Hasil Pencarian  ::  Simpan CSV :: Kembali

"Biometrik adalah salah satu teknologi cangih yang banyak dipakai untuk menjadi bagian dari sistem keamanan di berbagai bidang. Teknologi biometrik yang ada di sekitar kita ada berbagai macam seperti sistem identifikasi retina, iris mata, telapak tangan, sidik jari dan wajah. Banyak komputer atau laptop yang dilengkapi oleh kamera digital atau webcam yang terintegrasi dengan sistem yang ada di komputer itu sendiri. Teknologi camera digital semakin hari juga semakin canggih dalam pengambilan gambar yang dapat disesuaikan dengan situasi apapun contohnya seperti didalam ruangan atau diluar ruangan. Hal ini memungkinkan untuk pengaplikasian pngenalan wajah sebagai sistem autentikasi pengganti password selain fingerprint. Penelitian ini difokuskan pada perancangan aplikasi system pengenalan wajah menggabungkan dua metode yakni jaringan saraf tiruan dan metode pencocokan pola. Input dari sistem pengenalan wajah ini diambil dari webcam yang sudah melalui proses pre-processing dan sudah difokuskan ke bagian wajah dengan sistem pendeteksi wajah dengan metode pattern matching. Selain itu hasil dari pre-processing juga digunakan sebagai data training atau pelatihan. Gambar wajah hasil dari preprocessing ini kemudian masuk ke proses pengenalan menggunakan algoritma jaringan saraf tiruan. Hasil dari proses pengenalan wajah adalah berupa nama dari wajah orang yang dikenali. Sistem ini telah diuji pada lebih dari 36 sampel wajah yang diambil dari 12 orang.Hasil akhir menunjukan bahwa sistem ini berhasil mengidentifikasi sampel-sampel wajah tersebut dengan tingkat keberhasilan mencapai 86%.

---

Biometric is one of the modern technology features that is used mostly as a part of security system in many types of application. There are so many biometric technology options this day such as retina identification, iris, eye, hand, finger print, and face. Many computers such as laptop are completed with digital camera or webcam which integrated with in the system computer it self. Camera technology is getting more sophisticated in nowadays in capturing image from many situations such as indoor or outdoor environmental. This technology allows the possibility to develop face recognition as an option to authentication system in computer, other than the most popular fingerprint. This final project focuses on the design of face identification application using combination of two methods, neural network method and pattern matching method. The input of the system is taken from face detection algorithm with pattern matching method on webcam images which focused on human face area and already pass preprocessing first. The digital images from preprocessing are also used as a training data. The preprocessed image is then passed into the recognition process using neural network algorithm.The result of the recognition process is the person?s credential which in this case the name. This system has been tested over 36 samples taken from 12 people. Result show that the system has identified the samples with 86% success rate."

"Proses optimasi pada Probabilistic Neural Network (PNN) dapat dilakukan terhadap nilai smoothing parameter maupun struktur neuron. Setiap permasalahan memiliki nilai smoothing parameter optimal yang berbeda. Optimasi struktur neuron bertujuan untuk mereduksi banyak neuron yang digunakan sehingga dapat mempersingkat waktu komputasi. Skripsi ini membahas proses pencarian nilai smoothing parameter optimal menggunakan algoritma genetika dan struktur neuron optimal menggunakan algoritma ortogonal dalam sistem pengenal wajah. Terdapat dua jenis teknik optimasi yang akan dibahas, lalu membandingkan hasilnya dengan PNN struktur utuh dan backpropagation. Data wajah yang digunakan berupa foto infra merah dan cahaya tampak.

---

Optimization of Probabilistic Neural Network (PNN) can be performed to the value of smoothing parameter and neuron structure. Every problem has different value of smoothing parameter. Optimization of neuron structure aims to reduce the number of neurons used, in order to shorten computation time.

This thesis discusses the process of finding the optimal value of smoothing parameter using genetic algorithms and optimal neuron structure using orthogonal algorithms in face recognition system. Two types of optimization techniques which will be discussed, then the results are compared with full structure PNN and backpropagation. Face data used in the form of infrared and visible light images."

