Hasil Pencarian  ::  Simpan CSV :: Kembali

"Fish schooling yaitu pergerakan sekelompok ikan tertentu dengan pola, arah (polarisasi), irama dan struktur yang sama untuk setiap individu serta bersifat unik untuk setiap ikan. Fish shooling dapat dijadikan dasar untuk pembuatan sistem identifikasi ikan dengan dengan menggunakan metode jaringan syaraf tiruan. Proses ini dilakukan dengan menerapkan Pengolahan citra pada citra tampilan echogram fish finder yang didapat dari database hasil observasi Balai Penelitian Departemen Kelautan dan Perikanan di laut Jawa pada bulan Desember 2005. Citra fish schooling dari fish finder tersebut diubah menjadi matriks melalui proses sampling dan graylevel quantization, kemudian dileveling pada range nilai tertentu. Citra hasil leveling tersebut akan diambil beberapa potongan bagiannya sebagai sampel untuk dicari nilai parameter karakteristiknya, yaitu nilai rata-rata dari matriks sampel tersebut. Nilai rata-rata tersebut selanjutnya akan dijadikan input bagi proses training jaringan syaraf tiruan untuk membuat sistem identifikasi jenis ikan. pola rata-rata matriks sampel yang digunakan pada proses training tersebut menjadi dasar proses identifikasi jenis ikan oleh jaringan syaraf tiruan. Sistem ini mampu mengenali jenis ikan dengan tingkat akurasi sebesar 88%."

"Makalah ini menjelaskan metode pelacakan objek bergerak berdasarkan prediksi 1 hingga 5 langkah di depan. Prediksi menggunakan jaringan syaraf tiruan dengan metode propagasi balik untuk melatih jaringan. Objek bergerak yang digunakan dalam percobaan adalah bola tenis meja kecil. Struktur JST memiliki enam neuron input dan lima neuron output dengan sepuluh neuron di lapisan tersembunyi. Menggunakan data 70 dari posisi pergerakan objek untuk pelatihan, dan 30 data untuk menguji prediksi posisi bola. Itu menunjukkan bahwa pelatihan ANN dapat mencapai berarti kesalahan persegi MSE sekecil 0,0091 untuk koordinat X dan 0,0012 untuk koordinat Y. Pada pengujian prediksi posisi bola, ditunjukkan bahwa metode dapat mencapai MSE sebesar 4,72 untuk koordinat X dan MSE sebesar 2,48 untuk koordinat Y.

---

This paper described a method of tracking a moving object based on 1 to 5 step ahead prediction. The prediction was using the artificial neural network with back propagation method for training the network. The moving object used in the experiments is a small table tennis ball. The ANN structures have six inputs neurons and five outputs neurons with ten neurons in the hidden layer. Using 70 data of the object movement positions for training, and 30 data for testing the prediction of the ball positions. It was shown that the training of the ANN can achieved means square error MSE as small as 0.0091 for the X coordinate and 0.0012 for the Y coordinate. At the ball position prediction testing, it was shown that the method can achieved the MSE of 4.72 for X coordinate and MSE of 2.48 for Y coordinate."

"Skripsi ini dibuat untuk merancang perangkat lunak yang dapat mengidentifikasi plat nomor mobil melalui proses image processing dengan ekstraksi fitur skeletonisasi menggunakan metode pengenalan Neural Network.Selama ini pencatatan plat nomor setiap mobil yang memasuki area parkir secara umum masih dilakukan secara manual oleh manusia, namun saat ini mulai muncul suatu sistem baru sehingga identifikasi plat nomor dapat dilakukan secara otomatis. Skripsi ini bertujuan untuk menganalisa pengenalan plat nomor mobil dalam bentuk Image dengan mengekstrak fitur/karakter pada plat dengan proses skeletonisasi menggunakan metode pembelajaran Neural Network (jaringan syaraf tiruan) yang selanjutnya akan dihasilkan output dalam bentuk tulisan karakter yang terdapat dalam plat nomor tersebut. Proses pengenalan ini dilakukan dengan memasukkan citra/image ke dalam pemrogaman MatLabTM dan proses ini dilakukan dalam 2 tahap, yaitu: pembentukan basis data untuk training serta proses recognition/identifikasi.Pada proses pembuatan basis data, gambar akan dibagi-bagi per karakter terlebih dahulu agar lebih memudahkan proses. Setiap karakter tersebut kemudian diekstrak dengan proses skeletonisasi sehingga dihasilkan skeleton/kerangka dari setiap karakter tersebut. Selanjutnya dilakukan proses training terhadap jaringan syaraf tiruan dengan memasukkan nilai-nilai piksel skeleton yang dihasilkan dari proses skeletonisasi untuk mendapatkan nilai bobot yang tepat. Nilai bobot ini kemudian akan disimpan untuk dapat digunakan pada proses selanjutnya yaitu proses recognition plat nomor. Proses recognition plat nomor yang dilakukan menggunakan metode pembelajaran ini mencapai tingkat akurasi sebesar 80%.

