Penerapan jaringan syaraf tiruan untuk mendeteksi dan mengenali pola bentuk pada permukaan batuan

Mengenai Jaringan Syaraf Tiruan telah banyak diimplementasikan dalam segala bidang ilmu, khususnya dalam bidang Ilmu Pengetahuan Alam atau Sains. Jaringan Syaraf Tiruan (JST) merupakan mesin yang didesain untuk memodelkan cara yang digunakan otak untuk mengerjakan suatu fungsi tertentu, misalnya seperti pengenalan pola bentuk. Pengaplikasiannya diterapkan pada gambar yang berbentuk batuan, yang telah diproses dari langkah dari hasil SEM (Scanning Electron Microscope). Pada proses selanjutnya dilakukan pengolahan citra, yaitu kegiatan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer. Teknik pengolahan citra yang digunakan yaitu teknik Segmentasi. Training yang digunakan pada penelitian ini menggunakan metode Learnning Vector Quantization(LVQ).Dari proses inilah proses yang paling penting yaitu proses Segmentasi yang merupakan proses partisi gambar digital ke beberapa daerah dengan tujuan untuk menyederhanakan ataupun merubah representasi gambar menjadi sesuatu yang lebih bermakna dan mudah dianalisa. Ada beberapa metode yang sering digunakan dalam segmentasi citra antara lain metode statistik atau juga disebut metode clustering. Dari hasil penelitian pada proses training citra ke-1 diperoleh nilai terbaik pada percobaan pertama dengan epoch sebanyak 13 iterations dari batas maximum 1000 epoch., waktu yang digunakan selama proses training =3 detik, nilai performance = 3.00, nilai gradient = 19.8, 1.00e-05, Mu = 1.00+10 dan validation check = 6, dan sedangkan pada proses training citra ke-2 diperoleh nilai terbaik pada percobaan urutan ke-4 dan ke-10 yang terlihat dengan peningkatan kinerjanya secara berulang-ulang, dengan epoch sebanyak 29 iterations dari batas maximum 1000 epoch, waktu yang digunakan selama proses training sebanyak 10 detik, nilai performance = 1.84, nilai gradient = 72.8, pada 1.00e-05, Mu = 1.00, 1.00+10 dan validation check =6. Dengan masing-masing mendapatkan nilai regresi (R) sebesar 0.98831 dan 0.97044 pada percobaan ke-10 dari citra ke-1 dan sedangkan pada citra ke-2 diperoleh nilai regresi (R) 0.98132 dan 0.96033. Hal tersebut menunjukan bahwa kinerja Trainning Levenberg Marqurdt yang dibuat telah bekerja secara optimal karena ada kecocokan antara nilai output dari hasil training dengan target, dengan proses training harus dilakukan berulang � ulang sampai nilai regresi (R) mendekati 1.

Think about Artificial Neural Network (ANN) has been widely implemented in all subjects, inspecially on sciences or science. Artificial Neural network (ANN) is a machine designed to model how to use the brain to work out a specific function, such as pattern recognition shape. This application is applied to the image in the rocks, which have been processed from the results of SEM (Scanning Electron Microscopy). The next process is done on image processing, which the activities improving image quality for easy by humans or computers. Image processing technique employed are segmentation techniques. Training is used in this study using the method of Learnning Vector Quantization (LVQ) of method.From this process the most important process, namely the process of segmentation is the process of partitioning a digital image into multiple areas with the aim of simplifying or changing representations of images into something more meaningful and easily analyzed. There are several methods that are commonly used in image segmentation among other statistical methods or also called the method of clustering. From the results of research on the process of training the 1st image obtained the best value on the first try with epoch as much as 13 iterations of the limits of maximum 1000 epoch, the time used during the process of training = 3 seconds, a performance rating = 3.00, value gradient = 19.8, 1.00 e-05, Mu = 1.00 and validation check + 10 = 6, and while in the process of training the 2nd image obtained the best value on a trial order of the 4th and 10th that look with improved performance is repeatedly, with epoch as much as 29 of iterations limit maximum 1000 epoch, the time used during the process of training by as much as 10 seconds, the value of performance = 1.84, value gradient = 45.2, at 1.00 e-05, Mu = 1.00, 1.00 and validation check + 10 = 6. With each getting value regression (R) of 0.98831 and 0.97044 on the experiment of the 1st image while in the image of the retrieved value regression (R) 0.98132 and 0.96033. It showed that the performance of trainning Levenberg Marquardt made have worked optimally because there is a match between the value of output of the results of the training to the target, with the process of training should be done repeatedly until the repeat value-regression (R) approaches 1.