SUSUNAN DEWAN REDAKSI JELIKU - Repositori

Jurnal Elektronik Ilmu Komputer - Universitas Udayana JELIKU Vol 2 No. 1 Pebruari 2013

i

SUSUNAN DEWAN REDAKSI JELIKU

KETUA

AGUS MULIANTARA, S.KOM, M.KOM

PENYUNTING

DRA. LUH GEDE ASTUTI, M.KOM

NGURAH AGUS SANJAYA E.R., S.KOM, M.KOM

IDA BAGUS MAHENDRA, S.KOM, M.KOM

IDA BAGUS GEDE DWIDASMARA, S.KOM, M.CS

PELAKSANA

I KETUT GEDE SUHARTANA, S.KOM., M.KOM

I GEDE SANTI ASTAWA, S.T., M.CS

I MADE WIDIARTHA, S.SI., M.KOM

ALAMAT REDAKSI

JURUSAN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS UDAYANA

KAMPUS BUKIT JIMBARAN – BADUNG

TELEPON : 0361 – 701805

EMAIL : [email protected]

WEBSITE : WWW.CS.UNUD.AC.ID

http://www.cs.unud.ac.id/


ii

[halaman ini sengaja dikosongkan]


iii

DAFTAR ISI

SUSUNAN DEWAN REDAKSI JELIKU ............................................................................................ i

DAFTAR ISI ....................................................................................................................................... iii

IMPLEMENTASI GAMMU SEBAGAI MESIN SMS GATEWAY DI IPHONE BALI

Putu Suma Arthajaya, Agus Muliantara, Ngurah Agus Sanjaya ER ............................................. 1

PERANCANGAN DAN IMPLEMENTASI SISTEM PENDETEKSIAN PLAGIARISME PADA

DOKUMEN DIGITAL DENGAN MENGGUNAKAN ALGORITMA WINNOWING

Ade Harya Satriya .............................................................................................................................. 6

PERANCANGAN DAN IMPLEMENTASI SISTEM INTERAKTIF JURNAL PADA SISTEM

AKUNTASI (AISO) DENGAN KONSEP OBJECT ORIENTED PROGRAMING (OOP)

Anak Agung Gde Surya Bhuwana ................................................................................................... 13

IMPLEMENTASI SISTEM INTEGRASI MESIN ABSENSI (FINGER PRINT) DENGAN

HARISMA (HUMAN RESOURCE MANAGEMENT SYSTEM) PT. DIMATA SORA JAYATE

Obie Rahman .................................................................................................................................... 19

SISTEM PENGENALAN EKSPRESI WAJAH TERSENYUM DENGAN ALGORITMA

JARINGAN SYARAF TIRUAN LEVENBERG-MARQUARDT

Tikha Prasatya Nugraha, I Made Widiartha, I Gede Santi Astawa ............................................. 25

PENGIRIMAN REPORT OTOMATIS KE EMAIL MENGGUNAKAN IMPLEMENTASI MUTT

DAN CRONTAB DI FAKULTAS HUKUM UNIVERSITAS UDAYANA

I Gede Hardi Surya Budiana, Cokorda Rai Adi Pramartha ......................................................... 31

PERANCANGAN DAN IMPLEMENTASI TEXT MINING MENGGUNAKAN ALGORITMA

RABIN-KARP PADA APLIKASI PENCARIAN DOKUMEN REFERENSI TUGAS AKHIR

I Gusti Ngurah Lanang Septiadi Putra, Ngurah Agus Sanjaya ER, I B Made Mahendra

............................................................................................................................................................ 35

PERANCANGAN SISTEM REGISTRASI KONFERENSI DENGAN MS. VISUAL BASIC PT.

OPTIONS - DENPASAR

Fachrosi Firdaus ............................................................................................................................... 43


iv

SISTEM INFORMASI ADMINISTRASI SURAT

Ida Bagus Ngurah Indraswara, Agus Muliantara, Ngurah Agus Sanjaya ER ............................ 49

PENYISIPAN CITRA RAHASIA MENGGUNAKAN ALGORITMA GIFSHUFFLE

I Gede Ngurah Aryawan .................................................................................................................. 56

IMPLEMENTASI ALGORITMA GENETIK DALAM PENYELESAIAN PERMAINAN SUDOKU

Gede Dita Aditya Elanda .................................................................................................................. 61

