SISTEM PENDUKUNG KEPUTUSAN PENENTUAN HARGA BELI HANDPHONE BEKAS DENGAN PENERAPAN METODE FUZZY TSUKAMOTO

Rezky Izzatul Yazidah Anwar
{"title":"SISTEM PENDUKUNG KEPUTUSAN PENENTUAN HARGA BELI HANDPHONE BEKAS DENGAN PENERAPAN METODE FUZZY TSUKAMOTO","authors":"Rezky Izzatul Yazidah Anwar","doi":"10.31602/TJI.V9I4.1542","DOIUrl":null,"url":null,"abstract":"Penelitian ini didasarkan pada banyaknya penelitian yang telah dilakukan menggunakan Algoritma Backpropagation yang digunakan untuk mengenali citra berupa character recognition, objek recognition dan face recognition yang dapat mengenali dengan baik dan mendapatkan tingkat akurasi yang tinggi. Oleh karena itu penulis ingin menerapkan algoritma tersebut untuk pengenalan citra berupa simbol rambu-rambu lalu lintas agar nantinya dapat diterapkan pada mobil cerdas, sehingga dapat mengenali dan memberitahukan keadaan medan jalan yang akan dilalui oleh pengemudi.Penerapan algoritma backpropagation  pada Jaringan Saraf Tiruan ini menggunakan webcam sebagai perangkat keras pengambil citra simbol rambu-rambu lalu lintas yang akan diujikan secara realtime. Untuk proses pelatihan jaringan saraf tiruannya akan digunakan 10 kelas citra simbol rambu-rambu lalu lintas yang memiliki 10 variasi pada setiap kelasnya. Proses pelatihannya menggunakan traingdx yang sudah disediakan pada matlab. Jaringan sarafnya memiliki 10 neuron 1 output, 1 input wieght, 1 layer weight, dengan ferforma trainning sse, nilai goal 0,1, batas maksimal epochs sebanyak 5000 iteration dan menggunakan 2 bias vektor. Pengujiannya menggunakan image processing berupa crop, grayscale, treshold bw (biner) dan ektraktion dengan strel (square).Hasil penelitian menunjukkan jaringan saraf tiruan dengan algoritma backpropagation menghasilkan tingkat akurasi untuk mengenali citra yang diambil menggunakan webcam secara realtime rata-rata sebesar 80% pada pengujian citra per kelas, dan 86,18% pada saat pengujian dengan banyak 9 objek sekaligus. Kata Kunci : fuzzy tsukamoto,penentuan harga beli, handphone, sistem pendukung keputusan.","PeriodicalId":120986,"journal":{"name":"Technologia: Jurnal Ilmiah","volume":"26 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2018-10-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"1","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Technologia: Jurnal Ilmiah","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.31602/TJI.V9I4.1542","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 1

Abstract

Penelitian ini didasarkan pada banyaknya penelitian yang telah dilakukan menggunakan Algoritma Backpropagation yang digunakan untuk mengenali citra berupa character recognition, objek recognition dan face recognition yang dapat mengenali dengan baik dan mendapatkan tingkat akurasi yang tinggi. Oleh karena itu penulis ingin menerapkan algoritma tersebut untuk pengenalan citra berupa simbol rambu-rambu lalu lintas agar nantinya dapat diterapkan pada mobil cerdas, sehingga dapat mengenali dan memberitahukan keadaan medan jalan yang akan dilalui oleh pengemudi.Penerapan algoritma backpropagation  pada Jaringan Saraf Tiruan ini menggunakan webcam sebagai perangkat keras pengambil citra simbol rambu-rambu lalu lintas yang akan diujikan secara realtime. Untuk proses pelatihan jaringan saraf tiruannya akan digunakan 10 kelas citra simbol rambu-rambu lalu lintas yang memiliki 10 variasi pada setiap kelasnya. Proses pelatihannya menggunakan traingdx yang sudah disediakan pada matlab. Jaringan sarafnya memiliki 10 neuron 1 output, 1 input wieght, 1 layer weight, dengan ferforma trainning sse, nilai goal 0,1, batas maksimal epochs sebanyak 5000 iteration dan menggunakan 2 bias vektor. Pengujiannya menggunakan image processing berupa crop, grayscale, treshold bw (biner) dan ektraktion dengan strel (square).Hasil penelitian menunjukkan jaringan saraf tiruan dengan algoritma backpropagation menghasilkan tingkat akurasi untuk mengenali citra yang diambil menggunakan webcam secara realtime rata-rata sebesar 80% pada pengujian citra per kelas, dan 86,18% pada saat pengujian dengan banyak 9 objek sekaligus. Kata Kunci : fuzzy tsukamoto,penentuan harga beli, handphone, sistem pendukung keputusan.
查看原文
分享 分享
微信好友 朋友圈 QQ好友 复制链接
本刊更多论文
采用模糊的TSUKAMOTO方法购买二手手机的支持系统
所做的是基于大量研究使用算法用于图像识别的Backpropagation character识别、物体识别的脸识别可以很好地识别和达到很高的准确度。因此作者要应用这个算法来识别交通标志符号的形象,以便将来可以应用于智能汽车,以便识别和通知的地形将由司机走过的道路。应用这些复制backpropagation作用于神经网络算法使用摄像头作为硬件掷骰图像符号的realtime将考试中川流不息。在培训神经组织的过程中,模仿神经网络将使用10个类的交通符号图像,这些符号每门课有10种不同的变体。训练过程使用为matlab提供的traingdx。它的神经网络有10个神经元1次输出,1个wieght输入,1层度量,有ferforma培赛站点,得分0.1,最高的epochs极限为5000次重复,使用2个向量偏差。考试使用图像加工麦田、灰度treshold听说了(二进制)和ektraktion strel(广场)。研究结果显示的人工神经网络算法backpropagation产生精确度来realtime地使用摄像头拍摄的图像识别测试平均80%在每节课的形象,同时和很多9物体时86,18%测试。关键词:模糊的tsukamoto,购买决定,手机,支持决策系统。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 去求助
来源期刊
自引率
0.00%
发文量
0
期刊最新文献
PERANCANGAN DAN PENGUJIAN ALAT UNTUK MONITORING KELEMBABAN TANAH DAN PEMBERIAN PUPUK CAIR PADA TANAMAN CABAI BERBASIS INTERNET Of THINGS PENGUKURAN KEMAMPUAN MANAJERIAL KARYAWAN DENGAN METODE METODE ANALYTICAL HIERARCHY PROCESS (AHP) PERANCANGAN APLIKASI PEMESANAN MENU MAKANAN DAN MINUMAN PADA CAFE DENGAN BERBASIS WEB IMPLEMENTASI PENERAPAN METODE WATERFALL PADA APLIKASI SISTEM INFORMASI TV KABEL ONLINE DAN MOBILE PENGELOMPOKAN WILAYAH MENURUT POTENSI FASILITAS KESEHATAN DAN KEJADIAN COVID-19 MENGGUNAKAN ALGORITMA FUZZY K-PROTOTYPES
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
现在去查看 取消
×
提示
确定
0
微信
客服QQ
Book学术公众号 扫码关注我们
反馈
×
意见反馈
请填写您的意见或建议
请填写您的手机或邮箱
已复制链接
已复制链接
快去分享给好友吧!
我知道了
×
扫码分享
扫码分享
Book学术官方微信
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术
文献互助 智能选刊 最新文献 互助须知 联系我们:info@booksci.cn
Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。
Copyright © 2023 Book学术 All rights reserved.
ghs 京公网安备 11010802042870号 京ICP备2023020795号-1