Minggu, 23 Desember 2012
Selasa, 25 September 2012
Rabu, 15 Agustus 2012
Resep Kue Nastar Selai Nanas ala F3
Bahan membuat Kue Nastar :
* 4 butir kuning telur
* 2 butir kuning telur untuk bahan olesan
* ½ kg mentega butter atau margarin
* ½ kg tepung terigu (jika kurang tambahkan sedikit - sedikit, hingga adonan dapat di bentuk)
* 100 gr gula halus untuk kue
* 300 gr gula pasir untuk selai
* 1 bungkus vanili
* 100 gr keju
* 1 buah nanas
* 1 potong kecil kayu manis
Cara membuat Kue Nastar:
* Selai nanas buat Kue Nastar
1. Nanas dikupas dan diparut
2. Masukkan gula pasir dan masak sampai matang dan kental
3. Lalu dinginkan dengan masukan dalam lemari es, hingga bisa dibulat-bulatkan
sebesar mutiara
* Adonan Kue Nastar
1. Siapkan loyang berbentuk persegi panjang dan olesi dengan margarin
2. Kocok 4 kuning telur dengan gula halus dan mentega hingga mengembang
3. Masukkan parutan keju ke dalam adonan
4. Masukkan terigu dan vanili
5. Aduk-aduk hingga membentuk adonan yang bisa dibulatkan
* Cara membuat Kue Nastar
1. Bulatkan kue hingga berukuran sedikit lebih kecil dari ukuran bola golf
2. Masukkan bulatan selai ke dalam bulatan kue
3. #taburkan kismis atu keju sesuai selera#
4. Susun kue di dalam loyang, olesi permukaan kue dengan kuning telur
5. Panggang dalam oven bersuhu 18 derajat celcius selama 45 menit hingga kuning dan renyah.
Resep kue sagu keju ala F3
Bahan :
1/4 sdt vanili
275 gram margarine
450 gram tepung sagu (jika kurang tambahkan sedikit - sedikit, hingga adonan dapat di bentuk)
175 gram gula halus
1 butir telur
50 gram keju parut
Cara Membuat kue sagu keju :
1. Kocok margarine, mentega dan gula halus hingga putih dan lembut. Tambahkan telur, kocok kembali hingga rata.
2. Masukkan keju sambil terus dikocok hingga halus. Masukkan tepung sagu dan vanili, aduk rata dengan sendok kayu.
3. Masukkan adonan ke dalam penyemprut kue. Tutup dengan spuit bintang atau kembang.
4. Cetak adonan di atas Loyang datar yang sudah diolesi margarine.
5. Panggang dalam oven bersuhu 18 derajat celcius selama 45 menit hingga kuning dan renyah.
Kamis, 05 Juli 2012
CONTOH PROPOSAL SKRIPSI
LEMBAR PERSETUJUAN Proposal Skripsi dengan judul SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL yang diajukan oleh NamaMhs NIM: XX.YY.ZZZ telah disetujui oleh Jurusan Teknik Informatika STIKOM Balikpapan dengan dosen pembimbing: 1. ……………………………………………………………. 2. ……………………………………………………………. Balikpapan, tanggal…………………… Ketua Jurusan Teknik Informatika Setyo Nugroho, ST, MKom IMPLEMENTASI SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL 1. LATAR BELAKANG Dewasa ini teknologi pengenalan wajah semakin banyak diaplikasikan, antara lain untuk sistem pengenalan biometrik (yang dapat juga dikombinasikan dengan fitur biometrik yang lain seperti sidik jari dan suara), sistem pencarian dan pengindeksan pada database citra digital dan database video digital, sistem keamanan kontrol akses area terbatas, konferensi video, dan interaksi manusia dengan komputer. Dalam bidang penelitian pemrosesan wajah (face processing), pendeteksian wajah manusia (face detection) adalah salah satu tahap awal yang sangat penting di dalam proses pengenalan wajah (face recognition). Sistem pengenalan wajah digunakan untuk membandingkan satu citra wajah masukan dengan suatu database wajah dan menghasilkan wajah yang paling cocok dengan citra tersebut jika ada. Sedangkan autentikasi wajah (face authentication) digunakan untuk menguji keaslian/kesamaan suatu wajah dengan data wajah yang telah diinputkan sebelumnya. Bidang penelitian yang juga berkaitan dengan pemrosesan wajah adalah lokalisasi wajah (face localization) yaitu pendeteksian wajah namun dengan asumsi hanya ada satu wajah di dalam citra, penjejakan wajah (face tracking) untuk memperkirakan lokasi suatu wajah dalam video secara real time, dan pengenalan ekspresi wajah (facial expression recognition) untuk mengenali kondisi emosi manusia (Yang, 2002). Pada kasus tertentu seperti pemotretan untuk pembuatan KTP, SIM, dan kartu kredit, citra yang didapatkan umumnya hanya berisi satu wajah dan memiliki latar belakang seragam dan kondisi pencahayaan yang telah diatur sebelumnya sehingga deteksi wajah dapat dilakukan dengan lebih mudah. Namun pada kasus lain sering didapatkan citra yang berisi lebih dari satu wajah, memiliki latar belakang yang bervariasi, kondisi pencahayaan yang tidak tentu, dan ukuran wajah yang bervariasi di dalam citra. Contohnya adalah citra yang diperoleh di bandara, terminal, pintu masuk gedung, dan pusat perbelanjaan. Selain itu juga pada citra yang didapatkan dari foto di media massa atau hasil rekaman video. Pada kasus tersebut pada umumnya wajah yang ada di dalam citra memiliki bentuk latar belakang yang sangat bervariasi. Penelitian ini akan difokuskan pada masalah pendeteksian wajah. Dengan sistem pendeteksi wajah yang akurat, maka proses selanjutnya yaitu pengenalan wajah dapat dilakukan dengan lebih mudah. 