PEMODELAN DAN SIMULASI SISTEM ANTRIAN DENGAN METODE PRIORITAS STUDI

KASUS : STUDIO FOTO

Sahmanbanta.S. ................................................................................................................................ 65

SISTEM INFORMASI GEOGRAFIS KEAMANAN PARIWISATA PANTAI

Ida Bagus Gede Arsa Wedhana ....................................................................................................... 71

ANALISIS PERBANDINGAN KINERJA ANTARA NETWORK FILE SYSTEM (NFS) DAN

PRIMARY DOMAIN CONTROLLER (PDC) SAMBA

Gede Wahyudi, Trisna Hanggara .................................................................................................... 77

ANALISIS PADA IKEE.B IPHONE BOTNET

I Putu Arich Arthawan, I Dewa Made Bayu Atmaja Darmawan ................................................. 84

IMPLEMENTASI BANDWIDTH MANAGEMENT DI DISCOVERY KARTIKA PLAZA HOTEL

Ida Bagus Putu Wirajaya Kusuma .................................................................................................. 91


25

SISTEM PENGENALAN EKSPRESI WAJAH TERSENYUM DENGAN ALGORITMA

JARINGAN SYARAF TIRUAN LEVENBERG-MARQUARDT

Tikha Prasatya Nugraha, I Made Widiartha, I Gede Santi Astawa

Program Studi Teknik Informatika, Jurusan Ilmu Komputer,

Fakultas Matematika Dan Ilmu Pengetahuan Alam, Universitas Udayana

ABSTRAK

Facial recognition adalah aplikasi komputer yang dirancang untuk mengidentifikasi wajah

manusia dari gambar digital. deteksi senyum memang sudah ada pada kamera digital canggih saat ini,

namun disini kami ingin membuatnya dengan algoritma yang berbeda dengan harapan dapat lebih

cepat mengenali, dan mempunyai tingkat akurasi yang baik. Dalam sitem yang dibuat disi

menggunakan haar wavelet sebagai proses ekstrasi fitur dan algoritma pelatihan menggunakan JST

Levenberg-Marquardt. Penelitian dilakukan untuk mengenali ekpresi wajah senyum dan tidak senyum

dengan sudut pengambilan citra wajah 300, 60

0, 90

0, 120

0, dan 150

0 dengan menggunakan metode

Haar Wavelet dan Algoritma Levenberg-Marquardt. Dengan menggunakan 200 dataset dan 140

diantaranya dgunakan sebagai pelatihan dan untuk pengujian sistem digunakan 60 citra ekspresi

wajah, diperoleh akurasi data sebesar 76,67%.

Kata kunci: Deteksi wajah, Haar Wavelet, Levenberg-Marquardt, Jaringan Saraf Tiruan

ABSTRACT

Facial recognition is a computer application designed to identify the human face of digital

images. smile detection already exist in today's advanced digital camera, but here we want to make it

with a different algorithm in hopes of more quickly recognized, and has a good degree of accuracy. In

a system was created as a condition using haar wavelet feature extraction process and a training

algorithm uses the Levenberg-Marquardt ANN. The study was conducted to identify the facial

expression smile and smile with the angle of the face images of 300, 600, 900, 1200, and 1500 by using

the Haar wavelet method and Levenberg-Marquardt algorithm. By using 200 data sets and 140 of

them are used as training and testing system to use 60 images of facial expressions, the data obtained

at 76.67% accuracy.

Keywords: Face Detection, Haar Wavelet, Levenberg-Marquardt, Neural Network

I. PENDAHULUAN

Di dalam dunia Teknologi Informasi

dan Komunikasi ( Information and

Communication Technology ) atau yang lebih

dikenal dengan sebutan IT. Seperti sekarang

ini teknologi komputer sudah tidak hanya

sangat dibutuhkan lagi melaikan sudah

menjadi kebutuhan sehari-hari bagi

masyarakat dan kalangan tertentu yang

membutuhkannya. Sistem biometrika

merupakan teknologi pengenalan diri dengan

menggunakan bagian tubuh atau perilaku

manusia. Sidik jari dan tanda tangan, masing-

masing merupakan contoh biometrika

berdasarkan bagian tubuh dan tingkah laku

manusia.

