Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPerforma baik dari Self-Organizing Map (SOM) telah terbukti dalammengklasifikasikan citra wajah yang berada dalam kondisi pencahayaan yangbaik. Namun saat objek wajah mengalami pencahayaan yang berubah-ubah dandiambil dari berbagai sudut pandang berbeda, maka tingkat nilai rekognisi citrawajah dengan menggunakan metode SOM umumnya akan menurun.Dalam penelitian ini menggunakan metode Fuzzy Self-Organizing Map(FSOM) sebagai sistem pengenal wajah pada citra untuk meningkatkan nilairekognisi citra wajah yang mengalami pencahayaan yang berubah-ubah dariberbagai sudut.Hasil penelitian menunjukkan bahwa performa FSOM untuk mengenali wajahpada data berdasarkan sudut pandang dengan tingkat rekognisi tertinggididapatkan pada set data ke-10 saat sudut 100 pada saat wajah frontal yaitusebesar 87%, pada data berdasarkan perubahan cahaya dengan tingkat rekognisitertinggi pada set data ke-1 sebesar 66.88%, dan pada data berdasarkan objekwajah dengan tingkat rekognisi tertinggi pada set data ke-4 sebesar 88.33%.Berdasarkan Hasil penelitian didapatkan bahwa tingkat rekognisi rata-rata FSOM30% lebih tinggi dari SOM pada setiap pengelompokkan data dan juga didapatkanbahwa dengan metode FSOM mampu mengenali citra dengan baik yangmengalami pencahayaan yang berubah-ubah dari sudut yang berbeda-beda.

---

ABSTRACTPerform of Self-Organizing Map (SOM) has been proven to classify the face

images in good illumination conditions. But when this technique is applied to

various viewpoints of images in unstable illumination conditions, the accuracy

of face recognition will decrease.

In this research, Fuzzy Self-Organizing Map (FSOM) is introduced as a new

technique to increase the accuracy when the images are taken from various

viewpoints in the change illumination conditions.

In this results from the research show that perform of FSOM to face

recognition from based on the viewpoints have the highest recognition rate in the

tenth data set when the viewpoints is set to be 10 degree where the images had

been taken is achieved at 87%. The result has also shown that based on the

illumination conditions, the highest recognition rate is achieved at 66.88% in the

first data set. Based on the face objects, the most accurate recognition is achieved

at 88.33% in the fourth data set. These results show that FSOM can give 30%

better performance than SOM to perform face images classification in the changes

illumination conditions and various viewpoints."

"Sistem pengenalan wajah dapat dipergunakan untuk mengetahui identitas seseorang, dan sangat berguna pada proses pendaftaran atau akses masuk ke suatu gedung, maupun proses identifikasi seorang kriminal. Pada proses pengenalan wajah, banyak sekali dimensi yang ada, sehingga diperlukan waktu komputasi yang besar. Dengan dipergunakannya FDR maka dimensi dapat dikurangi, sedangkan FALVQ dipergunakan karena prosesnya yang cepat dan hasil yang baik karena termasuk dalam neural network yang terbimbing. Hasil terbaik FALVQ dengan FDR memberikan peningkatan rekognisi orang 1,47% dan recognisi orang sudut 4,95%. Hasil didapat dengan mempergunakan dimensi 50 dan alpha 8,9. Dengan melihat potensi berkurangnya waktu yang harus dilakukan untuk FALVQ 578,42 detik dan waktu tes FALVQ berkurang 53,91 detik membuat metode FALVQ dengan FDR menjadi lebih baik dalam face recognition.

---

Face recognition system could be used to determine people identity and very useful for login process, acces to a building, ir to identified a criminal. Face recognition study consist of many dimension and it?s verry time consuming. With the use of FDR, we could minimize number of dimension, and with FALVQ will results in faster learning progress and better results due supervised learning in FALVQ.

The best result for FALVQ with FDR makes face recogniton to rise 1,47% and angle-face recognition to rise 4,95%. The optimum dimension from three tested dimension reduction is 50 dimension with alpha 8,9. With the potential of decreased time in FALVQ until 578,42 seconds and decrease in FALVQ test until 53,91 seconds makes FALVQ with FDR better to implement in face recognition."

