• Tidak ada hasil yang ditemukan

Pengenalan iris mata dengan Backpropagation Neural Network menggunakan praproses transformasi wavelet

N/A
N/A
Info
Unduh - Bebas
Protected

Academic year: 2017

Membagikan "Pengenalan iris mata dengan Backpropagation Neural Network menggunakan praproses transformasi wavelet"

Copied!
73
0
0

Memuat.... (Lihat teks lengkap sekarang)

Unduh sekarang ( 73 Halaman )

Teks penuh

(1)
(2)

0

2 0BB53

','")

&

(3)

0

2 0BB53

','")

&

(4)

4

& &

(5)

/

2 0BB53

& & * *

&

) ( ( ! ( & 0

&

(6)

5

"&"

' & ( &

&

(7)

5

"&"

' & ( &

&

(8)

; &

(9)

-&

) "$ "

& &

( ( ! ( &

&

(10)

-&

) "$ "

& &

( ( ! ( &

&

(11)
(12)

C

"&" , 5-6

+$ ") "$"%")

/" &' 5 6

(13)

B

"&" ', 576

+$ ") "$"%")

/" &' 5 6

(14)

0.

-"&" $"& % -"&" ',

? &* B ? % < ( ($

& &

(15)

00

&'

$

"

&

% &

? % * ( <

&

4 & & &

00/A<005/

: 4../ " . B )

(16)

00

&'

$

"

&

% &

? % * ( <

&

4 & & &

00/A<005/

: 4../ " . B )

(17)
(18)

00

&'

$

"

&

% &

? % * ( <

&

4 & & &

00/A<005/

: 4../ " . B )

(19)
(20)

!"#"

"$"% "&' (" "& ')&' * * +$ % # $"

" ,")"

+* '&

"-"

(21)
(22)
(23)
(24)
(25)

#

"$"*")

(26)

#

"$"*")

0 ' & * ;

4 ( & # ( & A

/ ! * ( & <& # ( & C

5 ! ( ! ( & <& # ( & B

"$"*")

0 : & & ( ( 0

"$"*")

0 & 0/

4 & ) ) ( ( * 0;

/ * ! = ) % 4.

(27)

0

2 0BB53

','")

&

(28)

4

& &

(29)

/

2 0BB53

& & * *

&

) ( ( ! ( & 0

&

(30)

5

"&"

' & ( &

&

(31)

; &

(32)

-&

) "$ "

& &

( ( ! ( &

&

(33)
(34)

C

"&" , 5-6

+$ ") "$"%")

/" &' 5 6

(35)

B

"&" ', 576

+$ ") "$"%")

/" &' 5 6

(36)

0.

-"&" $"& % -"&" ',

? &* B ? % < ( ($

& &

(37)

00

&'

$

"

&

% &

? % * ( <

&

4 & & &

00/A<005/

: 4../ " . B )

(38)
(39)
(40)
(41)

0;

& 4 & ) ) ( ( *

, ! ( =

: 0

+ "&" "&" ")")

0 0..0 .0 = 0..0 .0 =

+ "&" "&" ")")

0 0..4 .0 = 0..4 .0 =

+ "&" "&" ")")

0 0..A .0 = 0..A .0 =

+ "&" "&" ")")

0 0.0B .0 = 0.0B .0 =

+ "&" "&" ")")

0 0.4C .0 = 0.4C .0 =

+ "&" "&" ")")

(42)

0-& 4 =

: A

+ "&" "&" ")")

0 0./. .0 = 0./. .0 =

+ "&" "&" ")")

0 0./- .0 = 0./- .0 =

+ "&" "&" ")")

0 0.54 .0 = 0.54 .0 =

+ "&" "&" ")")

0 0.5; .0 = 0.5; .0 =

+ "&" "&" ")")

0 0.;/ .0 = 0.;/ .0 =

+ "&" "&" ")")

(43)

0A

& 4 =

: 0/

+ "&" "&" ")")

0 0.C0 .0 = 0.C0 .0 =

+ "&" "&" ")")

0 0.B4 .0 = 0.B4 .0 =

+ "&" "&" ")")

0 00.5 .0 = 00.5 .0 =

+ "&" "&" ")")

0 000; .0 = 000; .0 =

+ "&" "&" ")")

0 004; .0 = 004; .0 =

+ "&" "&" ")")

(44)

0C

& 4 =

: 0B

+ "&" "&" ")")

0 00-0 .0 = 00-0 .0 =

+ "&" "&" ")")

0 00-4 .0 = 00-4 .0 =

+ "&" "&" ")")

0 00-A .0 = 00-A .0 =

+ "&" "&" ")")

0 00-C .0 = 00-C .0 =

+ "&" "&" ")")

0 00-B .0 = 00-B .0 =

+ "&" "&" ")")

(45)

0B

& 4 =

: 4;

+ "&" "&" ")")

0 00CC .0 = 00CC .0 =

+ "&" "&" ")")

0 00B0 .0 = 00B0 .0 =

+ "&" "&" ")")

0 00BB .0 = 00BB .0 =

+ "&" "&" ")")

0 04.B .0 = 04.B .0 =

+ "&" "&" ")")

0 0445 .0 = 0445 .0 =

+ "&" "&" ")")

(46)

4.

