Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Sistem penciuman elektronik dikembangkan untuk mengatasi ketergantungan terhadap penciuman manusia. Sistem penciuman elektronik ini dibangun dengan memanfaatkan algoritma fuzzy learning vector quantization (FLVQ) untuk proses klasifikasinya. Penelitian ini akan mencoba dua metode baru yang dikembangkan yaitu pemilihan bobot awal jaringan dari vektor rata-rata setiap kelas aroma dan melakukan pengenalan di ruang eigen. Berdasarkan percobaan yang dilakukan, ternyata bahwa kedua metode baru tersebut mampu meningkatkan deraja pengenalan aroma. Pada pengenalan terhadap aroma yang terdiri dari campuran 2 zat (aroma 2 campuran) dengan sistem 8 maupun 16 sensor akurasinya mencapai lebih dari 98%. Sedangkan apda pengenalan aroma yang terdiri dari campuran 3 zat (aroma 3 campuran) akurasi sistem 8 sensor sekitar 80% dan sistem 16 sensor mencapai lebih dari 94%.

Abstrak :
Dalam makalah ini, penulis mengembangkan metodologi baru yang dinamakan dengan metode Modified Nearest Feature Line (M-NFL). Modifikasi terhadap metode NFL ini dilakkan dengan menambah jumlah garis cri dengan membentuk garis-garis baru hasil proyeksi tegak lurus dari setiap titik citra acuan yang ada terhadap garis ciri yang dibentuk oleh titik titik citra acuan dalam suatu kelas. Tujuannya adalah agar sistem dapat menangkap lebih banyak informasi dari variasi antara titik titik ciri dalam setiap kelas, sehingga tingkat pengenalan sistem akan menjadi lebih tinggi. Metode M-NFL ini akan digunakan sebagai metode klasifikasi dalam sistem penentu sudut pandang pengamatan akan ditransformasikan ke dalam ruang ciri dengan menggunakan metode transformasi Karhumen-Loeve Transformation, serta Patially 1 Kurhunen-Loeve Transformation. Hasil eksperiman menunjukkan bahwa tingkat pengenalan sistem penentu sudut pandang dengan menggunakan Partially 2 K-LT dengan M-NFL adalah 99.68% dan utnuk sistem pengenal wajah 3-D mencapai 100% lebih tinggi dibandingkan dengan tingkat pengenalan sistem penentu sudut penadnag menggunakan 96.79% dan untuk sistem pengenal wajah 3-D mencapai 92.31%.