2. PERUMUSAN MASALAH Masalah deteksi wajah dapat dirumuskan sebagai berikut: dengan masukan berupa sebuah citra digital sembarang, sistem akan mendeteksi apakah ada wajah manusia di dalam citra tersebut, dan jika ada maka sistem akan memberitahu berapa wajah yang ditemukan dan di mana saja lokasi wajah tersebut di dalam citra. Keluaran dari sistem adalah posisi dari subcitra yang berisi wajah yang berhasil dideteksi. 3. BATASAN MASALAH Pada sistem deteksi wajah ini diberikan pembatasan masalah sebagai berikut: • Citra masukan yang digunakan adalah hitam putih dengan 256 tingkat keabuan (grayscale). • Wajah yang akan dideteksi adalah wajah yang menghadap ke depan (frontal), dalam posisi tegak, dan tidak terhalangi sebagian oleh objek lain. • Metode yang dipakai adalah jaringan syaraf tiruan multi-layer perceptron dengan algoritma pelatihan back-propagation. 4. TUJUAN PENELITIAN Penelitian bertujuan untuk membuat suatu desain dan implementasi sistem deteksi wajah dengan masukan berupa citra digital sembarang. Sistem ini akan menghasilkan subcitra yang berisi wajah-wajah yang berhasil dideteksi. 5. MANFAAT PENELITIAN Hasil penelitian ini diharapkan dapat digunakan sebagai langkah awal untuk membangun sistem pemrosesan wajah yang menyeluruh, yang bisa diaplikasikan pada sistem pengenalan wajah atau verifikasi wajah. Program aplikasi yang dibuat juga dapat dijadikan bahan untuk penelitian lebih lanjut di bidang yang berkaitan. Dengan penyesuaian tertentu, metode yang digunakan mungkin dapat juga dimanfaatkan untuk sistem deteksi objek secara umum yang tidak hanya terbatas pada wajah, misalnya deteksi kendaraan, pejalan kaki, bahan produksi, dan sebagainya. Dari hasil penelitian ini juga diharapkan dapat diperoleh pemahaman yang lebih baik terhadap jaringan syaraf tiruan, dan pengaruh berbagai parameter yang digunakan terhadap unjuk kerja pengklasifikasi jaringan syaraf tiruan. 6. METODE PENELITIAN Metode yang akan digunakan dalam penelitian ini terdiri dari langkah-langkah berikut: • Melakukan studi kepustakaan terhadap berbagai referensi yang berkaitan dengan penelitian yang dilakukan. Topik-topik yang akan dikaji antara lain meliputi: pengenalan pola, pengolahan citra digital, pendeteksian objek secara umum, pendeteksian wajah, dan jaringan syaraf tiruan. • Menyiapkan training data set yang akan digunakan untuk proses pembelajaran dari sistem. Data wajah yang digunakan akan melalui praproses berupa resizing menjadi 20x20 pixel, masking, dan histogram equalization. • Merancang sistem pendeteksi wajah dengan jaringan syaraf tiruan, kemudian membuat program aplikasinya. • Melakukan pelatihan pada sistem dengan training data set yang telah disiapkan sebelumnya. • Melakukan pengujian unjuk kerja sistem. Unjuk kerja pada sistem pendeteksi wajah diukur dengan menghitung detection rate dan false positif rate. 7. JADWAL PENELITIAN - STUDI KEPUSTAKAAN -PENULISAN PROPOSAL -PENGUMPULAN DATA -PEMBUATAN SISTEM PROGRAM -PENGUJIAN SISTEM -PENULISAN LAPORAN AKHIR 8. DAFTAR PUSTAKA L. Fausett, 1994, Fundamentals of Neural Networks: Architectures, Algorithms, and Applications, Prentice-Hall Inc., USA. R.C. Gonzalez, R.E. Woods, 1992, Digital Image Processing, Addison-Wesley Publishing Company, USA. E. Hjelmas, B.K. Low, 2001, “Face Detection: A Survey”, Computer Vision and Image Understanding. 83, pp. 236-274. H. Rowley, S. Baluja, T. Kanade, 1998, “Neural Network-Based Face Detection”, IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 20, no. 1. M.H. Yang, D. Kriegman, N. Ahuja, 2002, “Detecting Faces in Images: A Survey”, IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24, no. 1. From: http://www.google.co.id/url?sa=t&rct=j&q=&esrc=s&source=web&cd=4&ved=0CFEQFjAD&url=http%3A%2F%2Fimages.mambung.multiply.multiplycontent.com%2Fattachment%2F0%2FSewfNwoKCHwAAFRIMAY1%2FContohProposalSkripsi.doc%3Fnmid%3D233132315&ei=B4nsT6eNK9CrrAez78TYBQ&usg=AFQjCNF-IT4ZD3B_MqFCd2ydel-T8y4JZw&sig2=e0G7Do4YkaW269lX4kkpGA
Selasa, 29 Mei 2012
Tugas Pancasila
- Sebagai jiwa bangsa Indonesia.