2R3

"

2R3

"

2R3

(47)

40

2R3

"

2R3

"

2R3

(48)

44

2R3

"

2R3

"

2R3

(49)

4/

2R3

"

2R3

"

2R3

(50)

45

2R3

"

2R3

"

2R3

(51)

4;

2R3

"

2R3

"

2R3

(52)

4-2R3

"

2R3

"

2R3

(53)

4A

2R3

"

2R3

"

(54)

4C

2R3

(55)
(56)
(57)
(58)
(59)

0;

& 4 & ) ) ( ( *

, ! ( =

: 0

+ "&" "&" ")")

0 0..0 .0 = 0..0 .0 =

+ "&" "&" ")")

0 0..4 .0 = 0..4 .0 =

+ "&" "&" ")")

0 0..A .0 = 0..A .0 =

+ "&" "&" ")")

0 0.0B .0 = 0.0B .0 =

+ "&" "&" ")")

0 0.4C .0 = 0.4C .0 =

+ "&" "&" ")")

(60)

0-& 4 =

: A

+ "&" "&" ")")

0 0./. .0 = 0./. .0 =

+ "&" "&" ")")

0 0./- .0 = 0./- .0 =

+ "&" "&" ")")

0 0.54 .0 = 0.54 .0 =

+ "&" "&" ")")

0 0.5; .0 = 0.5; .0 =

+ "&" "&" ")")

0 0.;/ .0 = 0.;/ .0 =

+ "&" "&" ")")

(61)

0A

& 4 =

: 0/

+ "&" "&" ")")

0 0.C0 .0 = 0.C0 .0 =

+ "&" "&" ")")

0 0.B4 .0 = 0.B4 .0 =

+ "&" "&" ")")

0 00.5 .0 = 00.5 .0 =

+ "&" "&" ")")

0 000; .0 = 000; .0 =

+ "&" "&" ")")

0 004; .0 = 004; .0 =

+ "&" "&" ")")

(62)

0C

& 4 =

: 0B

+ "&" "&" ")")

0 00-0 .0 = 00-0 .0 =

+ "&" "&" ")")

0 00-4 .0 = 00-4 .0 =

+ "&" "&" ")")

0 00-A .0 = 00-A .0 =

+ "&" "&" ")")

0 00-C .0 = 00-C .0 =

+ "&" "&" ")")

0 00-B .0 = 00-B .0 =

+ "&" "&" ")")

(63)

0B

& 4 =

: 4;

+ "&" "&" ")")

0 00CC .0 = 00CC .0 =

+ "&" "&" ")")

0 00B0 .0 = 00B0 .0 =

+ "&" "&" ")")

0 00BB .0 = 00BB .0 =

+ "&" "&" ")")

0 04.B .0 = 04.B .0 =

+ "&" "&" ")")

0 0445 .0 = 0445 .0 =

+ "&" "&" ")")

(64)

4.

2R3

"

2R3

"

2R3

(65)

40

2R3

"

2R3

"

2R3

(66)

44

2R3

"

2R3

"

2R3

(67)

4/

2R3

"

2R3

"

2R3

(68)

45

2R3

"

2R3

"

2R3

(69)

4;

2R3

"

2R3

"

2R3

(70)

4-2R3

"

2R3

"

2R3

(71)

4A

2R3

"

2R3

"

(72)

4C

2R3

(73)

Referensi

Unduh sekarang ( PDF - 73 Halaman - 791.43 KB )

Garis besar

Pengenalan iris mata dengan Backpropagation Neural Network menggunakan praproses transformasi wavelet

Dokumen terkait

ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS

Pada percobaan variasi jumlah unit hidden layer, diperoleh jumlah hidden layer 2 sebagai jumlah hidden layer yang memiliki Recognition Rate yang terbaik, yaitu

IDENTIFIKASI POLA IRIS MATA MENGGUNAKAN DEKOMPOSISI TRANSFORMASI WAVELET

Keterangan : Database Citra Mata CASIA 1.0 Program Libor Masek Dekomposisi Transformasi Wavelet Levenshtein Distance Tahap 1 Akuisisi Citra Tahap 2 Pemrosesan Awal Citra Tahap

ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS

Pada percobaan variasi jumlah unit hidden layer, diperoleh jumlah hidden layer 2 sebagai jumlah hidden layer yang memiliki Recognition Rate yang terbaik, yaitu

IDENTIFIKASI TANDA TANGAN MENGGUNAKAN PROBABILISTIC NEURAL NETWORKS (PNN) DENGAN PRAPROSES MENGGUNAKAN TRANSFORMASI WAVELET INDRA DWI PUTRA

Perbandingan akurasi rata-rata dari setiap iterasi untuk masing-masing tanda tangan berdasarkan perbedaan jenis data dengan menggunakan 4-fold cross validation

DETEKSI PERUBAHAN GARIS PANTAI MENGGUNAKAN METODE WAVELET NEURAL NETWORK BACKPROPAGATION DETECTION OF SHORELINE CHANGE USING WAVELET NEURAL NETWORK BACKPROPAGATION METHOD

Hasil ekstraksi nilai Hue data latih kemudian diproses dalam neural network backpropagation yang telah dibuat dan di uji menggunakan beberapa pasang data uji dengan ukuran

PENGENALAN IRIS MATA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI CIRI LOG-GABOR FILTER NINA MARIA PRIYATINA

Data citra diperoleh dari hasil ekstraksi dengan menggunakan 1D log-Gabor filter dengan nilai panjang gelombang yang digunakan adalah 18 dengan sebesar 0.5 sesuai

APLIKASI PENGENALAN SELAPUT PELANGI (IRIS) MENGGUNAKAN TRANSFORMASI HAAR WAVELET

Berdasarkan pengujian yang telah dilakukan pada tahap pelatihan, dapat disimpulkan bahwa tahap ini telah mampu menghasilkan nilai match threshold berdasarkan

PENGENALAN WAJAH MENGGUNAKAN K-NEAREST NEIGHBOUR DENGAN PRAPROSES TRANSFORMASI WAVELET. Muhammad Ilyas Sikki ABSTRACT

Seperti yang terlihat pada Gambar diatas, jika suatu citra dilakukan proses transformasi wavelet diskrit dua dimensi dengan level dekomposisi satu, maka akan menghasilkan