Hasil Pencarian  ::  Simpan CSV :: Kembali

"Telah dilakukan penelitian terhadap pengembangan algoritma FNGLVQ sehingga memiliki karakteristik adaptif terhadap data input sehingga besaran perubahan vektor referensi memiliki besaran nilai yang adaptif. Karakteristik adaptif didapatkan dengan melakukan modifikasi terhadap perubahan update bobot dengan melakukan penurunan fungsi keanggotaan fuzzy tidak hanya terhadap parameter mean (yang dilakukan pada FNGLVQ awal) namun penurunan dilakukan terhadap kedua nilai min dan max sehingga besaran perubahan nilai min dan max akan bervariasi (tidak konstan seperti FNGLVQ) yang tergantung dari besaran input yang digunakan.Karakteristik ini dapat meningkatkan akurasi dalam percobaan dalam ketiga jenis data, yakni data EKG Aritmia, data pengenalan Aroma dengan 3 campuran, serta data Sleep secara keseluruhan, namun perbedaan nilai akurasi terbesar didapatkan dari pengujian data pengenalan aroma 3 campuran. Pengembangan karakteristik adaptif terhadap algoritma FNGLVQ dilakukan dengan kedua jenis fungsi keanggotaan yakni fungsi keanggotaan segitiga dan fungsi keanggotaan PI, dan FNGLVQ adaptif dengan fungsi keanggotaan PI sedikit lebih baik dibandingkan FNGLVQ adaptif dengan fungsi keanggotaan segitiga.

---

This research has been conducted on the development of FNGLVQ algorithms which have adaptive characteristics to the input data so that the amount of change in the reference vector has a magnitude of adaptive value. Adaptive characteristics are obtained by modifying the update changes the weight by doing a fuzzy membership function derivation. This is not only performed on the parameters of the mean (which is done at the beginning FNGLVQ) but they are derivated to both min and max values so that the amount of change in the weight and is continued with min and max values will vary (not constant as in the case of FNGLVQ) which in turn depends on the amount of inputs used.

These characteristics may increase the accuracy of the experiment in all three types of data, including data Arrhythmia ECG, data recognition Aroma with 3 mix, as well as overall Sleep data, but the biggest difference is the accuracy of values which have obtained from the test for 3 mixed aroma data recognition. Development of adaptive characteristics of the algorithm FNGLVQ has been performed with both types of membership functions namely triangular membership functions and PI membership functions, and FNGLVQ PI adaptive membership functions has been found to be slightly better than FNGLVQ adaptive triangular membership functions."

"Tidur merupakan suatu kondisi istirahat alami yang dialami tubuh yang sangat penting bagi kesehatan. Dengan waktu tidur yang tercukupi maka kondisi tubuh akan selalu segar karena pada saat tidur tubuh kita melakukan regenerasi terhadap sel-sel tubuh yang telah rusak ataupun mati. Namun hal tersebut tidak akan tercapai apabila kualitas tidur tidak baik. Penelitian pengenai pengukuran kualitas tidur hingga kini masih dilakukan. Salah satunya adalah penelitian yang dilakukan tim peneliti dari Fakultas Ilmu Komputer, Universitas Indonesia.Pengukuran kualitas tidur dilakukan dengan melakukan pengenalan tahapan tidur berdasarkan sinyal Elektrokardiogram (EKG). Karakteristik data yang overlaping dan distribusi data yang menyebar masih mejadi permasalahan utama pada pengenalan tahapan tidur. Dalam penelitian ini, dikembangkan sebuah algoritma Adaptive Multi Codebook Fuzzy Neuro Generalize Learning Vector Quantizatio (AMFNGLVQ) untuk mengatasi data yang overlaping dan distribusi yang menyebar. Berdasarkan hasil pengujian, metode yang diusulkan memiliki tingkat akurasi dan nilai kappa yang lebih baik. Berdasarkan hasil pengujian, metode yang diusulkan mampu memperbaiki tingkat pengenalan dengan kenaikan 2% hingga 3 % untuk data Mitra dan 0.5% hingga 1.5% untuk data MIT-BIH. Sedangkan untuk pengujian menggunakan seluruh data Mitra kenaikan rata-rata tingkat akurasi mencapai 3% hingga 7%.

