Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam makalah ni akan dibahas sistem pengenal huruf tulisan tangan (SPHTT) yang terdiri dari sub-siostem pra-pengolahan citra, sub-sistem ekstraksi ciri dan sub-sistem klasifikasi. Sub sistem ekstrakasi ciri menggunakan proses aproksimasi kerangka setiap huruf dan memecah kerangka tersebut menjadi beberapa segmen dengan menentukan sejumlah titik penting dalam kerangka. Dalam sistem ini jaringan syaraf tiruan propadasi balik digunakan sebagai sub-sistem klasifikasi. Setiap segmen huruf tulisan tangan tersebut kemudian dipresentasikan sebagai loop, garis dan kurva dengan beberapa sifat yang berkaitan. Dalam makalah ini dijelaskan pula penggunaan sub-sistem ekstraksi ciri berlogika fuzzy untuk mendapatkan representasi terhadap bentuk yang telah ditetapkan sebelumnya. Eksperimen dilakukan dengan mengujukan data yang dilatihkan, sistem mempunyai akurasi pengenalan sampai dengan 97.69% sementara untuk data yang tidak dilatihkan akurasi pengenalan yang dicapai adalah 84.6%"

"Biometrik adalah proses identifikasi dan autentikasi berdasarkan atribut unik yang dimiliki oleh manusia. Salah satu atribut manusia yang dapat digunakan untuk biometrik adalah iris. Iris adalah bagian dari mata yang mengatur banyaknya cahaya yang masuk mengenai retina. Iris berbentuk lingkaran dan memiliki karakteristik yang unik pada setiap orang. Penelitian ini adalah tentang pengenalan iris untuk biometrik.Dalam penelitian ini pembuatan vektor masukan untuk pengenalan dilakukan dengan cara yang berbeda dari biasanya yaitu dengan melingkar, sesuai bentuk iris. Untuk pengenalannya digunakan metode pattern matching dan jaringan syaraf tiruan. Dengan pembuatan vektor masukan secara melingkar, tingkat pengenalan yang dihasilkan cukup tinggi terutama jika metode pengenalan yang digunakan adalah dengan pattern matching.

---

Biometric is the process of identification and authentication based on many unique attributes of human. One of the usable human attributes for biometric is iris. Iris is a part of the human eye which controls the amount of light going to the retina. Iris is circular and each person has a different iris characteristics. This research is about iris recognition for biometrics.

In this research, the input vector for recognition is created with a different way from the usual. The input vector is created by following iris shape which is circular. The recognition process is done by using pattern matching and artificial neural network. The creation of input vector by circling yields a high recognition rate, especially when pattern matching is used for the recognition process."

"Penggunaan citra sidik jari untuk berbagai macam aplikasi telah banyak dikembangkan, antara lain untuk sistem keamanan, klasifikasi sidik jari, identifikasi manusia dan digunakan oleh kepolisian untuk mengidentikasi orang yang dicurigai atau terlibat dalam suatu kejahatan. Pada identifkasi tersebut masih sering digunakan metode konvensional, yaitu dilihat secara visual berdasarkan pada parameter yang ada pada buku pedoman dan petunjuk identifkasi di kepolisian. Dari beberapa metode yang telah dikembangkan untuk mengganti metode konvensional tersebut, diperlukan parameter pengontrol yaitu nilai bobot yang sesuai agar kesalahan (error) pelatihan dan pengecekan mendekati nol. Sehingga dalam mendapatkan nilai parameter yang sesuai tersebut dilakukan dengan coba-coba (trial and error) dan epoch yang besar serta dibutuhkan waktu yang lama.Dalam penelitian ini, mengembangkan pemrograman modul pemrosesan citra menggunakan software Matlab versi 6.5 untuk mendapatkan data sudut rata-rata alur sidik jari (code arah) dan bifurkasi, serta proses pengenalan pola sidik jari menggunakan sistem penalaran adaptif yaitu sistem yang dapat mengontrol kesalahan (error) pelatihan dan pengecekan berbasis jaringan saraf dan logika fuzzy (neurofuzzy) dengan menggunakan tools Adaptive Neuro Fuzzy Inference System (ANFIS) yang ada di Matlab. Adapun sistem pengenalan pola sidik jari dilakukan dalam dua modul yaitu modul pemrosesan dan modul pengenalan. Pada modul pemrosesan terdiri dari proses pengambilan data citra yang berbeda dengan menggunakan scanning, proses perubahan citra sidik jari menjadi citra hitam-putih (biner), prosess penipisan (thinning) dan selanjutnya dilakukan ekstraksi citra sidik jari. Dalam modul pengenalan, dilakukan proses pengenalan data-data kode arah dan bifurkasi dari citra sidik jari yang berbeda menggunakan sistem penalaran adaptif berbasis neuro fuzzy.Dari hasil penelitian, waktu untuk proses pengenalan dan pengecekan pola sidik jari menggunakan sistem penalaran adaptif berbasis neuro-fuzzy 6 detik dan epoch 100, lebih cepat dibandingkan dengan pengenalan pola sidik jari berbasis jaringan saraf (neural network) selama 14 detik Semakin kecil error rata-rata pengenalan pola sidik jari maka prosentase kemiripan watt kecocokan dengan citra target semakin besar. Prosentase kemiripan pada pengenalan pola sidik jari berdasarkan data kode arah mencapai 99%, jauh lebih tinggi dan lebih baik prosentasenya dibandingkan dengan pengenalan pola sidikjari berdasarkan data bifukasi yang hanya mencapai 76%.