---

This final assignment is made to design a program that could be used to identify cars’ licensed plates through image processing with skeletonization feature extraction using Neural Network recognition method.Up to these days, licensed plate identification to every car entering the parking area is still commonly run by humanbeing, but nowadays there comes a new system that enables the identification to be run automatically. The aim of this final assignment is to analyse this automatic process in the image format by extracting features/characters using skeletonization and also applying Neural Network learning method to produce output consisting of the characters as mentioned on the plate. This identification is run by inserting an image into the MatLabTM program which is run in 2 stages comprises the making of training database and the recognition/identification itself.In making the database, the image is divided into characters to make the next process easier. Each of these characters is then extracted with skeletonization to produce the skeleton and then continued by training the Neural Network by inserting the values of the skeletons in order to produce the right weights. The weights themselves are furthermore saved to be used in the identification/recognition. The recognition using Neural Network run in this final assignment yields the percentage of accuracy up to 80%."

"ABSTRACTPengenalan ekspresi wajah telah menjadi tantangan dalam ilmu digital selama bertahun-tahun. Dengan pertumbuhan baru-baru ini di dalam bidang machine learning, sistem pengenalan ekspresi wajah secara real-time dengan machine learning dapat berguna untuk sistem monitoring emosi untuk interaksi manusia-komputer (HCI). Model yang penulis ajukan dirancang dengan model Convolutional Neural Network (CNN) dan menggunakannya untuk melatih dan menguji gambar ekspresi wajah dengan TensorFlow. Sistem ini memiliki dua bagian, sebuah recognizer untuk validasi dan model pelatihan data untuk data training. recognizer berisi detektor wajah dan pengenal ekspresi wajah. Detektor wajah mengekstrak gambar wajah dari frame video dan pengenal ekspresi wajah mengklasifikasikan gambar yang diekstrak. Model pelatihan data menggunakan CNN untuk melatih data. Sistem pengenal juga menggunakan CNN untuk memantau keadaan emosi dari pengguna melalui ekspresi wajah mereka. Sistem ini mengklasifikasikan emosi dalam enam kelas universal, marah, jijik, senang, terkejut, sedih dan takut, ditambah dengan emosi netral.

---

ABSTRACTThe introduction of facial expressions has been a challenge in digital science for many years. With the recent growth in machine learning, a real-time facial recognition recognition system with machine learning can be useful for emotional monitoring systems for human-computer interaction (HCI). The model the author proposes is designed with the Convolutional Neural Network (CNN) model and uses it to train and test facial expression images with TensorFlow. The system has two parts, a recognizer for validation and a data training model for training data. The recognizer contains face detector and facial recognition. The face detector extracts the face image from the video frame and facial expression identifiers classify the extracted image. The data training model uses CNN to train data. The identification system also uses CNN to monitor the emotional state of the user through their facial expressions. This system classifies emotions in six universal classes, anger, disgust, pleasure, shock, sadness and fear, coupled with neutral emotions."