"Dalam beberapa tahun ini, telah banyak penelitian mengenai pengenalan pola yang dilakukan dengan jarigan syaraf tiruan. Skripsi ini membahas sistem pengenalan pola berbasis Jaringan Saraf Tunggal (JST). Penelitian ini membahas metode pembelajaran Levenberg Marquardt dalam melakukan pengenalan pola. Terdapat 9 dataset pola, 8 dataset dari "UCI Repository of Machine Learning Database" dan satu set dari data uranium dioxide pellet. Prosedur kerja sistem terdiri dari tahap pra-pemrosesan, pelatihan, dan pengujian. Hasil pengujian yang ditinjau dari computational cost dan recognition rate menunjukkan JSE berbasis metode Levenberg Marquardt memberikan performa yang lebih baik dibandingkan JST berbasis metode Levenberg Marquardt atau Backpropagation.

---

In recent years, many people have been working on pattern recognition using artificial neural network. This bachelor pra-thesis discuss about pattern recognition system based on Single Neural Network (SNN). This research discuss about Levenberg Marquardt learning algorithm in pattern recognition.There are 9 datasheets used in this experiment, which 8 of them are obtained from "UCI Repository of Machine Learning Database" and and one dataset of uranium dioxide pellet. The working procedures of the systems consists of pre-processing, training, and testing stages.

The testing result, which is measured from computational computational cost and recognition rate, shows that ENN based on Levenberg Marquardt learning algorithm has a better performance than SNN based on Levenberg Marquardt or Backpropagation."

"Skripsi ini dilakukan sebagai penelitian untuk menganalisa proses identifikasi retina mata menggunakan metode neural network berbasis perangkat pemrograman komputasi numerik, yakni suatu sistem sederhana yang dapat menangani serangkaian proses pengolahan dan pelatihan menggunakan sumber informasi awal dari citra biometrik khususnya retina mata untuk bisa dijadikan sebagai identitas pribadi yang unik. Pada pengolahan citra retina mata manusia ini meliputi dua tahap yaitu tahap pra-pengolahan dan tahap identifikasi menggunakan neural network. Pada tahap pra pengolahan, proses yang pertama kali dilakukan adalah pengubahan ukuran citra, hal ini dilakukan untuk mempermudah proses pengolahan berikutnya dalam mencari pola unik pada citra tersebut. Proses kedua adalah memusatkan perhatian pada daerah citra yang dianggap unik dengan mencuplik citra pada suatu area yang dianggap unik tersebut yaitu bagian syaraf optik. Kemudian dilakukan beberapa pengolahan lanjutan untuk memperoleh citra syaraf optik yang lebih spesifik yang digunakan sebagai masukan data pelatihan pada neural network. Pada tahap ini diharapkan sistem dapat bekerja dengan baik dalam mengidentifikasi retina mata manusia.

---

Method base on the peripheral numeric computation program, a simple system that able to handle connecting structure of processing and training use the information source of image biometric especially retina to be able as unique personal identity. At processing of human retina image cover two phases that is pre-process and identify by neural network.

At pre-processing phase, the first process is image resize this matter is conducted to alleviate the next process in searching unique pattern of the image. The second process is give all mind at image area that assumed unique by crop image at one particular area that is optic nerve. Then conduct some processing to obtain more specific optic nerve image which is used as input of neural network training data. At this phase this system is expected work well in identifying retina of human eye."

"Secara teoritis, biometrik dapat digunakan untuk mengidentifikasi dan memverifikasi suatu individu. Iris mata merupakan salah satu instrumen biometric yang handal, karena keunikan dari dan kompleksitasnya.Di dalam penelitian ini dirancang bangun program identifikasi iris mata menggunakan metode Jaringan Syaraf Tiruan (JST). Citra mata dijital yang akan diidentifikasi pertama-tama dilakukan pra-pengolahan terlebih dahulu. Proses ini memisahkan bagian iris dari citra mata menggunakan metode morphologi, yaitu close, erosi dan dilasi. Selanjutnya, citra disegmentasi untuk memisahkan citra iris berbentuk lingkaran dalam koordinat x-y menjadi format polar r-θ berbentuk persegi panjang. Citra polar kemudian diekstrasi untuk mendapatkan nilai karakteristik rata-ratanya dalam bentuk matriks 40 x 1. Nilai karakteristik dilatih dan dimasukkan ke dalam database sebagai input pembanding untuk proses identifikasi. JST terdiri dari 10 layer tersembunyi, 1 layer keluaran, dengan fungsi aktifasi tansig dan purelin.Setelah dilakukan pelatihan untuk 80 citra iris, baik mata kiri maupun kanan, proses identifikasi mencapai tingkat akurasi rata-rata sebesar 87% untuk 5 buah input citra dengan 20 kali uji coba.

