1,720,967 research outputs found
Perbandingan Performa Kombinasi Algoritma Pengurutan Quick-Insertion Sort dan Merge-Insertion Sort
Full text linkPengurutan merupakan bagian penting dalam pengolahan data. Data yang terurut memudahkan dalam pencarian data. Algoritma pengurutan hanya cocok untuk permasalahan dengan karakteristik terntentu. Algoritma pengurutan yang cocok digunakan untuk data dalam skala besar yaitu Quick Sort dan Merge Sort namun untuk data dalam skala kecil algoritma Insertion Sort lebih cocok. Karakteristik Quick Sort dan Merge Sort yang membagi-bagi data ke dalam bagian dan setiap bagian menjadi sub-bagian maka akan didapat data dalam ukuran kecil. Proses pengurutan sub-bagian dapat digantikan dengan menggunakan Insertion Sort. Kombinasi algoritma Quick-Insertion Sort memiliki performa yang lebih baik dibandingkan dengan Quick Sort sendiri dan Merge-Insertion Sort memiliki performa yang lebih baik dibandingkan dengan Merge Sort sendiri. Quick-Insertion Sort 15% lebih cepat dibandingkan dengan Quick Sort dengan batas 16. Merge-Insertion Sort lebih cepat 34,8% lebih cepat dibandingkan dengan Merge Sort dengan batas 16
Pengenalan Gestur Angka Pada Tangan Menggunakan Arsitektur AlexNet Dan LeNet Pada Metode Convolutional Neural Network
Full text linkGesture is one type of communication by forming an object such as letters or numbers on the hand to convey a message or information, one of which is the number gesture on the hand which has many types with a different patterns for each movement of the numbers formed. One solution that can be done to perform numeric gesture recognition on a computer is to use the Convolutional Neural Network (CNN) method with AlexNet and LeNet architectures. This study uses a numeric gesture image dataset that was previously carried out in the pre-processing stage consisting of threshold and resize. The research was conducted using 2 pooling layers, namely Average Pooling and Max Pooling and then using an optimizer, namely SGD, RMSprop, and Adam. Based on the test results obtained in this study, the use of the AlexNet architecture with Average Pooling and the RMSprop optimizer resulted in an overall accuracy and f1-score of 99.45% and the use of the LeNet architecture with Average Pooling and the RMSprop optimizer resulted in an overall accuracy and f1-score of 99.49%. Overall the use of Average Pooling with the RMSprop optimizer gets the best level of accuracy compared to other tests.Gestur merupakan salah satu jenis komunikasi dengan membentuk suatu objek seperti huruf atau angka pada tangan untuk menyampaikan pesan ataupun sebuah informasi, salah satunya gestur angka pada tangan yang memiliki banyak jenisnya dengan pola yang berbeda untuk setiap pergerakan angka yang terbentuk. Salah satu solusi yang dapat dilakukan untuk melakukan pengenalan gestur angka pada tangan kepada komputer adalah menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur AlexNet maupun LeNet. Penelitian ini menggunakan dataset citra gestur angka yang sebelumnya dilakukan tahap pre-processing yang terdiri dari threshold dan resize. Penelitian dilakukan menggunakan 2 pooling layer, yaitu Average Pooling dan Max Pooling kemudian menggunakan optimizer, yaitu SGD, RMSprop, dan Adam. Berdasarkan hasil pengujian yang didapatkan pada penelitian ini, yaitu penggunaan arsitektur AlexNet dengan Average Pooling dan optimizer RMSprop menghasilkan akuras dan f1-score keseluruhan 99,45% serta penggunaan arsitektur LeNet dengan Average Pooling dan optimizer RMSprop menghasilkan akurasi dan f1-score keseluruhan 99,49%. Secara keseluruhan penggunaan Average Pooling dengan optimizer RMSprop mendapatkan tingkat akurasi yang paling baik dibandingkan dengan pengujian yang lainnya
Implementasi Deep Convolutional Generative Adversarial Network untuk Pewarnaan Citra Grayscale