---

Sleep is a natural experienced condition by the body for relaxation, that is very essential for health. If the sleep time has been adequate, the body condition will always be fresh because our body can regenerate the body cells to maintain health. However, that condition will not be achieved if the quality of our sleep is not good. Research on sleep quality measurement is still progressing. One study is by a team of researchers from the Faculty of Computer Science, University of Indonesia. In this study, an Adaptive Neuro Fuzzy Multi Codebook Generalized Learning Vector Quantization (AMFNGLVQ) algorithm has been developed to overcome the data overlapping and distribution spread problems.Sleep quality measurement is done by identifying sleep stages based on electrocardiogram (ECG) signal. Data Overlapping and distribution spreads are still the main problems in identifying sleep stages. Based on experiment results, the proposed method has an accuracy rate and kappa values better than previous algorithm. Based on the results of testing the proposed method can improve the recognition rate with an increase of 2% to 3% for Mitra data and 0.5% to 1.5% for the MIT-BIH data. As for the test using the entire data Mitra average increase in accuracy rate reaches 3% to 7%."

"ABSTRAK Pemilihan prototype menggunakan single prototype memiliki kelemahan dimana daerah yang minor (distribusi datanya sedikit) belum dapat ter-cover dengan baik, sehingga dibutuhkan penggunaan multiple prototype agar data yang memiliki ketersebaran data yang tidak merata pada kelas yang sama dapat terwakilkan. Pada penelitian kali ini, akan diterapkan suatu metode incremental learning yang akan diintegrasikan dengan algoritma FNGLVQ. Metode incremental learning yang digunakan adalah metode random, statis dan dinamis. Metode random dilakukan dengan cara memilih prototype dari luar secara random dengan penetapan jumlah 2,5,10 dan 20 prototype perkelasnya; metode statis dengan memanfaatkan sifat keabuan dari nilai similaritas fuzzy yaitu menggunakan threshold di bawah nilai 0.5, 0.4, 0.3, 0.2 dan 0.1 sebagai kriteria pemasukan prototype sementara untuk metode dinamis juga menggunakan threshold yang diadaptasi dari penelitian (Xu Ye, 2012), namun dalam penelitian ini akan dilakukan penyesuaian mengikuti bentuk prototype yang digunakan yaitu dalam bentuk fuzzy. Dari keseluruhan metode incremental learning ini yang digunakan baik random, statis maupun dinamis, akurasi meningkat sebesar ±3 – 5% dari single prototype. Sementara untuk metode dinamis sendiri memiliki keunggulan di atas rata-rata dari metode random maupun statis baik dalam hal akurasi dan efisiensi jumlah prototype yaitu sebesar 94.78% dengan ±7 buah prototype pada uji data simulasi dengan menggunakan gaussian mixture models.

---

ABSTRACT Selection of prototype using single have a weakness where minor area could not cover well and need multiple prototype for a solution. In this research, incremental learning method will be integrated to FNGLVQ algorithm. Incremental learning method will be used random, static and dynamic. Random method will be selection of prototype from outside system randomly with 2, 5, 10, 20 prototype each class; statis method using threshold based on grey area of fuzzy similarity characteristic with using value under 0.5, 0.4, 0.3, 0.2 and 0.1 as criteria of entering the prototype to the set prototype, while dynamic method using threshold that adaptation from (Xu Ye, 2012), but in this research will be change form of prototype from crisp to fuzzy. From all incremental learning method that used such as random, static and dynamic, accuracy increasing about 3 until 5 % from single prototype. While dynamic threshold have an average superior than random and static method in accuracy andamount of prototype with 94.78% and ±7 prototypes on testing in simulation data using gaussian mixture models."

"Tesis ini membahas tentang sebuah metoda Principal Component Analysis untuk data yang terbentuk dari bilangan fuzzy. Metoda ini akan mentransformasi data fuzzy yang berada dalam ruang data berdimensi d ke sebuah ruang eigen yang berdimensi p dengan p < d, menggunakan sebuah Jaringan Neural Buatan Autoassociative Neural Network. Pengujian menggunakan data aroma dan data citra yang memiliki noise. Hasil dari percobaan menunjukkan bahwa metoda ini telah berhasil melakukan pemetaan terhadap data-data tersebut. Hasil percobaan juga menunjukkan bahwa metode ini lebih cocok digunakan pada data fuzzy berdimensi besar dan memiliki banyak dimensi yang berisi data redundant."