---

Theorically, biometric can be used to identify dan verify an individu. Iris is one of biometric identifier that highly acceptable because of its uniqueness and complexity.

The objective of this research is to identifiy an iris using Artificial Neural Network (ANN) method. First, the digital infrared image of eye will be preprocessed which separate the iris from the eye using morphology technique, such as closing, erosion, and dilation. The iris is then transformed from x-y dimension into r-θ polar image, which convert the circle shape into rectangle one. The image was then extracted in order to get the average value of its intensities and saved in 40 x 1 matrix size. These values will be trained in the ANN and inserted into a database to be used as a comparator in identification process. The ANN consisted of 10 hidden layer, 1 output layer, and activation functions of tansig and purelin, respectively.

Using 80 images as training data, the identification accuracy reached 87 % for 5 images and 20 times of test for left side and right side eyes."

"Tujuan: Tujuan dari penelitian ini adalah mendapatkan model jaringan saraf tiruan dengan algoritma pembelajaran backpropagation berdasarkan data masukan dari pola sidik jari penderita obesitas. Diharapkan model JST yang diperoleh dapat menjadi alat bantu diagnosis bagi para klinisi dalam mengidentifikasi kasus obesitas berdasarkan keturunan. Metode: Data dari pola sidik jari penderita obesitas dan data penunjang lainnya diuraikan menjadi variabel masakan Variabel keluaran ditentuknn berdasarkan kasus obesitas yang diderita oleh pasien. Kemudian data sampel dibagi dua yaitu data untuk training dan data untuk testing. Dengan menggunakan data training maka Metode Jaringan syaraf tiruan mempelajari pola sidik jari pendarita obesitas yang kemudian digunakan untuk memprediksi data testing. Akurasi identifikssi atau pengenalan pola sidik jari penderita obesitas akan sangat ditentukan oleh hasil prediksi algoritma jaringan syaraf tiruan terhadap data testing. Hasil: Dalam proses pemhelajaran dengan metode jaringan berbasil melakukan pengenal terhadap data training dengan error sebesar O,QI berhasil dicapai. Untuk prediksi polo sidik jari melalui data testing rata-rata keberhasilan adalah 71,82%. Angka prosentasi keberbasilan ini cukup baik dan depat dijadikan alat bantu bagi para praktisi medis di bidang obesitas dalam menentukan faktor keturunan dari penyakit obesitas. Kesimpulan: Percobaan ini menghasilkan model JST yang dapat diaplikasikan pada pengelan pola sidik jari pendarita obesitas. Rata-rata keberhasilan prediksi sebesar 71,82% dapat ditingkat dengan menambah data training bagi Metode Jaringan Saraf Tiruan.

---

Objective: The objective of this research is to obtain an artificial neural network model with backpropagation learning algorithm based on input data from the fingerprint pattern of the obese patients. It is expected that ANN models can be obtained as diagnostic tool for clinicians in identifying cases of obesity based on descent.

Methods: Data from the fingerprint pattern of obesity and other supporting data is decomposed into input variables. Output variable is determined on a case-obesity suffered by the patient Then the sampled data is divided into two data. One for training and other for testing. By using training data. the method of artificial neural networks learn the patterns of the obese fingerprint which is then used to predict the testing data. Accuracy of fingerprint pattern recognition of obesity will be detemined by the results of neural network algorithm prediction against testing data.

Results: In the learning process stage, Artificial Neural Network succceded in identifying a network of training with error 0.01 was achieved. For the prediction of fingerprint patterns through data testing success rate was 80%. The rate for the percentage of success is quite good and can be used as a tool for medical practitioners in the field of obesity in determining obesity cases base of genetic factor.

Conclusion: This experiment resulted ANN model that can be applied to the fingerprint pattern recognition of obese patients. The average prediction success of 71,82% would be increase if we can add more data for 1raining process for Neural Network Method."

