Implementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital

Fikriya, Zulfa Afiq; Irawan, Mohammad Isa; Soetrisno, Soetrisno

doi:10.12962/j23373520.v6i1.21754

Cited by 14 publications

(23 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Machine Learning saat ini sedang sangat ramai dibicarakan banyak orang, dengan kemampuannya untuk bisa menjalankan kemampuan manusia oleh sebuah mesin. Machine learning merupakan salah satu bidang studi yang memberikan kemampuan pada program komputer untuk belajar dengan sendirinya tanpa arahan dari user [4]. Salah satu kemampuan yang dikembangkan oleh praktisi machine learning adalah sentiment analyst.…”

Section: Pendahuluanunclassified

Analisis Sentimen Twitter Terhadap Menteri Indonesia Dengan Algoritma Support Vector Machine Dan Naive Bayes

Nugraha

Pebrianto

Latif

et al. 2022

E-LINK

View full text Add to dashboard Cite

Kabinet Indonesia Maju adalah kabinet pemerintahan Indonesia pada pimpinan Presiden JokoWidodo dan Wakil Presiden Ma’ruf Amin. Dengan dilantiknya para menteri di Kabinet IndonesiaMaju, tokoh politik yang memiliki jabatan dan tanggung jawab sebagai menteri dalammelaksanakan tanggung jawabnya tak lepas dari berbagai opini. Salah satu metode untukmengelompokkan kategori opini pengguna media sosial adalah sentiment analyst. Penelitian inimenggunakan dataset hasil crawling dari twitter dengan kata kunci “Menteri”. Hasil crawlingdiolah menggunakan kedua model algoritma yaitu Support Vector Machine (SVM) dan Naïve Bayes.Penelitian ini membandingkan hasil cross validation algoritma SVM dengan Naïve Bayes. Hasilcross validation dari algoritma SVM menunjukkan nilai accuracy sebesar 89,60%, recall 90,91%,precission 97,64%. untuk algoritma Naïve Bayes dihasilkan accuracy sebesar 85,74%, recall85,74%, precission 100,00%. SVM bekerja memaksimalkan margin antara dua kelas yang berbeda,Naïve Bayes sederhana menerapkan teori probabilitas untuk mencari kemungkinan terbesar dariklasifikasi. Dari hasil tersebut dapat disimpulkan kedua algoritma yang digunakan memberikansolusi untuk masalah klasifikasi dalam kasus analisis sentimen menteri, terlepas dari SVMmenghasilkan akurasi yang lebih baik.

show abstract

Section: Pendahuluanunclassified

Analisis Sentimen Twitter Terhadap Menteri Indonesia Dengan Algoritma Support Vector Machine Dan Naive Bayes

Nugraha

Pebrianto

Latif

et al. 2022

E-LINK

View full text Add to dashboard Cite

show abstract

“…Tujuan dari adanya metode ELM ini adalah untuk mengatasi kelemahan yang terdapat pada jaringan syaraf tiruan feedforward terutama dalam hal learning speed. ELM dinilai memiliki kemampuan leraning speed yang cepat karena parameter yang terdapat pada ELM dipilih secara acak, selain itu ELM juga mampu menghasilkan good generalization performance (Fikriya et al, 2017). Struktur jaringan ELM secara umum dapat dilihat pada Gambar 2 (Ashar et al, 2018).…”

