scholarly journals Future prospects research on offshore wind power scale in China based on signal decomposition and extreme learning machine optimized by principal component analysis

2020 ◽  
Vol 8 (10) ◽  
pp. 3514-3530
Author(s):  
Dunnan Liu ◽  
Mingguang Liu ◽  
Xiaofeng Xu ◽  
Jiani Wang ◽  
Chenkai Fan ◽  
...  
Keyword(s):  
Principal Component Analysis ◽  
Wind Power ◽  
Extreme Learning Machine ◽  
Principal Component ◽  
Signal Decomposition ◽  
Offshore Wind ◽  
Future Prospects ◽  
Offshore Wind Power ◽  
Power Scale ◽  
Learning Machine

scholarly journals Pengenalan Pola Daun untuk Membedakan Tanaman Padi dan Gulma Menggunakan Metode Principal Components Analysis (PCA) dan Extreme Learning Machine (ELM)

2020 ◽  
Vol 1 (1) ◽  
pp. 44-51
Author(s):  
Ahmad Izzuddin ◽  
M. Rizal Wahyudi
Keyword(s):  
Principal Component Analysis ◽  
Oryza Sativa ◽  
Principal Components Analysis ◽  
Extreme Learning Machine ◽  
Principal Components ◽  
Oryza Sativa L ◽  
Principal Component ◽  
Alternanthera Sessilis ◽  
Components Analysis ◽  
Learning Machine

Perkembangan ilmu pengetahuan serta pesatnya teknologi memberikan banyak manfaat bagi manusia dalam menjalankan aktifitasnya. Pemanfaatan ilmu pengetahuan dan teknologi tersebut di berbagai bidang termasuk di bidang pertanian. Pengembangan potensi pertanian suatu daerah dapat dioptimalkan melalui perkembangan ilmu pengetahuan dan teknologi itu sendiri. Salah satunya dengan pengenalan pola citra digital. Pengenalan pola bertujuan menentukan kelompok atau kategori pola berdasarkan ciri-ciri yang dimiliki oleh pola tersebut. Dengan kata lain, pengenalan pola membedakan suatu objek dengan objek lain. Dengan menggunakan metode ektraksi ciri Principal Component Analysis dan metode klasifikasi Extreme Learning Machine penulis melakukan penelitian untuk membedakan tanaman padi dan tanaman gulma. Implementasi PCA dan ELM mampu membedakan tanaman gulma dengan padi (Oryza sativa L) dalam hal ini gulma yang digunakan adalah jawan (Echinochloa cruss-galli) dan kremah (Alternanthera sessilis). Berdasarkan hasil pengujian yang dilakukan 8 kali running dengan merubah jumlah hidden neuron diperoleh nilai akurasi paling tinggi sebesar 91,67 % dengan menggunakan 10, 15, 30, 35, 40 hidden neuron, sedangkan untuk nilai akurasi paling rendah sebesar 58% dengan jumlah hidden neuron 5. Waktu yang dibutuhkan ELM untuk melakukan pelatihan dan pengujian sangat singkat 0.374 detik dan 0.500 detik pengukuran dilakukan dimulai dari running program sampai proses running program selesai.

Sign in / Sign up

Export Citation Format

Share Document