"Dalam beberapa tahun ini, telah banyak penelitian yang berhubungan dengan pengenalan pola dilakukan untuk mengidentifikasi wajah manusia secara otomatis. Skripsi ini membahas sistem pengenal wajah berbasis jaringan syaraf tiruan tunggal dan ensemble. Kamera infra merah digunakan pada penelitian untuk mengatasi masalah pencahayaan yang ditemui pada kamera visible light. Tahapan sistem terdiri dari pra-pemrosesan, ekstraksi fitur oleh PCA, pelatihan, dan pengujian. Pada percobaan dengan jaringan syaraf tunggal, algoritma backpropagation diterapkan dan sejumlah parameter divariasikan untuk mencapai performa yang optimal. Pada percobaan dengan jaringan syaraf ensemble, sejumlah skema digunakan antara lain: algoritma backpropagation, algoritma NCL, dan parsialisasi data dengan kedua algoritma tersebut. Hasil yang ditinjau dari recognition rate menunjukkan jaringan syaraf ensemble, yang terdiri dari sejumlah jaringan syaraf, memberikan performa yang lebih baik dibandingkan sebuah jaringan syaraf tunggal. Bila dioptimalkan, jaringan syaraf ensemble dapat menghasilkan recognition rate sebesar 99.9%.

---

People in pattern recognition have been working on automatic recognition of human faces for years. The focus of this thesis is a face recognition system based on both individual and ensemble neural network. An infrared camera is utilized to overcome the illumination matter encountered by visible light cameras. The procedure of the system consists of pre-processing, feature extraction by PCA, training and testing.

In the experiment of individual neural network, back-propagation algorithm is applied and some parameters are varied to obtain the optimum performance. In the experiment of ensemble neural network, some schemes such as back-propagation algorithm, NCL algorithm and partition of data using both algorithms are particularly examined.

According to the recognition rate, the results show that ensemble neural network, which is made up of several neural networks, have better performance than a single neural network does. An optimized ensemble neural network may reach up to 99.9% of recognition rate."

"Potensi hidrokarbon di Lapangan 'OZ', Cekungan Bonaparte belum dimanfaatkan karena risiko pengeboran yang tinggi yang disebabkan oleh heterogenitas reservoir. Karena sifat reservoir yang heterogen, maka dilakukan identifikasi dan karakterisasi untuk melihat sebaran litologi dan fluida reservoirnya. Metode Probabilistic Neural Network (PNN) adalah metode utama dalam analisis multi-atribut untuk menemukan hubungan nonlinier antara data seismik dan data sumur di Lapangan 'OZ' dan kemudian menghasilkan model untuk distribusi data sinar gamma, porositas, dan saturasi air dengan nilai koefisien korelasi masing-masing pelatihan sebesar 0,8871, 0,9778, 0,9719 dan koefisien korelasi validasi sebesar 0,7836, 0,8554, 0,8187. Integrasi antara model distribusi data sinar gamma, porositas, saturasi air, ditambah dengan hasil inversi impedansi akustik (AI), dapat menjadi sarana untuk mengklasifikasikan dan mengidentifikasi distribusi reservoir hidrokarbon. Lapangan 'OZ' memiliki karakteristik reservoir yang mengandung gas hidrokarbon dan memiliki litologi batupasir bersih dengan sesar normal sebagai traps serta batupasir rapat dan batuan serpih sebagai seal yang tersebar di bagian Selatan dan Tengah lapangan OZ.The hydrocarbon potential in the 'OZ' Field, Bonaparte Basin has not been exploited due to the high drilling risk caused by reservoir heterogeneity. Due to the heterogeneous nature of the reservoir, identification and characterization were carried out to see the distribution of lithology and reservoir fluids. The Probabilistic Neural Network (PNN) method is the main method in multi-attribute analysis to find a nonlinear relationship between seismic data and well data in the 'OZ' Field and then generate a model for the distribution of gamma ray, porosity, and water saturation data with the respective correlation coefficient values. -each training is 0.8871, 0.9778, 0.9719 and the validation correlation coefficient is 0.7836, 0.8554, 0.8187. The integration between the distribution model of gamma ray data, porosity, water saturation, coupled with the results of acoustic impedance inversion (AI), can be a means to classify and identify the distribution of hydrocarbon reservoirs. The 'OZ' field has reservoir characteristics containing hydrocarbon gas and has a clean sandstone lithology with normal faults as traps as well as dense sandstone and shale rock as seals which are scattered in the Southern and Central parts of the OZ field."

