UAS

Identifikasi Sidik Jari (Fingerprint Identification)

1. Latar Belakang
2. Rumusan masalah
3. Tujuan Penelitian
4. Tinjauan Pustaka
5. Metode Penelitian
6. Kesimpulan


Komentar

Posting Komentar

Postingan populer dari blog ini

MUTS

Gambar
A. Latar Belakang Indonesia merupakan salah satu negara dengan keanekaragaman tanaman yang cukup tinggi. Keanekaragaman tanaman tersebut merupakan satu tantangan dalam melakukan identifikasi. Identifikasi tanaman dapat dilakukan berdasarkan buah, bunga, maupun daun. Identifikasi berdasarkan daun merupakan identifikasi yang lebih mudah dilakukan karena daun akan ada sepanjang masa, sedangkan buah dan bunga hanya ada pada waktu tertentu. B. Rumusan Masalah Permasalahan yang diangkat pada penelitian ini dititik beratkan pada pengklasifikasian daun menggunakan algoritma Jaringan Syaraf Tiruan.   C. Tujuan Penelitian Tujuan dari penelitian ini adalah untuk melakukan klasifikasi citra daun menggunakan algoritma Jaringan Syaraf Tiruan.   D. Tinjauan Pustaka A. Segmentasi Citra Dalam pengolahan citra, terkadang kita menginginkan pengolahan hanya pada obyek tertentu. Oleh sebab itu, perlu dilakukan proses segmentasi citra yang bertujuan untuk memisahkan antara...
Baca selengkapnya

11.6. Cauchy Training of Neural Network

Gambar
Karena pelatihan Boltzman dari jaringan saraf seperti pada Secs. 11,2-11,4 sangat lambat, metode stokastik cepat berdasarkan distribusi probabilitas Cauchy adalah diusulkan oleh Szu (1986). Distribusi Cauchy perubahan energi : untuk menghasilkan fungsi distribusi lagi (surut lebih lambat) ekor daripada di kasus Boltzman atau distribusi Gaussian. Perhatikan bahwa untuk Cauchy distribusi: var (ΔE) = ∞ !! Ketika distribusi Cauchy digunakan untuk Δw, resultan Δw akan memuaskan Δw = ρT · tan [p (Δw)] (11.9) ρ menjadi koefisien tingkat belajar. Langkah (3) dan langkah (4) dari prosedur framing dari Sec. 11.3 demikian akan menjadi: (3.a) Pilih nomor n acak dari distribusi seragam antara 0 dan 1 dan biarkan p (Δw) = n dimana p (Δw) adalah dalam bentuk persamaan. (11.8) di atas (3.b) Selanjutnya, menentukan Δw melalui Persamaan.) untuk memenuhi Δw = ρT · tan (n) (11.11) di mana T diperbarui oleh: T =Untuk1 + k ,untuk k = 1, 2, 3,. . . kontras deng...
Baca selengkapnya

13.6. Correlation, Interpolation, Extrapolation and Innovation-Detection

Gambar
13.6.1. Correlation feature a.   Correlation-Layer Set-Up Rule : Membangun lapisan SOM tambahan dilambangkan sebagai CORRELATION-LAYERS λ (p / q, dk), sehingga nilai dari penjumlahan CORRELATION-LAYERS ini adalah: b.     Interpolation/Extrapolation via Internal Link : Untuk kata masukan yang diberikan yang berhubungan dengan keputusan output dk, jika tidak ada masukan subword yang berhubungan dengan lapisan (p), maka neuron N (i, p) yang memiliki summed-correlation link tinggi (beban internal link) dengan memenangkan neuron (untuk kata input yang sama) di lapisan lain v, akan dianggap sebagai interpolasi / ekstrapolasi neuron di lapisan p untuk masukan kata itu. Namun, tidak ada imbalan / hukuman yang akan diterapkan untuk neuron selama itu adalah neuron interpolasi / ekstrapolasi. c.       Interpolation/Extrapolation via Correlation Layers : neuron N (i, p) dianggap sebagai neuron interpolasi / ekstrapolasi untuk lapi...
Baca selengkapnya