- Sebagai kepribadian Bangsa Indonesia.
- Sebagai citac–cita dan tujuan bangsa
Indonesia.
- Sebagai dasar Negara Republik
Indonesia.
- Sebagai sumber dari segala sumber
hukum di Indonesia.
- Sebagai pembangunan nasional.
- Sebagai perjanjian luhur Indonesia.
- Sebagai pandangan hidup yang
mempersatukan bangsa Indonesia.
- Sebagai moral pembangunan.
METODE PENGUMPULAN DATA
Metode Pengumpulan Data
Data adalah hasil pengukuran yang bisa memberikan gambaran suatu keadaan atau memberikan suatu informasi.
1. Bentuk
1.) Kualitatif; Adalah data yang berbentuk bukan angka
2.) Kuantitatif; Adalah data yang berbentuk angka
1.) Nominal; Data Nominal Adalah data dimana angka hanya merupakan lambang
Contoh : pada variabel Jenis Kelamin : 1 untuk Laki-laki, 2 untuk Perempuan
2.) Ordinal; Adalah data dimana angka selain sebagai lambang, juga menunjukkan urutan
Contoh : pada variabel Tingkat Pendidikan : 1 SD 2 SMP 3 SMU 4 PT 3.) Interval; Adalah data dimana angka adalah angka yang sebenarnya, tetapi tidak mutlak
4.) Rasio; Adalah data dimana angka adalah angka yang sebenarnya dan mutlak
Contoh : pada variabel jumlah : data yang dihasilkan adalah rasio
1.) Internal; Data internal adalah data yang diambil dari dalam tempat di lakukannya penelitian.
Contoh : Data penjualan perusahaan sendiri
2.) Eksternal; Data eksternal adalah data yang diambil dari luar tempat di lakukannya penelitian.
Contoh : Data penjualan perusahaan lain untuk jenis produk yang sama dengan produk perusahaan kita
1.) Primer; Data primer adalah data yang di peroleh langsung dari sumbernya
Contoh : Data hasil kuesioner
2.) Sekunder; Data sekunder adalah data yang di peroleh dari hasil pengumpulan orang lain
Contoh : Data yang diambil dari BPS
1.) Data Cross-section (Acak); Data acak adalah data yang di ambil pada satu waktu tertentu
Contoh : Jumlah produksi
2.) Data Berkala; Data berkala adalah data yang di ambil pada interval waktu tertentu
Contoh : Jumlah produksi perhari selama bulan Januari 2008
Senin, 30 April 2012
GALAXY MINI
Network
|
HSDPA 7.2Mbps 900/2100
EDGE/GPRS 850/900/1800/1900
|
Dimension
|
110.4 x 60.6 x 12.1 mm (108.8g)
|
Display
|
3.14” 320x240 QVGA TFT
|
OS
|
Android 2.2 (Froyo)
|
Download applications
|
Android Market
Samsung Apps
|
Social Hub
|
Integrates SNS, Email,
IM and Calendar Accounts
Integrated Calendar
(Google/Facebook/Outlook) |
Integrated E-mail
|
Gmail
MS Exchange ActiveSync
|
Processor
|
600MHz (MSM 7227-1)
|
Connectivity
|
WiFi 802.11 (b/g/n)
Bluetooth technology v 2.1
USB 2.0 (High Speed)
|
Camera
|
3.0 MP FF Camera
Single Shot, Continuous Shot, Panorama Shot, Smile Shot
|
TouchWiz UI for Android
|
Multiple Homescreens
Hybrid Widgets
Search in Browser
|
Battery (Standard) Li-on
|
1,200mAh
Talk time: up to 576min(2G),
up to 382min(3G)
Standby time: up to 571Hr(2G),
up to 444Hr(3G) |
Video
|
QVGA@15fps
Codec : MPEG4, H.263, H.264
Format: 3gp(mp4)
|
Music
|
3.5mm Ear Jack & Speaker
MP3, AAC, AAC+, eAAC+
|
Memory
|
160MB + inbox 2GB + microSD (up to 32GB)
|
Android Browser
|
RSS reader
|
GPS
|
A-GPS
|
LBS
|
Google Maps™, Latitude, Places
Google Maps™ Navigation(Beta)
|
Sensor
|
Accelerometer Sensor, Proximity Sensor, Digital Compass
|
Additional Features
|
Quicktype by SWYPE
Quick Office (Document Viewer)
Multi-touch zoom
FM Radio (RDS)
|