"Kohonen Mengorganisir Pemetaan Sendiri {Self Organizing Map} merupakan salah satu algoritma Jaringan Syaraf Tiruan. Algoritma ini biasa dipakai untuk pengenalan pola baik berupa bunyi maupun berupa gambar. Dalam sistem kendali, algoritma ini banyak dipakai untuk mengatur gerakan motor dalam sistem mekanik dan sistem yang memiliki banyak pola input. Pada Tugas Akhir ini akan dibahas penernpan Algoritma Kohonen Mengorganisir Pemetaan Sendiri pada slat pemantul cahaya. Fungsi alat ini untuk mendeteksi apakah pantulan cahaya telah mengenai target yang diinginkan dari 6 bush target yang tecpasang pada suatu wilayah. Cahaya yang mengenai wilayah target akan membentuk suatu pola berdasarkan posisi target yang terkena pantulan dan target yang tidak terkena pantulan. Program Jaringan Syaraf Tiruan dengan algoritma Kohonen Mengorganisir Pemetaan Sendiri akan membaca pola hasil pantulan yang diterimanya dan membandingkannya dengan pola target yang dikehendaki. Apabila pola yang diterimanya merupakan pola yang dikehendaki maka pantulan akan tetap diarahkan ke wilayah tersebut. Sebaliknya jika pola tersebut bukan pola yang dikehendakd maka program akan mengubah arah pantul cahaya ke target selanjutnya."

"Self Organizing Map (SOM) adalah metode pengelompokan yang berguna untuk mengeksplorasi karakteristik data secara visual. Pada penelitian ini metode SOM digunakan untuk mengelompokkan kecamatan-kecamatan di Pulau Sumatera berdasarkan karakteristik penggunaan fixed broadband di masing-masing wilayah tersebut. Melalui pengelompokan dengan metode SOM, didapatkan 3 kelompok kecamatan yaitu: kecamatan dengan penggunaan fixed broadband rendah, menengah dan tinggi. Agar hasil pengelompokan dapat dilihat secara detail, maka hasil SOM dipetakan ke dalam Sistem Informasi Geografis. Hasil visualisasi ini adalah peta penggunaan fixed broadband di Pulau Sumatera yang dapat digunakan untuk menggambarkan bagaimana kondisi penggunaan fixed broadband di Pulau Sumatera.

---

Self Organizing Map (SOM) is a powerful clustering method to explore the characteristics of the data visually. In this study, SOM is used to cluster the subdistrict regions in Sumatera based on their characteristics of fixed broadband application in each region. Through clustering with SOM, three distinct clusters of those subdistricts are found. Cluster 1 consists of subdistricts with low fixed broadband application, Cluster II consists of subdistricts with medium fixed broadband application and the last consists of subdistricts with high application in fixed broadband. In order to get a geographical representation of the clusters, the results from SOM are visualized into Geographic Information System. From this visualization, a fixed broadband map of Sumatera is created of which can be used to describe the conditions of fixed broadband application in Sumatera."

"ABSTRAKPeramalan trafik internet merupakan salah satu pendekatan yang dapat diterapkan oleh penyedia jasa internet dalam menjaga dan meningkatkan kualitas pelayanan internet yang ditawarkan. Pada penelitian ini, digunakan metode peramalan berupa kombinasi algoritma self organizing map (SOM) dan support vector regression (SVR). Metode SOM digunakan untuk membagi data historis trafik internet secara keseluruhan ke dalam beberapa cluster, sedangkan metode SVR digunakan untuk membentuk model peramalan pada setiap cluster yang terbentuk. Hasil peramalan data trafik internet pada penelitian ini menunjukkan bahwa model peramalan dengan metode SOM-SVR dapat memberikan prediksi yang lebih akurat terkait nilai error yang lebih kecil dibandingkan dengan metode SVR tunggal.

---

ABSTRACTTraffic internet forecasting is one kind of approaches which can be implemented by internet service provider in order to keep and improve the offered internet service quality. This research uses the combination of self organizing map (SOM) and support vector regression (SVR) algorithm as forecasting method. SOM is first used to decompose the whole historical data of traffic internet into some clusters, while SVR is used to build a forecasting model in each formed cluster. The forecasting results of internet traffic data in this research show that the forecasting model by using SOM-SVR method can give more accurate prediction in terms of smaller error value compared to single SVR method."

