropagation Neural Network BNN , so that the output is image classification to one of two classes namely the normal retina and retina with high blood pressure. The result shows that this proposed model have leaning and testing accuracy up to 85,5 and 63,6 ."

"Dalam skripsi ini dibuat perangkat lunak yang dapat mengenali tipe ABO golongan darah manusia melalui pengolahan citra berbasiskan Jaringan Syaraf Tiruan (JST). Pola sampel darah yang direaksikan dengan reagen akan memiliki hasil pasangan penggumpalan yang berbeda. Jenis reagen yang direaksikan adalah antigen-A dan antigen-B. Pola pasangan darah dan reagen serta bentuk penggumpalan citra darah menjadi ciri dan kombinasi yang unik untuk membedakan tipe-tipe darah yang ada.Data sampel darah berupa citra digital yang diperoleh menggunakan kamera digital. Sampel darah direaksikan dengan reagen di atas preparat dengan urutan reagen anti-A ditempatkan pada bagian kiri preparat dan reagen anti-B pada bagian kanan. Sebelum diolah dalam sistem JST, data melewati pra-proses, yaitu proses perbaikan citra digital yang terdiri dari proses pencuplikan, gray-level quantization, dan normalisasi dalam bentuk matriks. Hasil akhirnya berupa citra fitur hitam putih dalam matriks berukuran 5×5. Hasil pra-proses kemudian dihitung nilai parameter karakteristiknya, yaitu nilai rata-rata matriks tersebut. Nilai ini selanjutnya akan dijadikan input bagi proses pelatihan jaringan syaraf tiruan dengan metode backpropagation.Jumlah data sampel sebanyak 120 set, dimana 80 di antaranya digunakan untuk melatih JST, dan sisanya digunakan untuk menguji JST. Hasil simulasi menunjukkan sistem mampu mengenali golongan darah dengan tingkat akurasi hingga 90%.

---

In this research, an identification system of human blood type is designed using image processing techniques and the Artificial Neural Network (ANN) with backpropagation algorithms. The pattern of human blood type was formed using a chemical reaction between the blood and a reagent. The reagent that used in the reaction process are anti-A and anti-B reagent. Using a flat glass preparat as a media, the anti-A reagent is mixed to the blood sample on the left side and the anti-B reagent on the right side. Combination of blood coagulation pairs could distinguish the blood type.

The blood coagulation pair is converted into digital images after taken by a digital camera. The image is then pre-processed and normalized to 50×50 matrix size. The matrix is divided to different blocks and reduced to 5×5 grayscale image. The preprocessing involved sampling, gray-level quantization, and normalization. After preprocessing, the mean of 5×5 gray scale image will be calculated and used as the input for the ANN.

The total number of blood sample data is 140 pairs, 80 set of them are used for training process of the ANN and the rest are used for identification. The simulation result shows that the system is able to identify up to 90% level of accuracy."

"Plat nomor merupakan suatu jenis identifikasi kendaraan bermotor. Setiap kendaraan bermotor yang beroperasi dijalanan diwajibkan untuk melengkapi kendaraannya dengan plat nomor atau Tanda Nomor Kendaraan Bermotor (TNKB) yang sesuai dengan kode wilayah, nomor registrasi dan masa berlaku. Plat nomor di Indonesia terdapat 3 warna yang dipakai yaitu hitam, merah dan kuning dengan masing masing warna untuk fungsi yang berbeda. Dengan jumlah kendaraan di Indonesia, sistem pengenalan plat nomor dibuat secara otomatis bisa di implementasikan untuk memudahkan berbagai hal dalam pendataan plat nomor diantaranya pengecekan plat nomor ketika di area parkir, menemukan kendaraan yang dicuri ataupun mobil yang melanggar lampu merah. Pada penelitian ini terdapat 2 metode yang sering digunakan untuk pengenalan plat nomor otomatis yaitu KNN (K-Nearest Neighbour) dan NN (Neural Network). Setelah dilakukan pengujian menggunakan 3 analisis uji yang sudah dilakukan oleh penulis, akurasi metode neural network berhasil mencapai 88,8% sedangkan pada K-Nearest Neighbor akurasinya mencapai 72,2%. Metode NN lebih baik daripada KNN pada pengujian kali ini disebabkan adanya modifikasi pada variable yang dapat membuat akurasi NN lebih baik daripada KNN. Sedangkan pada metode KNN tidak dapat merubah akurasi yang telah didapatkan.

---

Number plate is a type of motor vehicle identification. Every motorized vehicle operating on the road is required to complete the vehicle with a license plate or Motor Vehicle Number (TNKB) that matches the area code, registration number and validity period. Number plates in Indonesia there are 3 colors used, namely black, red and yellow with each color for different functions. With the number of vehicles in Indonesia, the number plate recognition system is made automatically can be implemented to facilitate various things in number plate registration including checking license plates when in the parking area, finding stolen vehicles or cars that violate red lights. In this study there are 2 methods that are often used for automatic number plate recognition, namely K-Nearest Neighbor and NN (Neural Network). After testing using 3 test analyzes carried out by the author, the accuracy of the neural network method reached 88.8% while the K-Nearest Neighbor accuracy was 72.2%. The NN method is better than KNN in this test due to a modification in the variable that can make the accuracy of NN better than KNN. While the KNN method cannot change the accuracy that has been obtained."

"ABSTRAKAlgoritma pembelajaran jaringan saraf tiruan dewasa ini semakin beragam.Masing-masing algoritma memiliki kelebihan dan kekurangan dan menjadi halyang menarik untuk dipelajari. Pada penelitian ini akan dibahas mengenaialgoritma pembelajaran metode Levenberg-Marquardt yang akan digunakanuntuk jaringan saraf tunggal dan Ensemble Neural Network. Hasil percobaanmenunjukan bahwa metode Levenberg-Marquardt memiliki keunggulan dalamkecepatan dan kestabilan.

---

ABSTRACTNeural network learning algorithm is more diverse today. Each algorithm hasadvantages and disadvantages, and those are interesting thing to learn. Thisresearch will be discussed on the learning algorithm Levenberg-Marquardtmethod to be used for a single neural network and Ensemble Neural Network.Results of this research shows Levenberg-Marquardt learning algorithm has agood speed and stability."