Optimization of The Backpropagation Method with Nguyen-widrow in Face Image Classification

In this study, it is proven that the Nguyen-widrow algorithm can optimize the Backpropagation method in terms of initializing weights and bias. With the Nguyen-widrow algorithm, the Backpropagation method can recognize facial images faster with better accuracy. In the testing process with hidden layer 6 neurons, at a target error of 0.01, the standard Backpropagation method obtained an accuracy of 96%, while the optimization Backpropagation method obtained a higher accuracy of 98%. So on with hidden layers 7, 8, 9, and 10 neurons. then in other words this research can be used to advance human technology in facilitating all aspects of life with these algorithms and methods. With the accuracy and speed of capturing facial images, this can be used as policy like a surveillance camera, traffic protection, and many other things that can be used in social life.

Klasifikasi Jenis Pohon Mangga Berdasarkan Bentuk dan Tekstur Daun Menggunakan Metode Backpropagation

Mangga merupakan salah satu tanaman jenis buah-buahan yang digemari oleh masyarakat khususnya masyarakat daerah Probolinggo. Jenis mangga yang paling banyak ditanam di daerah Probolinggo adalah jenis mangga manalagi, arumanis, endog, dan apel. Berbagai cara dapat dilakukan untuk membedakan jenis mangga salah satunya dengan melihat bentuk dan tekstur daun dari pohon mangga. Karena setiap jenis mangga ternyata memiliki bentuk daun yang berbeda jika dilihat secara seksama. Identifikasi berdasarkan daun merupakan identifikasi yang lebih mudah dilakukan karena daun akan ada sepanjang masa, sedangkan bunga dan buah mungkin hanya ada pada waktu tertentu. Tujuan penelitian ini adalah melakukan klasifikasi jenis pohon mangga berdasarkan bentuk dan tekstur daun menggunakan metode Backpropagation. Proses ekstraksi ciri bentuk menggunakan metode metric dan eccentricity, sedangkan untuk proses ekstraksi ciri tekstur menggunakan contrast, correlation, energy dan homogeneity. Metode klasifikasi yang digunakan adalah Backpropagation. Berdasarkan hasil pengujian terhadap 60 data latih dan 40 data uji menggunakan parameter 2 hidden layer dengan 6 neuron input, jumlah epoch = 1000, learning rate = 0.01, target error = 0,000001 diperoleh akurasi sebesar 95%

EFEKTIFITAS JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION DALAM MEMPREDIKSI POTENSI BANJIR ( Studi Kasus : Kecamatan Sungai Serut Bengkulu)

Abstrak – Jaringan syaraf tiruan telah banyak digunakan untuk membantu menyelesaikan berbagai macam permasalahan, salah satu permasalahan tersebut adalah pengambilan keputusan berdasarkan pelatihan yang diberikan. Jaringan syaraf tiruan dapat diterapkan dalam berbagai bidang, salah satunya pada bidang kesehatan. Dalam penelitian ini Aplikasi jaringan syaraf tiruan digunakan untuk memprediksi potensi banjir berdasarkan faktor – faktor yang terjadi dialam. Aplikasi ini menggunakan pilihan asritektur yang terbaik, yaitu dengan 2 buah masukan, 8 unit tersembunyi dan 1 buah keluaran. Metode yang digunakan adalah metode Backpropagation. Data yang digunakan pada penelitian ini sebanyak 120 data, data pada penelitian ini didapat dari BMKG Pulau Baai Klas 1 Bengkulu Penelitian ini menggunakan maksimum iterasi sebanyak 20.000, learning rate 0,1 dan target error sebesar 0,0001. Hasil pengujian terhadap 120 data didapat hasil keakuratan pengujian pada pola 2 - 8 - 1 dengan error -0.0118. Hal tersebut dapat terjadi karena pada jaringan syaraf tiruan jika terdapat data pelatihan yang hampir sama akan sulit mengenali pola.Kata Kunci : Jaringan Syaraf Tiruan, Backpropagation, Banjir

Robot-Assisted Stereotaxy Reduces Target Error: A Meta-Analysis and Meta-Regression of 6056 Trajectories