"Latar belakang penelitian ini adalah kebutuhan penerapan pengenalan wajah dalam berbagai aplikasi dunia nyata. Pengenalan wajah dapat dilakukan dengan beberapa pendekatan, salah satunya adalah pendekatan dengan jaringan syaraf tiruan. Salah satu algoritma yang dikenal dan digunakan adalah Fuzzy Neuro Learning Vector Quantization (FNLVQ). Pernyataan masalah yang muncul adalah tingkat pengenalan FNLVQ konvensional yang masih bisa ditingkatkan dan kebutuhan akan jaringan yang mampu membaca citra yang mengandung noise. Tujuan riset ini adalah untuk memperlajari karakteristik algoritma FNLVQ melalui eksperimen dan pengujian terhadap citra asli dan citra dengan noise, pengembangan algoritma FNLVQ berbasiskan dimensi dalam rangka meningkatkan tingkat pengenalan serta mengujinya dengan citra asli dan citra dengan noise, serta perbandingan performa antara keduanya. Ada 2 kriteria pengukuran hasil, yaitu tingkat identifikasi dan klasifikasi. Tingkat identifikasi kemampuan jaringan untuk mengidentifikasi citra sebagai kelas yang sesuai sedangkan tingkat klasifikasi adalah kemampuan jaringan untuk memisahkan antara citra yang teregistrasi dan tidak teregistrasi. Tingkat identifikasi algoritma berbasiskan vektor konvensional adalah 30% dan meningkat hingga 85% dengan algoritma berbasiskan dimensi. Dalam hal tingkat klasifikasi, algoritma konvensional cenderung tidak mampu mengenali data tidak teregistrasi, sedangkan algoritma berbasiskan dimensi mampu memisahkan data teregistrasi dan tidak teregistrasi dengan baik. Untuk citra dengan noise, kedua algoritma mengalami penurunan pengenalan. Tingkat identifikasi algoritma berbasiskan dimensi masih tidak lebih baik daripada algoritma konvensional berbasiskan vektor untuk beberapa jenis noise, tetapi tingkat klasifikasi yang dicapai lebih baik antara pengenalan data teregistrasi dan tidak teregistrasi.The background of this research was the need to apply face recognition in many applications in real life. Face recognition can be done using a number of approaches, one of them is by using artificial neural networks. A known algorithm used to train a neural network is the Fuzzy Neuro Learning Vector Quantization (FNLVQ). The research questions emerging from this background were the issue of the FNLVQ recognition rate that can still be increased and the need to create a network that is robust to noise. The research objectives were to study of the characteristics of the FNLVQ algorithm using experiments and testing it with both pure and noisy images, in attempt to increase the recognition rate the dimension-based approach to the FNLVQ learning algorithm was developed and tested with both pure and noisy images, and finally the two algorithms were then compared and analyzed. There were 2 criterions of measurement, the identification rate and classification rate. The identification rate is the ability of the algorithm to identify each image as the right person, and the classification rate is the ability of the algorithm to classify an image as a registered or unregistered person. The identification rate was around 30% with the conventional vector based algorithm, and could be increased to 85% with the dimension based algorithm. For the classification rate, with the conventional algorithm the unregistered data could not be recognized and with the new dimension-based approach, the unregistered and registered data could be differetiated. As for the noisy images, both algorithms experienced a decreased recognition rate. The identification rate of the dimension based algorithm still did not exceed the recognition rate of the vector based algorithm for most noises, but the classification rate was more stable between both registered and unregistered clusters."

"Penelitian tugas akhir ini meliputi tiga hal utama, yaitu pengembangan perangkat lunak sistem pintu otomatis yang dapat berjalan secara real time, penerapan algoritma pengenalan wajah Fuzzy Neuro Learning Vector Quantization berbasiskan dimensi pada perangkat lunak, dan pengujian atau eksperimen dari algoritma Fuzzy Neuro Learning Vector Quantization berbasiskan dimensi dengan menggunakan data wajah yang tidak ideal. Hasil yang diharapkan adalah perangkat lunak dari sistem yang dapat berjalan secara real time, dan gambaran perilaku dari algoritma Fuzzy Neuro Learning Vector Quantization berbasiskan dimensi dalam menangani data tidak ideal.The purpose of this final project research included three main things, the development of auto door-lock system software that can run in real time, the application of the Fuzzy Neuro Learning Vector Quantization dimension based algorithm, and the experiment of Fuzzy Neuro Learning Vector Quantization dimension based algorithm using non ideal data. The results of this research are, the real time auto door-lock system software, and the behavior of Fuzzy Neuro Learning Vector Quantization dimension based algorithm in dealing with non ideal data."

"ABSTRAKSistem penciuman elektronik terdiri dari 3 bagian yaitu sistem sensor yang merubah besaran aroma menjadi besaran listrik, sistem elektronik yang mengukur besar perubahan frekuensi sensor dan sistem jaringan neural buatan yang melakukan pengenalan aroma. Peningkatan kemampuan pengenalan aroma yang cepat, tepat dan akurat pada sistem neural buatan sangat diperlukan oleh sistem penciuman elektronik ini, untuk itu perlu dikembangkan metode fuzzy learning vector quantization. Metode FLVQ merupakan metode jaringan neural buatan berbasis pada vector quantization yang mengintegrasikan teuri fuzzy dalam proses pembelajarannya dan mempunyai algoritma yang sederhana tetapi berkemampuan tinggi dalam pengenalan aroma. Pengembangan fuzzy learning vector quantization berfokus pada proses pembelajarannya terutama pada cara merubah fuzziness vektor pewakil. Berdasarkan cara perubahan fuzzinessnya ada tiga variasi FLVQ yang dinamakan FLVQ konstan, yaitu merubah lebar fuzziness vektor pewakil dengan besaran yang konstan; FLVQ variabel, yaitu merubah lebar fuzziness vektor pewakil berdasarkan nilai similaritas; dan FLVQ tunggal, yaitu merubah lebar fuzziness vektor pewakil hanya pada salah satu bagian sisinya. Hasil Penelitian dengan sampel aroma produk marta tilaar dan aroma etanol menunjukkan bahwa jaringan neural buatan FLVQ mempunyai kemampuan pengenalan yang lebih baik bila dibandingkan dengan propagasi balik."