"Pada skripsi ini, dilakukan sistem identifikasi jenis ikan dengan menggunakan metode neural network dan dijalankan pada DSP Starter Kit TMS320C6713. Sedangkan proses training jaringan dilakukan dengan menggunakan software MATLAB. Suatu gelombang yang mengenai kawanan ikan tertentu akan dipantulkan dengan fase yang berbeda. Apabila gelombang pantulan tersebut kita deteksi perubahan fasenya maka kita bisa mengetahui sinyal gelombang gerakan kawanan ikan itu sendiri. Tiap jenis kawanan ikan memiliki gelombang perubahan fase yang berbeda-beda. Perbedaan ini bisa kita jadikan acuan untuk mengidentifikasi jenis ikan. Konfigurasi neural network yang digunakan terdiri dari satu lapisan masukan dengan 32 neuron, satu lapisan tersembunyi dengan 40 neuron, dan satu lapisan keluaran dengan 4 neuron. Konfigurasi ini dicoba di MATLAB terlebih dahulu baru kemudian diubah ke bahasa C untuk dimasukkan ke DSP board. Sistem identifikasi ini memiliki tingkat akurasi sebesar 70.83%-100%, tergantung dari jumlah training jaringan yang dilakukan. Tingkat akurasi sistem akan semakin tinggi dengan meningkatkan jumlah training.

---

In this thesis, neural network method was used to identify fish species. This identification system was run on DSP Starter Kit TMS320C6713. Meanwhile, the network training was done by using MATLAB software.

A signal that hit a fish school would be reflected in a different phase. If we detected the difference of the phase, we would know the fish signal itself. Every fish school has a different reflected signal. We can use these differences to identify fish species.

The network configuration used one input layer with 32 neurons, one hidden layer with 40 neurons, and one output layer with 4 neurons. This configuration had been tried in MATLAB before it was changed into C language to be implemented on DSP board.

This system accuracy could reach 70.83% to 100% depend on the number of training. The level of system accuracy would increase along with the increment of training."

"Kondisi pasca bencana adalah sebuah kondisi darurat yang membutuhkan pertolongan pertama dari tim penyelamat. Oleh karena itu, dikembangkan pemanfaatan radar yang digunakan untuk mendeteksi manusia dalam kondisi pasca-bencana. Sayangnya, banyaknya parameter yang mempengaruhi pengklasifikasian membatasi pemakaian radar 24 GHz seperti reruntuhan yang menutupi manusia. Oleh karena itu, radar dengan frekuensi yang lebih tinggi dimanfaatkan dengan frekuensi 77 GHz yaitu sinyal milimeter. Metode seperti deep learning dan backpropagation neural network sudah diterapkan pada penelitian-penelitian sebelumnya menggunakan radar sinyal milimeter. Namun, tingkat akurasi dari klasifikasi kelas dari makhluk hidup hanya mencapai 49% dengan jumlah klasifikasi 2 kelas dan 32% dengan jumlah klasifikasi 3 kelas. Oleh karena itu, dikembangkan kembali dengan metode Convolutional Neural Network. Akurasi yang didapatkan meningkat hingga mencapai 99% untuk klasifikasi 2 kelas dan 3 kelas. Namun akurasinya menurun untuk klasifikasi kelas yang lebih banyak hingga 68%. Skripsi ini mengajukan metode 3D-Convolutional Neural Network guna meningkatkan resolusi dari data yang diberikan dalam pelatihan dari model untuk meningkatkan akurasi pada klasifikasi kelas dengan model yang diajukan.

---

The post-disaster condition is an emergency that requires immediate first aid from rescue teams. Therefore, the use of radar has been developed to detect humans in post-disaster conditions. Unfortunately, the numerous parameters affecting classification, such as rubble covering humans, limit the use of 24 GHz radar. Consequently, higher frequency radar, specifically 77 GHz millimeter-wave signals, is utilized. Methods like deep learning and backpropagation neural networks have been applied in previous studies using millimeter-wave radar signals. However, the classification accuracy for living beings reached only 49% for two-class classification and 32% for three-class classification. Therefore, the method was further developed using Convolutional Neural Networks (CNN). The accuracy achieved improved to 99% for both two-class and three-class classifications, but it decreased to 68% for classifications with more classes. This thesis proposes the use of a 3D-Convolutional Neural Network method to enhance the resolution of the data used in model training, aiming to improve the accuracy of class classification with the proposed model."