Full text linkThe process of adding color to a grayscale image is needed so that improvements to the image can be done quickly and without special knowledge. Image coloring using Deep Convolutional Generative Adversarial Network (DCGAN) and Generative Adversarial Network (GAN) methods. The model training uses the Places365 dataset, which contains 98,721 training data and 6,600 test data. The image is converted into the CIELAB color space, using the L channel as grayscale input and the AB channel as the other input. The test is done by comparing the accuracy values using the Mean Absolute Error (MAE) and Structural Similarity Index Matrix (SSIM) methods. The calculation results of the MAE method show that the average MAE value of the DCGAN method is smaller than the GAN method, with a score of 10.18 and 10.81. The results of the calculation of the SSIM method show that the DCGAN method has a higher average with a score of 91.54% and 68.32% for the GAN method. The results of the questionnaire conducted on 30 respondents showed that the DCGAN method was chosen by more respondents than the GAN method, respectively 88.40% and 11.60%.Proses menambahkan warna pada citra grayscale diperlukan agar perbaikan pada citra dapat dilakukan secara cepat dan tanpa pengetahuan khusus. Pewarnaan citra menggunakan metode Deep Convolutional Generative Adversarial Network (DCGAN) dan metode Generative Adversarial Network (GAN). Pelatihan model menggunakan dataset Places365, yang berisikan 98.721 data pelatihan dan 6.600 data pengujian. Citra dikonversi ke dalam ruang warna CIELAB, dengan memanfaatkan channel L sebagai input grayscale dan channel AB sebagai input lainnya. Pengujian dilakukan dengan membandingkan nilai akurasi menggunakan metode Mean Absolute Error (MAE) dan Structural Similarity Index Matrix (SSIM). Hasil perhitungan metode MAE menunjukkan bahwa rata-rata nilai MAE metode DCGAN lebih kecil dibandingkan metode GAN, dengan skor 10,18 dan 10,81. Hasil perhitungan metode SSIM menunjukkan bahwa metode DCGAN memiliki rata - rata yang lebih tinggi dengan skor 91,54% dan 68,32% untuk metode GAN. Hasil kuesioner yang dilakukan terhadap 30 responden menunjukkan bahwa metode DCGAN dipilih oleh lebih banyak responden dibandingkan metode GAN, masing-masing sebesar 88,40% dan 11,60%
Klasifikasi Isyarat Bahasa Indonesia Menggunakan Metode Convolutional Neural Network
Full text linkIndonesian Sign Language is word signs initially taken from the signs conveyed by deaf children. Sign language is common for the deaf and mute, but it is no stranger to ordinary people. For this reason, alternative intermediaries are needed who can become translators between deaf and speech impaired sufferers and ordinary people. This study aims to classify the Indonesian sign system using the Convolutional Neural Network method with VGG-16 and Alexnet architecture. The data divided by each letter from the letter A to the letter Z is 320 test data, 1600 train data, and 320 validation data, and the data will be resized to a size of 224 x 224 pixels, followed by grayscale and augmentation. The results of the VGG-16 test show that the classification using VGG-16 with the Adam optimizer gets the highest level of accuracy, which is 99.32% for each letter, 91.18% for the whole. While the classification results using VGG-16 with the SGD optimizer get the lowest level of accuracy, which is 98.85% for each letter and 84.96% for the whole. Meanwhile, from the AlexNet test results, it can be seen that the results of the classification using AlexNet with the Adam optimizer get the highest level of accuracy, which is 99.16% for each letter and 89.04% for the whole. While the classification results using AlexNet with the SGD optimizer get the lowest level of accuracy, which is 97.33% for each letter and 68.33% for the whole. Bahasa Isyarat Indonesia adalah isyarat kata yang awalnya diambil dari isyarat yang disampaikan oleh anak tunarungu. Bahasa isyarat adalah hal yang biasa bagi orang tuli dan bisu, tetapi tidak asing bagi orang biasa. Untuk itu diperlukan perantara alternatif yang dapat menjadi penerjemah antara penyandang tunarungu dan tuna wicara sertamasyarakat biasa. Penelitian ini bertujuan untuk