Implementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital

Zulfa Afiq Fikriya, Mohammad Isa Irawan, Soetrisno Soetrisno.
Submission Date: 2017-01-23 10:07:36
Accepted Date: 2017-03-17 10:28:10

Abstract


Abstrak— Pengenalan citra digital merupakan bagian yang sangat penting dalam computer vision yang menerapkan pattern recognition. Pengenalan citra digital bertujuan untuk menduplikasi kemampuan manusia dalam memahami informasi citra sehingga komputer dapat mengenali objek pada citra selayaknya manusia. Salah satu metode pattern recognition adalah Extreme Learning Machine (ELM). Extreme Learning Machine merupakan jaringan syaraf tiruan feedforward dengan satu hidden layer atau lebih dikenal dengan istilah single hidden layer feedforward neural networks (SLFNs). Extreme Learning Machine untuk pengenalan objek citra digital pada Tugas Akhir ini terdiri dari 2500 node pada input layer, 1250 node pada hidden layer, dan 3 node pada output layer. Dataset dikelompokkan berdasarkan ukuran objek dalam citra. Hasil uji coba dan evaluasi model dengan data testing menghasilkan tingkat akurasi sebesar 57,33% pada citra dengan objek berukuran kecil, 81,33% pada citra dengan objek berukuran sedang, dan 74,67% pada citra dengan objek berukuran besar.

Keywords


Pengenalan Objek; Machine Learning; Extreme Learning Machine

References


Suartika, W., Wijaya, A.Y., dan Soelaiman, R. (2016). ”Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101”. Jurnal Teknik ITS Vol. 5, Hal. A65-A69.

Agustina, I. D., Anggraeni, W., Mukhlason, A. “Penerapan Metode Extreme Learning Machine untuk Peramalan Permintaan”. Jurusan Sistem Informasi, Institut Teknologi Sepuluh Nopember, Surabaya.


Full Text: PDF

CC Licencing


Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).

Refbacks

  • There are currently no refbacks.


Lembaga Penjaminan Mutu, Pengelolaan dan Perlindungan Kekayaan Intelektual (LPMP2KI) ITS
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.