Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem pengenal objek 3 dimensi secara otomatis sedang banyak diteliti, berkaitan dengan kegunaannya dalam masalah keamanan dan perkantoran degnan tingkat kerahasisaan yang tinggi. Aplikasi dalam sistem multi media juga memerlukan sistem pengenalan 3 dimensi ini. Akan tetapi hingga sekarang, tingkat pengenalan yang tinggi disertai dengan waktu dan biaya komputasi rendah masih sangat sulit untuk dapat dilakukan. Dalam makalah ini, penulis akan menggunakan jaringan percentron lapis jamak yang telah dimodifikasi pada lapis tersembunyi untuk diterapka ndalam sistem pengenal 3 dimensi ini. Modifikasi ini dilakukan dengan menggantikan setiap neuron pada jaringan perceptron lapis jamak dengan sbuat (atau beberapa bua) lingkaran neuron-neuron sehingga membentuk lapis tersembunyi berbentuk silinder. Makalah ini juga akan membahas penggunaan beberapa fungsi kesalahan dan pengaruhnya terhadap tingkat pengenalan sistem. Dengan menggunakan jaringan syarat buatan dengan lapis tersembunyi berbentuk silinder ini, kemampuan sistem ini dapat ditingkatkan hingga mencapai tingkat pengenalan sebesar 97.2%"

"Cylindrical Hidden Multi-Layer Perceptron Back Propagation (CHMLP-BP) adalah sistem jaringan syaraf tiruan berdasarkan multy-layer perceptron untuk mengenali objek 3 dimensi secara horizontal. Arsitektur CHMLP-BP dikembangkan lebih lanjut menjadi Hemisphere Structure of Hidden Layer (HSHL) sehingga mampu mengenali objek 3 dimensi secara vertikal dan horizontal dengan lingkup ½ bola. Efektifitas HSHL mendorong disempurnakannya arsitektur HSHL agar dapat mengenali objek 3 dimensi dengan lingkup 1 bola penuh. menjadi Spheric Structure of Hidden Layer. Dalam pengembangan SSHL dilakukan juga penambahan pemrosesan pada citra masukan dengan melakukan inversi dan perentangan nilai piksel citra masukan. Dilakukan juga modifikasi pada metode pengklasifikasian kelas pada neuron keluaran dari penggunaan batas treshold ½ untuk menentukan apakah neuron harus dibaca sebagai 1 atau 0 menjadi menggunakan metode greedy dengan harapan proses pembelajaran menjadi lebih mudah dan pengenalan objek 3 dimensi menjadi lebih baik. Metode eksperimen yang dilakukan pada SSHL menggunakan Percentage of Learning/Testing Paradigm. Kemampuan pengenalan objek 3 dimensi terbaik didapatkan pada jenis jaringan Multiplied untuk arsitektur SSHL Tunggal maupun Jamak dengan prosentase data pelatihan sebesar 47% didapatkan pengenalan sekitar 94% - 95% khususnya menggunakan Multiplied 3 Lapis yang mencapai 95.87%. Pengenalan terburuk pada SSHL didapatkan pada SSHL Tunggal Normal dengan prosentase data pelatihan sebesar 26% diperolah hasil pengenalan mencapai 81.02%."

