Hasil Pencarian  ::  Simpan CSV :: Kembali

"Ketelitian merupakan salah satu hal terpenting dalam pemeriksaan dan diagnosa suatu jenis tumor baik secara makro maupun secara mikro, karena hasil pemeriksaan tersebut akan sangat berpengaruh terhadap terapi dan pengobatan yang akan diberikan. Namun unsur subyektifitas dan kemampuan visual manusia yang terbatas menyebabkan kurangnya ketelitian dan konsistensi dalam melakukan pemeriksaan tersebut, terlebih lagi jika tumor tersebut memiliki karakteristik bentuk fisik yang hampir sama, misalnya tumor melanoma malignum dan nevus pigmentosus. Pemeriksaan secara makro diperlukan untuk pemeriksaan awal suatu tumor dan untuk memberikan informasi untuk pemeriksaan lebih lanjut, yang biasanya berupa pemeriksaan secara makro. Untuk itu hasil pemeriksaan awal yang baik akan memberikan hasil yang baik terhadap pemeriksaan selanjutnya. Dalam togas akhir ini dibuat sebuah perangkat lunak yang digunakan untuk mengenali dan membedakan antara tumor melanoma maligmem dan nevus pigmentosus, berdasarkan analisa bentuk makro dengan menggunakan parameter batas daerah dan parameter regional. Kedua parameter tersebut digunakan sebagai masukan dalam proses peiatihan maupun proses pengenalan poly dari jaringan saraf tiruan yang digunakan sebagai perangkat pengenalan pola. Citra yang digunakan dalam sistem perangkat lunak ini merupakan citra fotografi tumor melanoma maligmrm dan nevus pigmentosus dalam bentuk makro. Jaringan saraf tiruan yang digunakan dalam tugas akhir ini terdiri atas tiga buah jaringan yang bertopologi propagasi balik, dan bekeda secara kooperatif. Dua 1 jaringan pertama masing-masing bekerja berdasarkan parameter batas daerah dan parameter regional dari citra tumor kulit, untuk memberikan keluaran yang unik. Keluaran dan' kedua jaringan tersebut digunakan sebagai masukan pada jaringan saraf terakhir yang berfungsi untuk menentukan apakah tumor terrnasuk jenis melanoma maligmrm atau jenis nevus pigmenfosrrs."

"ABSTRAKSistem pendeteksian wajah pada citra telah berkembang pesat sampai saat ini. Tujuan dari deteksi wajah adalah untuk mengindentifikasi dan menempatkan wajah manusia dengan pasisi. skala,oarientasi dan kondisi pencahayaan tertentu. Berbagai metode telah diajukan sampai saat ini. Salah satu pengembangan lebih lanjutnya adalah dengan menggunakan jaringan syaraf tiruan (neural network). Pada paper ini dibahas sistem deteksi wajah berdasarkan jaringan syaraf tiruan dengan metode training propagasi balik dengan momentum. Jaringan syaraf tiruan menguji setiap window dari citra, dan memmtukan apakah setiap window berisi wajah atau tidak. Setelah itu sistem menentukan window terbaik, yang akan disimpulkan sebagai wajah. Sistem inl dapat mendeteksi wajah frontal pada citra grayscale dengan latar belakang yang kompleks dan skala yang bervariasi. Agar dapat menguji citra masukan untuk ukuran wajah yang berbeda-beda, maka dilakukan metode piramida terhadap citra masukan. Pada skripsi ini, ststem deteksi dengan jaringan syaraf tiruan diuji dengan perubahan pada parameter jumlah lapisan tersembunyi dan jumlah epoch yang dilakukan pada proses training. Sistem akan dianalisa kinerjanya berdasarkan lamanya waktu deteksi serta ketepatan hasil proses deteksi. Dari hasil pengujian didapatkan waktu deteksi sangat dipenganthi oleh ukuran citra, dan ketepatan proses deteksi sangat dipengaruhi oleh jumlah lapisan tersembunyi dan banyaknya epoch pada proses training, serta karakteristik dari citra masukan

---

"

"Dalam Tugas Akhir ini digunakan sistem kendali yang merupakan gabungan antara pengendali jaringan syaraf dengan pengendali PID. Pengendali jaringan syaraf yang digunakan menggunakan sebuah jaringan syaraf lain yang berfungsi sebagai ideenrifier. Identifier di sini berfungsi untuk menghitung sinyal error bagi jaringan syaraf pengendali. 3aringan syaraf pengendali di sini berfungsi untuk memberikan sinyal koreksi bagi sinyal kendali pengendali PID untuk memperbaiki respon transien sistem. Dengan menggunakan kombinasi dua jenis pengendali seperti ini, diperoleh basil kendali dengan tanggapan yang eepat dan stabil, yang terlihat pada basil simulasi yang dilakukan."

"Metode pengenalan wajah 3D pada penelitian ini merupakan metode baru menggunakan model geometri wajah dengan membangkitkan jarak garus wajah pada kondisi normal dengan berbagai pose horisontal dalam ruang eigen. Garis wajah dibangkitkan dengan menghubungkan titik-titik pada wajah. Titik-titik pada wajah diperoleh dengan membuat garis yang memiliki kemiringan 0, 45, 90 dan 125 dan melalui titik koordinat tertentu pada wajah serta memotong batas lingkar wajah. Reduksi dimensi matriks citra menggunakan Probability Principal Component Analysis (PPCA) dengan memaksimumkan fungsi likelihood. Algoritma untuk memaksimumkan fungsi likelihood adalah algoritma EM (Expectation Maximization Algorithm). Pembelajaran citra menggunakan jaringan syaraf tiruan Backpropagation. Hasil percobaan menunjukkan bahwa secara umum metode jarak garis wajah memiliki akkurasi tingkat pengenalan wajah lebih baik dan memiliki nilai Meas Square Error (MSE) yang lebih kecil dibandingkan dengan metode tingkat keabuan wajah."