"Self-Organizing Map (SOM) yang dikenal juga dengan Kohonen Feature map merupakan algoritme Jaringan Saraf Tiruan yang merepresentasikan arsitektur Topological Preserving Map. Algoritma tersebut menggunakan pembelajaran dengan metode unsuperised learning. Dari sisi topologi jika terdapat sekumpulan data yang dimasukkan ke dalam SOM maka akan terbentuk kumpulan neuron yang merupakan representasi dari data tersebut. Dan ketika memasuki proses learning, neuron neuron tersebut dengan sendirinya akan menempati tempatnya masing-masing secara statistik dan topologis.Dengan kata lain pada setiap iterasi dicari strategi dengan memanfaatkan dua buah informasi yaitu informasi lokal dalam point yang direperesentasikan dan juga informasi global dari keseluruhan data dalam himpunan point tersebut. Penerapan metode yang menggunakan informasi statistik tersebut menjadi dasar pembentukan algoritma pembelajaran yang disebut Kohonen Network Incorporating Explixci Statistics (KNIES).Uji coba terhadap kinerja algoritma KNIES dilakukan pada permasalahan Travelling Salesman Problem (TSP). Kumpulan kasus-kasus TSP disediakan dalam pustaka yang disebut TSPLIB. Dalam TSPLIB juga disertakan hasil optimum tour yang dilakukan oleh algoritma eksak.Dari kumpulan kota tersebut diujikan pada perangkat lunak KIES dengan radius 0.5 diperoleh hasil terburuk adalah (9.70%) didapatkan oleh Pcb442 . Sedangkan hasil rata-rata adalah 3.85%."

"Penelitian yang dilakukan berupa pengembangan terhadap sistem pendeteksi plagiarisme otomatis sehingga dapat menerapkan jaringan saraf tiruan Self-Organizing Map SOM untuk melakukan klasifikasi terhadap hasil keluaran Latent Semantic Analysis. SOM dipilih untuk melakukan klasifikasi karena algoritma ini tidap perlu melakukan supervisi pada proses pembelajarannya sehingga dapat secara otomatis menentukan tingkat plagiarisme antar paragraf yang tidak mudah ditentukan secara langsung oleh manusia. Selain itu dilakukan perbandingan akurasi penentuan tingkat plagiarisme yang dimiliki oleh sistem apabila hanya menggunakan LSA saja, penggunaan LSA dengan SOM, dan penggunaan LSA dengan Learning Vector Quantization LVQ. Penggunaan SOM dan LVQ dilakukan untuk melakukan klasifikasi tingkat plagiarisme dari hasil keluaran LSA. Penentuan tingkat plagiarisme sudah cukup dilakukan apabila hanya menggunakan LSA saja, dimana sudah dapat menghasilkan tingkat akurasi paling tinggi yaitu 86,24. Namun, penggunaan SOM dengan jumlah kelas sebanyak 2 dengan 3 parameter memberikan rata-rata tingkat akurasi yang sedikit lebih rendah, yaitu sebesar 82,00. Sedangkan penggunaan LVQ dengan jumlah kelas sebanyak 2 dengan 3 parameter juga memberikan rata-rata tingkat akurasi yang sedikit lebih tinggi dibandingkan, yaitu sebesar 82,10.

---

This research has concern on deployment of neural network algorithm Self Organizing Map SOM in automatic plagiarism detector so it could be used to classify the output from Latent Semantic Analysis. SOM is chosen because it is an unsupervised neural network algorithm. With unsupervised neural network, it could determine the plagiarism level between paragraf automatically, which hard for human to determine it. Other than deployment of SOM, this research also focusses on the comparison of accuracy of the system if the system only deploys pure LSA, combination of LSA and SOM, and combination of LSA and Learning Vector Quantization LVQ.

SOM and LVQ are used to do classification for the output from LSA. Plagiarism level could be determined by the result of LSA only. It has 86,24 as the highest accuracy level. But, the usage of SOM with 2 classes and 3 parameters gives lower average of accuracy, which is 82,00 . Therefore, usage of LVQ with 2 classes and 3 parameters gives slight better accuracy than SOM, which is 82,10."