"[Dewasa ini, teknologi berkembang dengan sangat pesat, salah satu contoh teknologi yang sedang marak beberapa tahun belakangan ini adalah 3D face recognition. Teknologi ini menggabungkan data biometrik berupa wajah orang yang diambil dari beberapa sudut (horizontal dan vertikal) dan jaringan saraf tiruan. Untuk memperbaiki tingkat rekognisi yang rendah pada saat menggunakan data crisp, maka digunakanlah metode fuzzy. Percobaan akan dilakukan sebanyak tiga kali karena terdapat tiga cluster yang masing-masing cluster terdiri dari beberapa set orang. Pertama-tama, data akan diolah secara bertahap pada fase fuzzification dimulai dari parameter ekspresi, orang, dan sudut. Tahapan selanjutnya adalah membuat referensi pada fase fuzzy manifold untuk kemudian digunakan pada fase fuzzy nearest distance. Pada fase fuzzy nearest distance akan dicari jarak terpendek dari data testing dengan referensi yang sudah ada. Hasil keluaran dari sistem ini adalah kombinasi sudut horizontal dan vertikal dari tiap-tiap cluster yang nantinya akan dimasukkan kedalam Jaringan Saraf Tiruan (JST) dengan lapis tersembunyi berstruktur hemisfer untuk mendapatkan tingkat rekognisi. Secara keseluruhan rata-rata tingkat rekognisi setiap cluster sudah bisa mencapai 80%. Hal ini menunjukkan sistem sudah cukup optimal dalam mengenali pola wajah yang ada. ;The development of technology is growing rapidly, one of the examples of the technology that is emerging in recent years is 3D face recognition. This technology combines biometric data in form of faces which are taken from several angles (combination of horizontal and vertical angles) and artificial neural network. In order to improve the low recognition rate from crisp data, fuzzy method is used. The experiment will be performed three times because there are three cluster which are consist of several set of person. Firstly, the data will be processed step by step in fuzzification phase starting from the level of expression continued with the level of face and lastly is the level of person. With the use fuzzification, the crisp data can be converted into fuzzy. The next step is to make references in fuzzy manifold phase in order to be used in fuzzy nearest distance phase. In fuzzy nearest distance phase, the shortest distance between the testing data the references will be processed in artificial neural network with hemispheric structured hidden layer. Generally, the average of the all recognition rate can reach up to 80% which means that the system can recognize the face pattern quite good. ;The development of technology is growing rapidly, one of the examples of the technology that is emerging in recent years is 3D face recognition. This technology combines biometric data in form of faces which are taken from several angles (combination of horizontal and vertical angles) and artificial neural network. In order to improve the low recognition rate from crisp data, fuzzy method is used. The experiment will be performed three times because there are three cluster which are consist of several set of person. Firstly, the data will be processed step by step in fuzzification phase starting from the level of expression continued with the level of face and lastly is the level of person. With the use fuzzification, the crisp data can be converted into fuzzy. The next step is to make references in fuzzy manifold phase in order to be used in fuzzy nearest distance phase. In fuzzy nearest distance phase, the shortest distance between the testing data the references will be processed in artificial neural network with hemispheric structured hidden layer. Generally, the average of the all recognition rate can reach up to 80% which means that the system can recognize the face pattern quite good. , The development of technology is growing rapidly, one of the examples of the technology that is emerging in recent years is 3D face recognition. This technology combines biometric data in form of faces which are taken from several angles (combination of horizontal and vertical angles) and artificial neural network. In order to improve the low recognition rate from crisp data, fuzzy method is used. The experiment will be performed three times because there are three cluster which are consist of several set of person. Firstly, the data will be processed step by step in fuzzification phase starting from the level of expression continued with the level of face and lastly is the level of person. With the use fuzzification, the crisp data can be converted into fuzzy. The next step is to make references in fuzzy manifold phase in order to be used in fuzzy nearest distance phase. In fuzzy nearest distance phase, the shortest distance between the testing data the references will be processed in artificial neural network with hemispheric structured hidden layer. Generally, the average of the all recognition rate can reach up to 80% which means that the system can recognize the face pattern quite good. ]"

"Berawal pada pemodelan sederhana dari jaringan otak manusia, arsitektur jaringan saraf tiruan terbentuk dengan model matematika sel otak biologis atau neuron yang saling berhubungan membentuk sebuah jaringan. Dalam jaringan saraf tiruan ini, keterkaitan antar neuron diatur sedemikian rupa sehingga membentuk lapisan-lapisan, yakni lapis masukan, lapis tersembunyi dan lapis keluaran. Penelitian ini memperkenalkan sistem pengenalan objek tiga dimensi (3D). Data yang digunakan sebagai masukan adalah data image 2D serta memasukkan bobot tambahan yang nilainya berdasarkan pada sudut pandang. Sistem yang diperkenalkan berdasarkan pada MLP dengan pembelajaran propagasi balik. Karena sistem ini mengakomadasi sudut pandang pada pengenalan, maka perlu penyesuaian terhadap struktur lapis tersembunyi dengan melakukan modifikasi dari bentuk konvensional ke bentuk silindris (Cylindrical Hidden MLP-BP, atau CHMLP-BP). Pada penelitian ini dilakukan desain eksperimen yang dibedakan menurut perbandingan (ratio) antara data pelatihan dan data pengujian (NI/Np). Secara eksperimental ditunjukkan bahwa dengan hanya menggunakan rasio NI/Np = 50%:50%, performansi sistem untuk pengenalan objek-objek 3D yang sederhana mendekati 87%."