Home
Login.
Artikelilmiahs
12230
Update
MARLITA DWI YULIANTI
NIM
Judul Artikel
Pengenalan Rambu Lalu Lintas dengan Metode Proyeksi Histogram Berbasis Jaringan Syaraf Tiruan Perambatan Balik (Backpropagation)
Abstrak (Bhs. Indonesia)
Penelitian ini bertujuan untuk mengenali pola rambu lalu lintas. Rambu lalu lintas yang akan dikenali merupakan rambu peringatan. Langkah – langkah penelitian ini adalah preprocessing, ekstraksi ciri, dan perancangan jaringan syaraf tiruan dengan algoritma perambatan balik. Data penelitian merupakan pola citra rambu peringatan dengan ukuran 32 x 32 piksel. Data pola yang digunakan sebanyak 100 pola. Pengujian jaringan telah dilakukan dengan variasi parameter nilai input dan jumlah lapisan tersembunyi. Parameter lapisan tersembunyi yang digunakan adalah 20 lapisan, 30 lapisan, dan 40 lapisan. Serta variasi jumlah data input yang digunakan adalah 10 - 70% dari total 100 pola yang diuji. Hasil penelitian menunjukkan bahwa jumlah lapisan tersembunyi dapat mempengaruhi lamanya waktu pelatihan maupun waktu pengenalan jaringan. Keberhasilan pengenalan diperoleh seiring dengan semakin meningkatnya jumlah input. Keberhasilan tertinggi mencapai 100% pada parameter nilai input 70 di setiap jumlah lapisan tersembunyi.
Abtrak (Bhs. Inggris)
The purpose of this research is to recognize the pattern of traffic sign, particularly the warning sign. The pattern recognition system in this research contains preprocessing, feature extraction, and designing artificial neural network (ANN) with backpropagation algorithm. Research subject consists of one hundred 32 x 32 pixel warning sign image patterns. We have done the network test with varied input value and the number hidden layers. The parameter used in that hidden layers are 20, 30, and 40 layers. In addition, the varied input value used is 10 - 70 % out of 100 tested patterns. The result of this research shows that the number of hidden layers may affect the length of training as well as network recognition. A successful recognition is obtained as the input value increases. The highest success reaches 100% with input value of 70 in each hidden layer.
Kata kunci
Pembimbing 1
Pembimbing 2
Pembimbing 3
Tahun
Jumlah Halaman
Save