"Tesis ini meneliti metode pengklasifikasian menggunakan metode jaringan syaraf tiruan untuk mengklasifikasikan data aroma. Data aroma adalah data keluaran dari sistem penciuman elektronik. Penelitian ini merupakan lanjutan penelitian sebelumnya yaitu metode pengklasifikasian fuzzy-neuro learning vector quantization (fnlvq). Sebelumnya telah dikembangkan pula metode matrix similarity analysis (msa) guna menentukan kriteria pemberhentian algoritma fnlvq.Dalam penelitian ini akan dikembangkan dua metode fnlvq yang akan dioptimasikan dengan metode swarm intelligence yaitu fnlvq-particle swarm optimization (pso) dan metode swarm-fnlvq. Dengan menggunakan validasi silang, hasil dari penelitian ini menunjukkan bahwa rata-rata tingkat pengklasifikasian untuk aroma tiga campuran menggunakan fnlvq-pso sebesar 91% dan swarm-fnlvq sebesar 90% dimana kedua metode ini lebih baik daripada fnlvq yang sebesar 79% dan fnlvq-msa sebesar 77%.

---

This thesis examines a classification method based on artificial neural networks to classifying various mixture of fragrance which is the output of the electronic nose system. This research is a continuation research of earlier fuzzy-neuro learning vector quantization (fnlvq) classification method. Previously a matrix similarity analysis method is developed to determine a stopping criterion of fnlvq algorithms.

This research objective is to develops two modification fnlvq method based on swarm intelligence method namely fnlvq-particle swarm optimization (pso) and swarm-fnlvq methods. By using cross validation, this research showed that the average classification rate of fnlvq-pso is 91% whether swarm-fnlvq is 90%, this two methods is better than conventional fnlvq with 79% and fnlvq-msa at 77%."

"ABSTRAKPada beberapa tahun terakhir, sistem pengenalan wajah telah marak digunakan dalam berbagai aspek sebagai wujud dari kemajuan teknologi. Berbagai penelitian dilakukan untuk terus memperbaiki akurasi dari pengenalan wajah. Pada penelitian ini digunakan metode klasifikasi Learning Vector Quantization dan Fuzzy Kernel Learning Vector Quantization. Data yang digunakan adalah Labeled Face in The Wild-a LFW-a. Database ini tidak memiliki batasan seperti latar belakang, ekspresi, posisi, dan sebagainya. Berdasarkan hasil uji coba menggunakan database LFW-a, sistem pengenalan wajah dengan metode LVQ memiliki akurasi tertinggi 89,33 dan metode FKLVQ memiliki akurasi tertinggi 89,33 pula.

---

ABSTRACTIn recent years, face recognition is widely used in various aspects as a form of technology advancement. Various studies are conducted to keep improving the accuracy of face recognition. In this research, Learning Vector Quantization and Fuzzy Kernel Learning Vector Quantization are used as a method of classification. The data used in this research is Labeled Face in The Wild a LFW a. This database has no restrictions such as background, expression, position, and so on. Based on test results using LFW a database, face recognition using LVQ method has highest accuracy at 89,33 and FKLVQ method has highest accuracy at 89,33 as well."

"ABSTRAKLearning Vector Quantization (LVQ) merupakan salah satu metode yang digunakan dalam jaringan syaraf tiruan atau Artificial Neural Network. Namun untuk data yang bervariasi,performa LVQ mengalami penurunan, hal ini terlihat dari tingkat rekognisi yang diperoleh. Oleh karena itu dikembangkan metode logika Fuzzy yang diperkirakan mampu menaikkan kembali tingkat rekognisi dan performa dari LVQ . Hasil yang diperoleh menunjukkan bahwa dengan logika Fuzzy tingkat rekognisi naik hingga 40 %.

---

ABSTRACT

Learning Vector Quantization (LVQ) is one of the method that used in Artificial Neural Network.,but result shows that any data variations have decreasing the recognition rate. Fuzzy Logic developed to increasing and reinstate the recognition rate of LVQ. With Fuzzy logic, the result shows that recognition rate achieve 40% of increasing."