Facial recognition adalah aplikasi

komputer yang dirancang untuk

mengidentifikasi wajah manusia dari gambar

digital, pada Facial recognition sistem akan

mencari dan mengenali apakah di sana

ditemukan struktur dan kontur wajah atau

tidak. Sedangkan pada smile detection sistem

akan mencari objek yang memiliki bibir

tersenyum. Pada smile detection (deteksi

senyum) memang sudah ada pada kamera

digital canggih saat ini, namun disini kami

ingin membuatnya dengan algoritma yang

berbeda dengan harapan dapat lebih cepat


26

mengenali, dan mempunyai tingkat akurasi

yang baik. Penelitian penggunaan biometrika

sudah banyak digunakan, seperti algoritma

JST (Jaringan Syaraf Tiruan)

BackPropagation, LVQ (Learing Vector

Quantization) dll, sudah banyak dilakukan

oleh berbagai pihak. Disimpulkan bahwa

metode Leveberg – marquardt mampu

meningkatkan performa Jaringan Syaraf

Tiruan secara cukup signifikan

(Rahmat,2006). Sehingga dalam penelitian ini

penulis akan menerapkan Algoritma

Levenberg – Marquardt pada sistem

pengenalan ekspresi wajah tersenyum.

Diharapkan dengan sistem ini permasalahan

yang terjadi dapat diatasi dengan baik dan

dapat sangat berguna kedepannya.

II. TINJAUAN PUSTAKA

2.1 Citra digital

Citra digital dapat dilihat sebagai

fungsi kontinyu f(x,y) yang berada pada ruang

dua dimensi Nilai (x,y) adalah titik koordinat

sepasial sedangkan nilai f merupakan

intensitas cahaya, tingkat kecerahan, derajat

keabuan dari setiap titik (x,y). Citra digital

dapat diperoleh dari proses pencuplikan objek

tiga dimensi dan membentuk suatu matriks

dimana setiap elemennya menyatakan

intensitas cahaya 1 (Dharma Putra,2009).

2.1.1 Warna RGB

Setiap titik pada layar berisi angka yang

bukan menunjukkan intensitas warna dari titik

tersebut, melainkan menunjukkan nomor dari

warna yang dipilih, dimana pada tiap titik kita

dapat memilih sebanyak 256 warna. Jika suatu

citra memiliki 256 warna, maka fungsi-fungsi

yang dimiliki oleh pengolahan citra tidak

dapat mengolah tidak dapat mengolah atau

memanipulasinya secara langsung.

Gambar 2.1 Warna RGB

2.1.2 Grayscale

Citra grayscale adalah citra yang

merepresentasikan warna kedalam tingkat

keabuan. Untuk mendapatkan citra grayscale

(keabuan) digunakan rumus: I(x,y) = α.R +

β.G + γ.B

dengan I(x,y) adalahlevel keabuan pada

suatu koordinat yang diperoleh dengan

mengatur komposisi warna R (merah), G

(hijau), B (biru) yang ditunjukan oleh nilai

parameter α , β dan γ. Secara umum nilai α , β

dan γ adalah 0.33. Nilai yang lain juga dapat

diberikan untuk ketiga parameter tersebut

asalkan total keseluruhan nilainya adalah 1

Gambar 2.2 Warna Tingkat Keabuan

2.2 Proses Pembelajaran

Target utama dari proses

pembelajaaran adalah untuk menentukan nilai

bobot yang diperoleh berdasarkan masukan

yang diberikan. pada saat pembelajaran

diberikan data masukan yang berbeda, maka

nilai bobot akan berubah secara dinamis

hingga mencapai suatu nilai yang cukup

seimbang.

Ada dua tipe pembelajaran yang

dikenal yaitu:

Metode Pembelajaran Supervised

Metode pembelajaran Unsupervised

2.3 Transformasi Wavelet

Salah satu jenis transformasi wavelet

adalah Haar. Haar adalah wavelet paling tua

dan paling sederhana, diperkenalkan oleh

Alfred Haar pada tahun 1909. Konsep

transformasi Haar wavelet pada suatu citra

adalah membagi (dekomposisi) suatu citra

menjadi empat sub-image. Pertama kali

dilakukan dekomposisi secara horizontal

terhadap baris. Kemudian dilakukan

dekomposisi secara vertikal terhadap kolom.

Pada setiap level, proses dekomposisi hanya

dilakukan pada bagian hasil proses perataan

dan hasil proses dekomposisi adalah gabungan

dari proses perataan dengan seluruh hasil

proses pengurangan.