"Metode pengenalan wajah 3D pada penelitian ini merupakan metode baru menggunakan model geometri wajah dengan membangkitkan jarak garis wajah pada kondisi normal dnegan berbagai pose horisontal dalam ruang eigen. Garis eajah dibangkitkan dengan menghubungkan titik-titik pada wajak. Titik-titik pada wajah diperoleh dengan membuat garis yang memiliki kemiringan 0, 45, 90 dan 135 dan melalui titik koordinat tertentu pada wajah serta memotong batas lingkar wajah. Rduksi dimensi matriks citra menggunakan Probability Principal Component Analysis (PPCA) dengan mamaksimumkan fungsi likelihood. Algoritma untuk memaksimumkan fungsi likelihood adalam algoritma EM (Expectation Maximization Algorithm). Pembelajaran citra menggunakan jaringan syarat tiruan Backpropagation. hasil percobaan menunjukkan bahwa secara umum metode wajah lebih baik dan memiliki nilai Mean Square Error (MSE) yang lebih kecil dibandingkan dengan metode tingkat keabuan wajah."

"Kemajuan teknologi dewasa ini menuntut adanya sebuah sistem yang lebih cepat, tepat dan akurat terutama dalam hal pengolahan citra hasil dari satelit penginderaan Saat ini saja setiap harinya setiap satelit geostationer menghasilkan 25 GB data yang harus sesegera mungkin di olah. Berbagai macam metode pengolahan texture pada citra yang ada saat ini, seperti Grey Level Co-occurrence Matriks. Sum and Difference Histogram, Variogram dan lain sebagainya pun terus berkembang menyesuaikan kebutuhan akan pengolahan citra yang berkembang setiap harinya Skripsi ini akan membahas identifikasi dan klasifikasi empat macam objek alami, yaitu pohon, rumput, langit dan sungai Metode Sum and Difference Histogram digunakan dalam mengolah tekstur pada citra-citra tersebut, kemudian sistem yang digunakan adalah Jaringan Syaraf Tiruan Propagasi Balik Sistem jaringan yang dirancang menggunakan tiga layer yaitu input layer, hidden layer dan output layer. Pada saat training dan proses identifikasi citra akan dilakukan perbandingan sistem kerja jaringan dengan berbagai macam neuron pada hidden layer. Pengujian beberapa jaringan ini akan memperlihatkan sistem jaringan terbaik yang kemudian akan digunakan dalam proses pengklasifikasian suatu citra yang didalamnya terdapat lebih dari satu objek alami. Hasil Simulasi menunjukkan bahwa sistent terbaik untuk identifikasi ialah sistem dengan menggunakan 25 neuron pada hidden layer. Preseutase sistem dapat mengenali citra yang sudah dipelajarinya ialah 92,67 % kemudian presentase tingkat generalisasi sistem dapat mengenal citra-citra baru yang masih termasuk ke dalam kelas yang telah dipelajarinya ialah 87.91 %."

"The capabilities of artificial neural network (ANN) : generalization, adaptive, and tolerant became a basis in choosing the pattern recognition methods of Javanese charahters...."

"World Wide Web adalah pusat informasi raksasa yang terdistribusi. Pusat informasi ini dapat menjadi sumber pengetahuan yang menarik apabila dilakukan data mining terhadapnya. Pengetahuan yang diperoleh dari pusat informasi ini dapat digunakan untuk melakukan klasifikasi otomatis dari beberapa dokumen web atau email. Jaringan Syaraf Tiruan (JST) adalah suatu metode klasifikasi yang dipilih oleh penulis dalam menentukan kelas suatu email. Metode ini tersusun atas banyak processing elements dan terdapat koneksi yang memiliki bobot diantara processing elements tersebut. Nilai dalam tiap koneksi merepresentasikan pengetahuan yang dimiliki oleh JST tersebut dan nilainya dapat berubah seiring dengan fase pembelajaran yang dilalui. Lebih lanjut, algoritma pembelajaran yang digunakan dalam penelitian ini adalah backpropagation atau propagasi-balik. Adapun input dari JST adalah sebuah vektor, oleh karena itu perlu dilakukan pemrosesan dokumen sebelum email tersebut diklasifikasi. Pemrosesan dokumen yang dilakukan dalam penelitian ini meliputi penghapusan html tag, case folding, parsing, penghapusan stopwords, stemming dan pembentukan vector space. Dalam vector space model, komponen sebuah vektor mewakili terms yang ada pada suatu dokumen atau query. Komponen vektor itu sendiri adalah hasil pembobotan dari setiap terms yang ada dalam suatu dokumen. Di akhir penelitian, terdapat beberapa kesimpulan yang dihasilkan, yaitu penghapusan stopwords dan penggunaan stemming terhadap email yang akan diklasifikasi tidak memberi peningkatan kinerja yang signifikan. Selain itu proporsi training set dan testing set terbaik adalah 350 : 700, serta jumlah hidden layers terbaik bagi sebuah JST untuk mengklasifikasikan email berbahasa Indonesia sebanyak 4 buah. Kata Kunci: Klasifikasi email, Stemming, Jaringan Syaraf Tiruan, Propagasi-Balik"