Classification of Vehicle Types Using Backpropagation Neural Networks With Metric and Ecentricity Parameters

Mayatopani, Hendra; Borman, Rohmat Indra; Atmojo, Wahyu Tisno; Arisantoso, Arisantoso

doi:10.34288/jri.v4i1.293

Cited by 33 publications

(38 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Salah satu algoritma jaringan syaraf tiruan yang paling populer digunakan untuk klasifikasi adalah algoritma Backpropagation Neural Network (BNN). BNN adalah jenis algoritma pembelajaran supervised/terawasi yang memiliki banyak lapisan [9]. BNN menggunakan output error untuk mengubah nilai bobotnya ke arah belakang.…”

Section: Pendahuluanunclassified

Klasifikasi Citra Daun Herbal Dengan Menggunakan Backpropagation Neural Networks Berdasarkan Ekstraksi Ciri Bentuk

Herdiansah

Borman²,

Nurnaningsih³

et al. 2022

Jur. Ris. Kom.

View full text Add to dashboard Cite

Since ancient times until now herbal plants have been used for treatment and have been applied in the world of health to this day. All parts of the plant can be used as medicine, one of which is the leaves. However, there are still many people who are not familiar with the medicinal leaves. This is because the leaves at first glance look almost the same, making it difficult to tell them apart. Actually, if you look closely, the leaves have characteristics that can be distinguished from one leaf to another. The purpose of this study is to classify images of herbal leaf species using the Backpropagation Neural Network (BNN) algorithm with shape feature extraction utilizing metric and eccentricity parameters. BNN is a type of supervised learning algorithm that consists of several layers and uses an error output as a modifier of the weight value backwards. In this study, the extraction of shape features that become input for the BNN algorithm will go through morphological operations to improve the segmentation results so that the classification results are more optimal. The test results show an accuracy of 88.75%, this shows the developed model can classify herbal leaves well

show abstract

Section: Pendahuluanunclassified

Klasifikasi Citra Daun Herbal Dengan Menggunakan Backpropagation Neural Networks Berdasarkan Ekstraksi Ciri Bentuk

Herdiansah

Borman²,

Nurnaningsih³

et al. 2022

Jur. Ris. Kom.

View full text Add to dashboard Cite

show abstract

“…Selanjutnya setelah sistem menampilkan hasil diagnosa, sistem akan meanampilkan penjelasan mengenai penyakit hasil diagnosa dilengkapi dengan penjelasan mengenai penyabab serta cara penanganannya. Antarmuka hasil diangnosa, penyebab dan cara penanganan penyakit yang diderita pengguna terlihat pada Gambar 4. dan Kurang Baik yaitu lebih kecil dari 40% [29]. Dari kriteria tersebut maka algoritma Dempster-Shafer theory yang diimpelementasikan pada penyakit psikologis gangguan kontrol impuls masuk pada kriteria baik.…”

Section: Gambar 3 Antarmuka Fitur Gejalaunclassified

Implementasi Algoritma Dempster-Shafer Theory Pada Sistem Pakar Diagnosa Penyakit Psikologis Gangguan Kontrol Impuls

Fernando

Napianto²,

Borman³

2022

Insearch

View full text Add to dashboard Cite

Gangguan kontrol impuls merupakan penyakit gangguan mental yang berkaitan dengan kesulitan untuk mengontrol emosinya maupun perilakunya. Gangguan kontrol impuls dianggap berbahaya karena penderitanya akan menglami kondisi dengan suasana hati yang emosional mapupun mudah tersinggung. Orang yang mengidap gangguan kontrol impuls memerlukan terapi khusus dan penanganan oleh psikolog ataupun psikiater. Penelitian ini bertujuan untuk mengimplementasikan algoritma Dempster-Shafer theory pada diagnosa penyakit psikologis gangguan kontrol impuls. Pendekatan Dempster-Shafer theory menitikberatkan pada proses pemberian tingkat keyakinan berdasarkan kombinasi antar bukti-bukti untuk memperkuat peluang. Sistem yang dikembangkan berbasis web agar memudahkan pasien atau pengguna untuk melakukan diagnosa. Sistem pakar yang dikembangkan dapat melakukan diagnosa berdasarkan gejala yang dialami oleh pengguna dan menghasilkan diagnosa serta penjelasan mengenai penyakit tersebut, penyebab dan cara penganannya. Hasil uji akurasi dengan membandingkan hasil diagnosis sistem pakar dengan seorang pakar, memperlihatkan nilai akurasi sebesar 85%. Ini artinya algoritma Dempster-Shafer dapat berjalan dengan baik pada kasus diagnosa penyakit psikologis gangguan kontrol impuls.