27

Dalam transformasi wavelet, terdapat

koefisien transformasi yang berpasangan yakni

dan . Pasangan koefisien ini disebut

lowpass filter dan highpass filter. Koefisien

berkaitan dengan proses perataan. Sedangkan

berkaitan dengan proses pengurangan.

Koefisien dan pada transformasi Haar

wavelet adalah sebagai berikut (Darma Putra,

2010).

( ( ) ( )) ( ⁄ ⁄ )

( ( ) ( )) ( ⁄ ⁄ )

Hasil transformasi terdiri dari sub-image

yang telah dilalui high pass filter pada arah

horizontal dan vertikal (HH), sub-image yang

telah dilalui high pass filter pada arah

horizontal dan low pass filter pada arah

vertikal (HL), sub-image yang telah dilalui low

pass filter pada arah horizontal dan high pass

filter pada arah vertikal (LH), serta sub-image

yang telah dilalui low pass filter pada arah

horizontal dan vertikal (LL).

Gambar 2.3 Skema Hasil Transformasi

Wavelet 2D 1 level

2.4 Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan adalah paradigma

pemrosesan suatu informasi yang terinspirasi

oleh sistem sel syaraf biologi, sama seperti

otak yang memproses suatu informasi. Elemen

mendasar dari paradigma tersebut adalah

struktur yang baru dari sistem pemrosesan

informasi. . Jaringan Syaraf Tiruan dibentuk

untuk memecahkan suatu masalah tertentu

seperti pengenalan pola atau klasifikasi karena

proses pembelajaran. Jaringan Syaraf Tiruan

berkembang secara pesat pada beberapa tahun

terakhir (Eli Yani,2005).

2.4.1 Struktur Feedforward

Tipe jaringan feedforward mempunyai sel

syaraf yang tersusun dari beberapa lapisan.

Lapisan input bukan merupakan sel syaraf.

Lapisan ini hanya member pelayanan dengan

mengenalkan suatu nilai dari suatu variabel.

Lapisan tersembunyi dan lapisan output sel

syaraf terhubung satu sama lain dengan

lapisan sebelumnya. Kemungkinan yang

timbul adalah adanya hubungan dengan

beberapa unit dari lapisan sebelumnya atau

terhubung semuanya (lebih baik) (Eli

Yani,2005).

Gambar 2.4 feed forward (JST)

2.4.2 Struktur Feedback

Jika suatu jaringan berulang (mempunyai

koneksi kembali dari output ke input) akan

menimbulkan ketidakstabilan dan akan

menghasilkan dinamika yang sangat

kompleks. Jaringan yang berulang sangat

menarik untuk diteliti dalam Jaringan Syaraf

Tiruan, namun sejauh ini structure

feedforward sangat berguna untuk

memecahkan masalah.

2.5 Algoritma Levenberg-Marquardt

Algoritma Levenberg-Marquardt

merupakan pengembangan algoritma

BackPropagation standar. Pada algoritma

BackPropagation, proses update bobot dan

bias menggunakan negative gradient descent

secara langsung, sedangkan algoritma

Levenberg-Marquardt menggunakan

pendekatan matrik Hesian (H) (rahmat,2006).

Langkah dasar algoritma

Levenberg_Marquardt adalah penentuan

matriks Hessian untuk mencari bobot-bobot

dan bias koneksi yang digunakan. Matriks

Hessian merupakan turunan kedua dari fungsi

kinerja terhadap masing-masing komponen

bobot dan bias. Untuk memudahkan proses

komputasi, matriks Hessian diubah dengan

pendekatan secara iteratif pada masing-masing

epoch selama algoritma pelatihan berjalan.

Proses perubahannya dilakukan dengan

menggunakan fungsi gradien. Jika fungsi

kinerja yang digunakan berbentuk jumlah

kuadrat error (SSE)


28

H = JT

J I

2.6 Root Mean Square Eror (RMSE)

Perhitungan kesalahan merupakan

bagaimana jaringan dapat belajar dengan baik

sehingga jika dibandingkan dengan pola yang

baru akan mudah dikenali. Kesalahan pada

keluaran jaringan merupakan selisih antara

keluaran sebenarnya (current output) dan

keluaran yang diinginkan (desired output).

Selisih yang dihasilkan antara keduanya

biasanya ditentukan dengan cara dihitung

menggunakan suatu persamaan.