BACKGROUND The pursuit of improved accuracy for localization and electrode implantation in deep brain stimulation (DBS) and stereoelectroencephalography (sEEG) has fostered an abundance of disparate surgical/stereotactic practices. Specific practices/technologies directly modify implantation accuracy; however, no study has described their respective influence in multivariable context. OBJECTIVE To synthesize the known literature to statistically quantify factors affecting implantation accuracy. METHODS A systematic review and meta-analysis was conducted to determine the inverse-variance weighted pooled mean target error (MTE) of implanted electrodes among patients undergoing DBS or sEEG. MTE was defined as Euclidean distance between planned and final electrode tip. Meta-regression identified moderators of MTE in a multivariable-adjusted model. RESULTS A total of 37 eligible studies were identified from a search return of 2,901 potential articles (2002-2018) – 27 DBS and 10 sEEG. Random-effects pooled MTE = 1.91 mm (95% CI: 1.7-2.1) for DBS and 2.34 mm (95% CI: 2.1-2.6) for sEEG. Meta-regression identified study year, robot use, frame/frameless technique, and intraoperative electrophysiologic testing (iEPT) as significant multivariable-adjusted moderators of MTE (P < .0001, R2 = 0.63). Study year was associated with a 0.92-mm MTE reduction over the 16-yr study period (P = .0035), and robot use with a 0.79-mm decrease (P = .0019). Frameless technique was associated with a mean 0.50-mm (95% CI: 0.17-0.84) increase, and iEPT use with a 0.45-mm (95% CI: 0.10-0.80) increase in MTE. Registration method, imaging type, intraoperative imaging, target, and demographics were not significantly associated with MTE on multivariable analysis. CONCLUSION Robot assistance for stereotactic electrode implantation is independently associated with improved accuracy and reduced target error. This remains true regardless of other procedural factors, including frame-based vs frameless technique.

PENERAPAN METODE LEARNING VECTOR QUANTIZATION UNTUK IDENTIFIKASI PENYAKIT PADI BERDASARKAN BENTUK BERCAK DAUN

Penelitian ini bertujuan : (1). Membuat suatu aplikasi untuk identifikasi jenis penyakit pada tanaman padi berdasarkan bentuk bercak daun padi.;(2). Menerapkan metode Learning Vector Quantization (LVQ) pada identifikasi penyakit tanaman padi. Pada tahapan learning dan testing pada LVQ citra diproses menjadi Grayscale, Thresholding, dan segmentasi. Di tahap pelatihan, metode LVQ digunakan untuk menentukan bobot, target error, max epoch, dan laju pelatihan (Learning rate). Data yang dijadikan sebagai input adalah citra identifikasi jenis penyakit tanaman padi berdasarkan bentuk bercak daun padi yaitu dengan ukuran piksel 95x35 dan berekstensi BITMAP (.bmp). Standar keberhasilan sistem identifikasi ini adalah menghitung nilai Termination Error Rate dan tingkat keakuratan dalam identifikasi bentuk bercak daun. Dari simulasi ini diperoleh struktur Jaringan Syaraf Tiruan dengan jumlah nilai learning rate 0,02 dan jumlah epoch sebesar 5 kali. Sistem yang terbentuk mampu mengenali citra yang berisi bentuk bercak daun yang digunakan sebagai bobot dengan nilai keakuratan optimum yaitu 73,33% dengan komposisi penyakit bercak coklat (BC) 20 %, Blast 20 % dan cercak cercospora 33,33%.

TRAINING METHODS FOR NEURAL NETWORKS USED IN THE DECISIONMAKING BLOCK OF SIGNALING DETECTION TOOLS

The article deals with the issue of training a neural network when building algorithms for detecting violators in the decision-making block of modern detection tools. The feature of train-ing neural networks in modern detection tools is to change the loss function under consider-ation, which takes into account the possible damage from the implementation of errors of the first and second kind in alarm systems. Based on the criterion of minimum average risk, it is advisable to minimize the probability of a false alarm (error of the first kind) with a fixed value of the probability of missing the target (error of the second kind). A new expression is obtained for updating the weights of the neural network during training, based on minimizing the new loss function. The process of training a neural network on a representative dataset of calculated information signal realizations and interference modeling is shown on the example of distrib-uted magnetometric systems. It is proved that the recurrent neural network has high character-istics of detecting violators: for a given value of correct detection of 0,95, the probability of a false alarm was 5,9∙10–4.

Toward principled regularization of deep networks—From weight decay to feature contraction

Training deep artificial neural networks for classification problems may benefit from exploiting intrinsic class similarities by way of network regularization that compensates for a drawback in the commonly used target error.