mengklasifikasikan sistem isyarat bahasa Indonesia menggunakan metode Convolutional Neural Network dengan arsitektur VGG (Visual Geometric Group)-16 dan Alexnet. Data terdiri dari huruf A sampai dengan huruf Z yaitu 320 data uji, 1600 data latih, dan 320 data validasi, dan data akan diubah ukurannya menjadi ukuran 224 x 224 piksel, dilanjutkan dengan grayscale dan augmentasi. Hasil pengujian VGG-16 menunjukkan bahwa klasifikasi menggunakan VGG-16 dengan optimasi Adam mendapatkan tingkat akurasi tertinggi, yaitu 99,32% untuk setiap huruf, 91,18% untuk keseluruhan. Sedangkan hasil klasifikasi menggunakan VGG-16 dengan optimasi SGD mendapatkan tingkat akurasi terendah, yaitu 98,85% untuk setiap huruf dan 84,96% untuk keseluruhan. Sedangkan dari hasil pengujian AlexNet terlihat bahwa hasil klasifikasi menggunakan AlexNet dengan Adam optimizer mendapatkan tingkat akurasi tertinggi, yaitu 99,16% untuk setiap huruf dan 89,04% untuk keseluruhan. Sedangkan hasil klasifikasi menggunakan AlexNet dengan pengoptimal SGD mendapatkan tingkat akurasi terendah, yaitu 97,33% untuk setiap huruf dan 68,33% untuk keseluruhan
Pengaruh Penggunaan Overlapped Character untuk meningkatkan Robustness CAPTCHA
Full text linkCAPTCHA merupakan cara yang digunakan untuk menentukan apakah pengguna adalah manusia atau komputer. CAPTCHA berbasis teks merupakan jenis CAPTCHA yang murah, cepat dan tidak memerlukan sumber daya. OCR dapat digunakan untuk memecahkan CAPTCHA berbasis teks. AI dapat digunakan oleh bot untuk memecahkan CAPTCHA. CAPTCHA yang klasik dapat dikelabui oleh bot. CAPTCHA yang diciptakan harus mudah dikenali oleh manusia namun sulit dikenali oleh bot. Dengan menggunakan overlapped character CAPTCHA akan menjadi sulit dipecahka
Optimasi Fuzzy C-Means dan K-Means Menggunakan Algoritma Genetika untuk Pengklasteran Dataset Diabetic Retinopathy
Full text linkDiabetic Retinopathy adalah komplikasi dari diabetes yang mengakibatkan gangguan pada retina mata. Gangguan tersebut dapat diketahui dengan deteksi awal melalui data yang diekstraksi dari citra mata. Deteksi awal dapat dilakukan dengan menggunakan metode clustering. Metode yang digunakan yaitu Fuzzy C-Means dan K-Means. Fuzzy C-Means dan K-Means memiliki kelemahan dari jumlah iterasi yang besar. Jumlah iterasi pada Fuzzy C-Means dan K-Means dapat dioptimasi dengan menggunakan Algoritma Genetika. Optimasi dilakukan dengan cara mengganti bagian pada Fuzzy C-Means dan K-Means pada saat menentukan pusat cluster. Dataset yang digunakan pada penelitian adalah dataset Diabetic Retinopathy. Hasil optimasi sebelum dan sesudah hybrid Algoritma Genetika pada Fuzzy C-Means terlihat pada nilai rata-rata iterasi dari 17,1 menjadi 6,65 terjadi penurunan sebesar 61,11% dan pada K-Means terlihat pada nilai rata-rata iterasi dari 10,85 menjadi 7,35 terjadi penurunan sebesar 32,25%. Berdasarkan hasil perbandingan nilai rata-rata iterasi Algoritma Genetika–Fuzzy C-Means dan Algoritma Genetika-K-Means maka dapat disimpulkan bahwa Algoritma Genetika-Fuzzy C-Means memiliki jumlah iterasi yang lebih baik dibanding Algoritma Genetika-K-Means. Algoritma Genetika-Fuzzy C-Means juga memiliki inter cluster distance yang paling kecil dan intra cluster distance yang paling besar. AbstractDiabetic Retinopathy is diabetic complication that cause retina disorder. Retina disorder can be known from data extracted from eye image. Early detection conduct using clustering. These methods are Fuzzy C-Means and K-Means. These methods have large number of iteration as weakness. Number of iteration can be optimized using genetic algorithm. Optimization conducted by replace a part from Fuzzy C-Means dan K-Means that use to generate early centroid. The dataset used in the study is a dataset of diabetic retinopathy. The optimization results before and after hybrid GeneticAlgorithm on Fuzzy C-Means are the average iteration values decreased from 17.1 to 6.65, decreasing 61,11% and in K-Means are the average iteration values decreased from 10.85 to 7.35 decreasing 32,25%. Based on the comparison of Genetic Algorithm Fuzzy C-Means and Genetic Algorithm K-Means iterations, it can be concluded that Genetic Algorithm Fuzzy C-Means has a better number of iteration than Genetic Algorithm K-Means. Genetic Algorithm-Fuzzy-C-Means has smallest inter cluster distance and biggest intra cluster distance