Pelatihan jaringan syaraf tiruan

dilakukan berulang-ulang sehingga dihasilkan

jaringan yang memberikan tanggapan yang

benar terhadap semua masukkannya. Nilai

„benar‟ disini ditunjukkan dengan nilai

RMSE/SSE galatnya yang biasanya

mempunyai nilai dibawah 0,1. Dengan nilai

RMSE/SSE dibawah 0,1 maka jaringan

Sudahboleh dikatakan terlatih (Arif

Hermawan,2006).

III. Hasil dan Pembahasan

3.1 Tahap Implementasi

Pada tahap ini akan dibahas mengenai

implementasi terhadap Sistem Pengenalan

Ekspresi Wajah Tersenyum dengan Algoritma

Jaringan Syaraf Tiruan Levenberq –

Marquardt.

3.2 Ekstrasi fitur Haar Wavelet

Pada Sistem pengenalan ekspresi

wajah proses pertama yang akan dilakukan

adalah dengan proses ekstrasi citra wajah yang

akan digunakan sebabagai pelatihan maupun

sebagai pengenalan dengan menggunakan

Metode Haar Wavelet. . Pada saat pengguna

menjalankan aplikasi akan dilakukan proses

segmentasi dan ekstrasi citra sebelumnya

kemudian dilanjutkan pada proses

pembelajaran yang dilakukan dengan Metode

Levenberg - Marquardt.

Sebelum proses ekstrasi fitur

dilakukan tahap pertama adalah proses

segmentasi dimana image yang di imputkan

akan diambil pada posisi bibir saja.

Gambar 3.1 Proses Ektraksi Haar Wavelet

Setelah proses segmentasi selesai,

maka akan dilakukan kembali proses ekstrasi

fitur. Dimana pada sistem ini proses ekstrasi

fitur menggunakan ekstrasi fitur haar wavelet,

citra yang dihitung adalah citra dengan ukuran

64x64 pixel, citra tersebut hasil dari proses

ektrasi fitur dengan empat (4) level proses

dekomposisi baris dan kolom, yang

menghasilkan 4 nilai bobot yang dijadikan

inputan pada proses pembelajaran dengan

levenberg marquardt.

3.3 Proses klasifikasi wajah Wajah

Pada klasifikasi image dimulai dari

proses memasukkan image wajah selanjutnya

image akan dilakukan proses segmentasi untuk

mengnentukan dan menghitung daerah bibir

saja, kemudian dilakukan proses ekstrasi fitur

dengan haar wavelet hingga menghasilkan

nilai yang nantinya akan digunakan sebagai

imputan pelatihan oleh algoritma JST

Levenberg-Marquardt. Berikut adalah

interface dari sistem deteksi wajah.

Gambar 3.2 interface sistem deteksi wajah


29

IV. PENGUJIAN SISTEM

4.1 Pengujian white box

Merupakan metode perancangan test

case yang menggunakan struktur kontrol dari

perancangan prosedural untuk mendapatkan

test case. Dengan menggunakan metode

whitebox akan dilakukan pengujian terhadap

alur logika sistem pengenalan ekspresi wajah.

Pada sistem pengenalan ekspresi

wajah dengan algoritma Jaringan Syaraf

Tiruan Levenberg-Marquardt citra mengalami

proses pelatihan dan tahap dan tahap

pengujian, yang sebelumnya citra wajah akan

mengalami proses segmentasi untuk penentuan

letak posisi bibir yang nantinya akan diproses

lagi dengan menggunakan ekstrasi fitur

dengan haar wavelet hingga mendapatkan nilai

bobot sebagai imputan pada Jaringan Syaraf

Tiruan Levenberg-Marquardt. Pengujian dari

proses sistem akan dilakukan dengan membuat

sekenario pengujian dan menggunakana

pendekatan basis path pada metode white box

untuk memastikan alur logika program sudah

berjalan dengan benar.

Table 4.1 Hasil Akurasi citra wajah

Sudut Image

Citra yang

dapat di

deteksi

Akurasi

(%)

300

12 7 58,30

600

12 10 830

900

12 10 830

1200 12 10 83

0

1500

12 9 750

4.2 Pengujian blackbox

Pada proses pengujian sistem dengan

black box dapat ditentukan dengan

mempelajari input dan output. Pada pengujian

ini akan difokuskan terhadap pengujian dari

citra wajah tersenyum apakah sudah sesuai

dengan hasil yang diharapkan berdasarkan

dengan perancangan sistem serta kesesuaian

pada antarmuka sistem. merupakan beberapa

data yang digunakan dalam menguji sistem

menggunakan metode black box. Serta

dilakukan pengujian akrasi untuk menentukan

seberapa besar sistem dapat mengenali wajah

dengan baik

Akurasi =

4.3 Hasil Pengujian Black Box

Dari tabel 4.1 didapatkan perhitungan sebagai

berikut:

Nilai rata-rata =

Nilai rata-rata = 76,67%.