"Suara adalah suatu cara ideal bagi hewan-hewan untuk berkomunikasi di lautan. Suara sangat berguna dilautan ketika tidak ada cahaya. Jenis ikan yang tergolong dalam ikan jenis soniferous mempunyai suara yang khas. Beberapa diantaranya dapat mengeluarkan lebih dari satu jenis suara. Sebagai contoh ikan waekfish (Cynoscion regalis) jantan akan mengeluarkan suara drumming pada masa bertelur dan suara cattering untuk aktifitas hidup sehari-hari, sedangkan untuk betina hanya mengeluarkan suara cattering. Untuk dapat mengenali suara ikan tersebut diperlukan suatu proses identifikasi. Penggunaan voice recognition dapat diterapkan untuk melakukan proses identifikasi. Dengan diketahuinya suara ikan, selain jenis ikan kita juga dapat mengetahui keberadaan jenis ikan dan aktivitas hidup beberapa jenis ikan tertentu di dalam laut. Pada skripsi ini penggunaan voice recognition dengan mengaplikasikan neural network (jaringan syaraf tiruan) dilakukan untuk mengidentifikasi 5 jenis suara ikan. Hasil pengenalan sistem dari uji coba yang dilakukan menghasilkan tingkat pengenalan dengan keberhasilan sampai 97 %."

"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."

"ABSTRAKTesis ini membahas identifikasi sistem kiln semen dengan Jaringan Syaraf Tiruan (JST), yang meliputi penentuan parameter yang dibutuhkan untuk pemodelan sistem tersebut, dan perancangan JST yang digunakan untuk identifikasi tersebut. Dalam tesis ini digunakan struktur Multi-Layer Feedforward Network yang terdiri dari lapisan masukan, lapisan keluaran dan 2 buah lapisan tersembunyi. Data diperoleh dari kiln semen yang sebenarnya yaitu dari Pabrik Tuban-II PT. Semen Gresik (Persero) tbk., kemudian data tersebut digunakan untuk melatih JST. Untuk melakukan identifikasi menggunakan model masukan-keluaran dengan struktur serial-paralel dan pelatihan JST tersebut menggunakan algoritma Error Back Propagation. Hasil identifikasi selanjutnya disimulasikan dan dibandingkan dengan plant yang sebenarnya.

---

ABSTRACT

This thesis discuss about system identification of cement kiln using Artificial Neural Network (ANN). The process of system identification using ANN requires to define of the input and output parameters, and to decide ANN's structure. In this thesis, the Feedforward Multi-Layer Network is used which contain input layer, output layer and two hidden layers. The data are collected from the real cement kiln at Pabrik Tuban-II PT. Semen Gresik (Persero) tbk, then good data are selected for training the ANN. In this thesis is using Serial-Parallel Structure and training algorithm is using Error Back Propagation method. The result of the identification is then simulated and compared to the real plant."

"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)."

"Cylindrical Hidden Multi-Layer Perceptron Back Propagation (CHMLP-BP) adalah sistem jaringan syaraf tiruan berdasarkan multy-layer perceptron untuk mengenali objek 3 dimensi secara horizontal. Arsitektur CHMLP-BP dikembangkan lebih lanjut menjadi Hemisphere Structure of Hidden Layer (HSHL) sehingga mampu mengenali objek 3 dimensi secara vertikal dan horizontal dengan lingkup ½ bola. Efektifitas HSHL mendorong disempurnakannya arsitektur HSHL agar dapat mengenali objek 3 dimensi dengan lingkup 1 bola penuh. menjadi Spheric Structure of Hidden Layer. Dalam pengembangan SSHL dilakukan juga penambahan pemrosesan pada citra masukan dengan melakukan inversi dan perentangan nilai piksel citra masukan. Dilakukan juga modifikasi pada metode pengklasifikasian kelas pada neuron keluaran dari penggunaan batas treshold ½ untuk menentukan apakah neuron harus dibaca sebagai 1 atau 0 menjadi menggunakan metode greedy dengan harapan proses pembelajaran menjadi lebih mudah dan pengenalan objek 3 dimensi menjadi lebih baik. Metode eksperimen yang dilakukan pada SSHL menggunakan Percentage of Learning/Testing Paradigm. Kemampuan pengenalan objek 3 dimensi terbaik didapatkan pada jenis jaringan Multiplied untuk arsitektur SSHL Tunggal maupun Jamak dengan prosentase data pelatihan sebesar 47% didapatkan pengenalan sekitar 94% - 95% khususnya menggunakan Multiplied 3 Lapis yang mencapai 95.87%. Pengenalan terburuk pada SSHL didapatkan pada SSHL Tunggal Normal dengan prosentase data pelatihan sebesar 26% diperolah hasil pengenalan mencapai 81.02%."

"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."