Section: Extreme Learning Machine (Elm)unclassified

Untitled

2022

UJM

View full text Add to dashboard Cite

___________________________________________________________________Peningkatan kebutuhan listrik harus diiringi dengan pengingkatan sumber daya listrik, namun pada kenyataannya sumber energi listrik yang ada ternyata semakin lama semakin menurun. Menurunnya tingkat sumber energi listrik disebabkan karena sumber energi yang digunakan selama ini berasal dari bahan bakar fosil yang sifatnya tidak dapat diperbaharui, sehingga jika digunakan terus-menerus akan sumber energi tersebut akan habis, maka dari itu dibutuhkan sumber energi alternatif yang sifatnya dapat diperbaharui dan tidak akan habis jika digunakan secara terus-menerus. Sumber energi alternatif yang dapat digunakan untuk sumber energi listrik salah satunya yaitu gelombang laut dengan memanfaatkan sistem PLTGL-OWC yang mampu merubah menghasilkan energi listrik dari gelombang laut. Pada penelitian dilakukan peramalan terhadap energi listrik yang dihasilkan untuk menghindari ketidsksesuaian saat memasok energi listrik ke konsumen. Metode yang digunakan pada penelitian ini adalah metode Extreme Learning Machine (ELM) dengan jumlah node pada hidden layer sebanyak 100 yang menghasilkan nilai MAPE sebesar 2.3367%.

show abstract

“…Apabila wajah sudah dicapture, maka [12]. Data training digunakan untuk melatih algoritma, sedangkan data testing digunakan untuk mengetahui performa algoritma yang telah dilatih sebelumnya ketika menemukan data baru yang belum pernah dilihat [13].…”

Section: Proses Haar Cascadeunclassified

Haar Cascade dan Algoritma Eignface Untuk Sistem Pembuka Pintu Otomatis

Ihsan

2021

JSAI

View full text Add to dashboard Cite

Teknologi diciptakan untuk mempermudah manusia dalam melakukan segala pekerjaan dan aktifitasnya, termasuk dalam hal mengakses pintu. Menggunakan teknologi pengolahan citra, wajah merupakan salah satu alternatif yang bisa digunakan untuk mengakses pintu dan mengamankannya dari orang yang tidak bertanggung jawab. Hal ini dikarenakan wajah setiap manusia memiliki pola yang berbeda-beda yang bisa ditransformasikan menjadi citra digital dan diolah mengunakan algoritma pengolahan citra. Dalam penelitian ini, mengkombinasikan haar cascade dan algoritma eigenface untuk mengolah citra wajah. Hasil dari pengolahan citra tersebut digunakan untuk menentukan hak akses dalam mengakses pintu, untuk kemudian diintegrasikan ke mikrokontroller, sehingga pintu dapat terbuka otomatis. Penelitian ini menghasilkan prototype system pembuka pintu otomatis dengan pengenalan wajah sebagai penentu hak aksesnya. Dari hasil penelitian, algoritma eigenface tidak dapat bekerja pada pencahayaan 0 lux hingga 8 lux dalam jarak 20 cm hinga 60 cm yaitu menghasilkan akurasi 0%, sedangkan pada pencahayaan 36 lux sampai 44 lux dan 160 lux sampai172 lux algoritma eigenface bekerja dengan baik dengan jarak pengambilan gambar 20-60 cm dengan akurasi 80%. Technology was created to make it easier for humans to do all their work and activities, including accessing doors. Using image processing technology, faces are an alternative that can be used to access doors and secure them from irresponsible people. This is because the face of every human being has a different pattern that can be transformed into a digital image and processed using an image processing algorithm. In this research, combining haar cascade and eigenface algorithm to processing face images. The results of the image processing are used to determine access rights in accessing the door, and then integrated into the microcontroller, so that the door can be opened automatically. This research produces a prototype automatic door opening system with face recognition as a determinant of access rights. From the results of the study, the eigenface algorithm cannot work at 0 lux to 8 lux lighting within a distance of 20 cm to 60 cm which produces 0% accuracy, while at 36 lux to 44 lux and 160 lux to 172 lux lighting the eigenface algorithm works well with a shooting distance of 20 cm to 60 cm with 80% accuracy.

show abstract

Implementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital

Cited by 14 publications

References 0 publications

Analisis Sentimen Twitter Terhadap Menteri Indonesia Dengan Algoritma Support Vector Machine Dan Naive Bayes

Analisis Sentimen Twitter Terhadap Menteri Indonesia Dengan Algoritma Support Vector Machine Dan Naive Bayes

Untitled

Haar Cascade dan Algoritma Eignface Untuk Sistem Pembuka Pintu Otomatis

Contact Info

Product

Resources

About