Dari hasil penghitungan, didapatkan jumlah

rata-rata nilai presisi sebesar 76,67%.

V. KESIMPULAN DAN SARAN

5.1 Kesimpulan

Sistem pengenalan wajah tersenyum

dengan menggunakan Algoritma Jaringan

syaraf tiruan Levenberg-Marquardt dengan

Haar Wavelet sebagai ekstrasi fiturnya, maka

didapat tingkat akurasi secara keseluruhan

sebesar 76,67%.

Citra yang digunakan sebanyak 200 data

citra dari berbagai sudut, dimana 140 citra

digunakan sebagai data latih (traning) dan 60

citra digunakan pada proses testing. Tingkat

akurasi tertinggi dan terrendah juga

dipengaruhi terhadap sudut, dimana persentase

kebenaran tertinggi dari sudut ini adalah 900

sebesar 83% dan terendah adalah 300

sebesar

58,3%.

5.2 Saran

Untuk pengembangan sistem

pengenalan ekspresi wajah tersenyum , penulis

ingin menyampaikan beberapa saran sebagai

berikut:

1. Dalam sistem ini masih menggunakan

cara manual untuk memasukkan

image wajah pada sistem pengenalan

wajah tersenyum. Diharapkan

kedepannya sistem ini dapat langsung

mengambil gambar wajah secara

langsung atau real-time.

2. Serta dapat menggunakan algoritma

lainnya dalam pelatihan sehingga anda


30

mengetahui mana algoritma yang

lebih tepat digunakan dalam membuat

sistem ekspresi wajah tersenyum ini.

DAFTAR PUSTAKA

[1] Hermawan, Arief. 2006. Jaringan Saraf

Tiruan (Teori dan Aplikasi).Yogyakarta:

: C.V ANDI OFFSET (Penerbit Andi).

[2] Hidayatno, A., Isnanto, R.R.,

Kurniawan, D. 2006. Penentuan

Wilayah Wajah Manusia Pada Citra

Berwarna Berdasarkan Warna Kulit

Dengan Metode Template Matching.

Staf Pengajar Teknik Elektro Fakultas

Teknik Universitas Diponegoro.

Surabaya.

[3] Nugroho, F.H. 2005. Pengenalan Wajah

dengan Menggunakan Jaringan Syaraf

Tiruan BackPropagation. Seminar

Nasional Aplikasi Teknologi Informasi

2005 (SNATI 2005). Yogyakarta.

[4] Putra, D. 2009. Sistem Biometrika. Staf

Pengajar Di Jurusan Teknik Elektro

Universitas Udayana. Bali.

[5] Setiawan, R., Purnomo, M.H. 2006.

Perbandingan Algoritma Levenberg –

Marquardt dengan Metode

BackPropagation pada Proses Learning

Jaringan Syaraf Tiruan untuk

Pengenalan Pola Sinyal

Elektrokardiograf. Seminar Nasional

Aplikasi Teknologi Informasi 2006

(SNATI 2006).Jurusan Teknik Elektro

ITS. Surabaya.

[6] Warsito, B.,Sumiyati, S. 2007. Prediksi

Curah Hujan Kota Semarang Dengan

Feedforward Neural Network

Menggunakan Algoritma Quansi

Newton BFGS dan Levenberg-

Marquardt. Jurnal Presipitasi Vol. 3 no.

2 September 2007. ISSN 1907-187x.

[7] Yani, E. 2005. Pengantar Jaringan

Syaraf Tiruan. MateriKuliah.com

Copyright © 2005 MateriKuliah.Com.

[8] Zayuman, H., Santoso, I., Isnanto, R.R.

2011. Pengenalan Wajah Manusia

Menggunakan Analisis Komponen

Utama (PCA) dan Jarigan Syaraf

Tiruan Perambatan Balik. Makalah

Seminar Tugas Akhir. Jurusan Teknik

Elektro, Fakultas Teknik, Universitas

Diponegoro. Semarang.

Documents

SUSUNAN DEWAN REDAKSI JELIKU - Repositori