Penggunaan Global Contrast Saliency dan Histogram Of Oriented Gradient sebagai Fitur untuk Klasifikasi Jenis Hewan Mamalia
No full textMammal type can be classified based on the face. Every mammal's face has a different shape. Histogram of Oriented Gradient (HOG) used to get shape feature from mammal's face. Before this step, Global Contrast Saliency used to make images focused on an object. This process conducts to get better shape features. Then, classification using k-Nearest Neighbor (k-NN). Euclidean and cityblock distance with k=3,5,7 and 9 used in this study. The result shows cityblock distance with k=9 better than Euclidean distance for each k. Tiger is superior to others for all distances. Sheep is bad classified
Perbandingan Hybrid Genetic K-Means++ dan Hybrid Genetic K-Medoid untuk Klasterisasi Dataset EEG Eyestate
No full textK-Means++ and K-Medoids are data clustering methods. The data cluster speed is determined by the iteration value, the lower the iteration value, the faster the data clustering is done. Data clustering performance can be optimized to get more optimal clustering results. One algorithm that can optimize cluster speed is Genetic Algorithm (GA). The dataset used in the study is a dataset of EEG Eyestate. The optimization results before hybrid GA on K-Means++ are the iteration average values is 11.6 to 5,15, and in K-Medoid are the iteration average values decreased from 5.9 to 5.2. Based on the comparison of GA K-Means++ and GA K-Medoids iterations, it can be concluded that GA - K-Means++ bette
Perbandingan Kecepatan Gabungan Algoritma Quick Sort Dan Merge Sort Dengan Insertion Sort, Bubble Sort Dan Selection Sort
No full textOrdering is one of the process done before doing data processing. The sorting algorithm has its own strengths and weaknesses. By taking strengths of each algorithm then combined can be a better algorithm. Quick Sort and Merge Sort are algorithms that divide the data into parts and each part divide again into sub-section until one element. Usually one element join with others and then sorted by. In this experiment data divide into parts that have size not more than threshold. This part then sorted by Insertion Sort, Bubble Sort and Selection Sort. This replacement process can be reduce time used to divide data into one element. Data size and data type may affect time so this experiment use 5 data sizes and 3 types of data. The algorithm dominates in experiment are Merge-Insertion Sort and Merge-Selection Sort
Pengenalan Alfabet Bahasa Isyarat Amerika Menggunakan Edge Oriented Histogram dan Image Matching
Full text linkSign Language is a way to communicate to people with disabilities. American Sign Language (ASL) is one among other sign languages. Sign language image would be extracted using Edge Oriented Histogram (EOH). In Content-Based Image Retrieval, a feature from query image will be compared to database image to find out the best matching method so three matching methods will be used. The matching methods are Earth Mover Distance, Hausdorff Distance, and Sum of Absolute Difference. The smallest distance shows the strong similarity between query image and database image. The Sum of Absolute Difference is outperformed of other in case the most of relevant image can be retrieved. The order of methods to recognize alphabet (from the best one) is Sum of Absolute Difference following by Earth Mover Distance and Hausdorff Distance. Hausdorff Distance has smallest running time using 4 bin features. Earth Mover Distance has smallest running time using 6 bin features. Sum of Absolute Difference has smallest running time using 9 bin features, so the method can be recommended to recognize ASL
- …