---

Fingerprint images that used for divers kinds of application has been developed among others for security system, classification of fingerprint, identification of human being and also used by the police to identify any suspects or those engaged in a crime. The conventional identification method is frequently used, namely by means of visual identification based on the existing parameters in the directory of identification book From some methods that have been developed to replace the conventional method, appropriate control parameters are needed so error in training and checking is close to zero, therefore trial and error is carried out to get such appropriate parametric values and great epoch with time is longer.

In this research, we developed programming of the image processing module used Matlab software version 6.5 to have bifurcation code data and bifurcation data, and fingerprint pattern recognition process using adaptive reasoning system, namely a system which can control error of training and checking close to zero based on neural network and fuzzy logic with used Adaptive Neuro Fuzzy Inference System (ANFIS) tools in Matlab. The fingerprint pattern recognition system is carried out in two modules, that is processing module and recognition module. The processing module consists of a process of image data collection, which is different from the one, which uses scanning; a process of changing fingerprint images to black and white (binary) images, followed then by a process of thinning and then fingerprints extraction. In the recognition module, a process of identification of data on code of direction and bifurcation of fingerprint images, which is different from the one, which uses adaptive reasoning system, based on neuro-fuzzy.

From the result of research, we have time of fingerprint recognition using adaptive reasoning system based on neuro-fuzzy is 6 second and epoch 100, it is faster then fingerprint recognition using neural network If average errors is small then percentage of similarity input images with target fingerprint images are bigger. Percentage of similarity fingerprint recognition based on direction code is 99%, it is higher and most good then percentage fingerprint recognition based on bifurcation data that just result is 76%."

"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 %."

"ABSTRAKDalam bidang kriminal, pengenalan sidik jari membutuhkan banyak waktu dan tenaga, karena itu Lerbagai cara otomatisasi dilakukan untuk mempermudah serta mempercepat proses pengenalan sidik jari tersebut. Salah satu teknik otomatisasi untuk pengenalan sidik jari ini adalah dengan menggunakan komputer dan pemanfaatan aplikasi dad jaringan saraf buatan.Dalam skripsi ini digunakan proses otomatisasi dengan menggunakan gabungan dari proses-proses pengolahan citra dan jaringan saraf buatan. Citra sidik jari hasil scanning diolah dan diproses sehingga didapatkan ciri-ciri sidik jari bersangkutan, berupa kode arah rata-rata dan jumlah bifurkasi. Ciri-ciri ini kcmudian dimasukkan ke dalam suatu sistem jaringan saraf buatan untuk- proses pelatihan sehingga jaringan saraf tersebut dapat digunakan sebagai standar pembanding untuk proses identifikasi.Jaringan saraf yang dirancang dan diterapkan dalam skripsi ini adalah salah satu dari topologi jaringan saraf mulliiayer dengan algoritma pelatihan propagasi balik, karena dari hasil yang diperoleh telah menunjukkan proses pengenalan yang cukup akurat dan memakan waktu yang singkat.

---

"

"Untuk mengenali penyakit kanker sel darah putih (leukemia) dewasa ini masih dilakukan proses konvensional yang memakan waktu cukup lama dalam proses pengenalannya. Tugas akhir ini bertujuan untuk mengenali penyakit leukemia dari citra darah dengan menerapkan teknik pengolahan citra dan metode jaringan syaraf tiruan. Pada proses pengenalan penyakit ini, sistem yang sudah mengakuisisi citra darah akan melakukan proses cropping, resizing, dan membuat citra tersebut menjadi blok-blok matriks berukuran 4_4. Kemudian citra dalam format RGB dikonversikan ke dalam model warna HSV agar memiliki ruang warna yang lebih natural. Untuk mendapatkan fitur warna salah satu elemen warna yakni Hue akan diekstraksi untuk mendapatkan matriks nilai karakteristiknya. Nilai karakteristik hasil ekstraksi fitur warna tersebut kemudian akan dilatih oleh jaringan syaraf tiruan dan dimasukkan ke dalam database. Jaringan syaraf tiruan terdiri atas 3 layer input, 3 layer tersembunyi dan 1 layer keluaran. Dari hasil uji coba, diperoleh tingkat akurasi rata - rata sebesar 83.33% menggunakan 3 input untuk setiap jenis penyakit leukemia dan 20 kali pelatihan jaringan syaraf tiruan.

---

Recognize the white blood cell cancer disease (leukemia) identification today, still use conventional method and time consuming. The Objective of this research is to identify leukemia disease from blood image using image processing technique and artificial neural network. In this identification disease process, the system which has made acquisition of the blood image will process the cropping, resizing and divide the image into 4 _ 4 matrix blocks. Then the image in RGB format is converted to HSV color model in order to have a more natural color.

In order to acquire color feature, one of the element which is Hue will be extracted to get characteristic value of the matrix. The characteristic value from the extracted color feature will then be trained by artificial neural network and inserted into the database. The artificial neural network consisted of 3 input layer, 3 hidden layer and 1 output layer. From the test result, we acquire an average level of accuracy of 83.33% using 3 inputs for every types of leukemia and 20 times of artificial neural network training."