show abstract

“…Dari 30 kasus uji tersebut sistem mampu mendiagnosis dengan tepat sebanyak 25 kasus. Jika hasil ini dimasukkan ke dalam persamaan (8), maka tingkat akurasi yang dihasilkan adalah 83,33% Selanjutnya hasil akurasi tersebut dikonversi menggunakan kriteria akurasi yang berpedoman pada kriteria berikut ini: Baik yaitu 76% sampai 100%; Cukup, yaitu 56% sampai 75%; Kurang Baik, yaitu 40% sampai 55%, dan Kurang Baik yaitu lebih kecil dari 40% [25]. Maka akurasi yang dihasilkan pada model yang dikembangkan masuk pada kategori baik.…”

Section: Gambar 3 Hasil Diagnosa Dilengkapi Dengan Penjelasan Penyaki...unclassified

Pengembangan Sistem Pakar Diagnosa Gangguan Mental dengan Mesin Inferensi Menggunakan Algoritma Dempster-Shafer Theory

Mayatopani

Subekti

Yudaningsih³

et al. 2022

JBI

View full text Add to dashboard Cite

Abstract. Development of a Mental Disorders Diagnostic System Using an Inference Engine Using the Dempster-Shafer Theory Algorithm. Patients with mental disorders in Indonesia show a high number. Mental disorders can be treated with special therapies by a psychologist or psychiatrist. However, the number of clinical psychologists and psychiatrists is not sufficient. So we need a system that can diagnose mental disorders and their treatment to prevent mental disorders as early as possible. Expert system development will face uncertainty due to the lack of information needed to decide. This study develops an expert system using the Dempster-Shafer theory algorithm as an inference engine to diagnose mental disorders. The system built can recognize mental disorders based on the symptoms felt by the patient. The system also includes explanations of mental disorders, causes, and treatment recommendations for patients. The accuracy test results show a comparison between the results of expert diagnostics and the system with a system accuracy level of 84%. Keywords: Dempster-Shafer theory, Disease diagnosis, Expert systems, Mental disorders, Uncertainty Abstrak. Penderita penyakit gangguan mental di Indonesia menunjukkan angka yang tinggi. Gangguan mental dapat diatasi dengan terapi-terapi khusus oleh psikolog atau psikiater. Akan tetapi jumlah psikolog klinis dan psikiater tidak mencukupi. Maka diperlukan sebuah sistem yang dapat mendiagnosa gangguan mental dan penanganannya sehingga dapat dicegah sedini mungkin. Pengembangan sistem pakar akan menghadapi ketidakpastian karena terjadi kurangnya informasi yang dibutuhkan untuk membuat sebuah keputusan. Penelitian ini mengembangkan sistem pakar menggunakan algoritma dempster-shafer theory sebagai mesin inferensi untuk mendiagnosis penyakit gangguan mental. Sistem yang dibangun dapat mengenali penyakit gangguan mental berdasarkan gejala yang dirasakan oleh pasien. Sistem juga menyertakan penjelasan mengenai penyakit gangguan mental, penyebab, dan rekomendasi pengobatan untuk pasien. Hasil pengujian akurasi menunjukkan perbandingan antara hasil diagnosa pakar dan sistem dengan tingkat akurasisistem mencapai 84%.Kata Kunci: Teori Dempster-shafer, Diagnosa penyakit, Sistem pakar, Gangguan mental, Ketidakpastian

show abstract

Classification of Vehicle Types Using Backpropagation Neural Networks With Metric and Ecentricity Parameters

Cited by 33 publications

References 10 publications

Klasifikasi Citra Daun Herbal Dengan Menggunakan Backpropagation Neural Networks Berdasarkan Ekstraksi Ciri Bentuk

Klasifikasi Citra Daun Herbal Dengan Menggunakan Backpropagation Neural Networks Berdasarkan Ekstraksi Ciri Bentuk

Implementasi Algoritma Dempster-Shafer Theory Pada Sistem Pakar Diagnosa Penyakit Psikologis Gangguan Kontrol Impuls

Pengembangan Sistem Pakar Diagnosa Gangguan Mental dengan Mesin Inferensi Menggunakan Algoritma Dempster-Shafer Theory

Contact Info

Product

Resources

About