Template Matching Augmented Reality (AR)

Template Matching Augmented Reality (AR) - adalah sebuah teknik dalam pengolahan citra digital untuk menemukan bagian-bagian kecil dari gambar yang cocok dengan template gambar. Template matching merupakan salah satu ide yang digunakan untuk menjelaskan bagaimana otak kita mengenali kembali bentuk-bentuk atau pola-pola. Template dalam konteks rekognisi pola menunjuk pada konstruk internal yang jika cocok (match ) dengan stimulus penginderaan mengantar pada rekognisi suatu objek. Atau pengenalan pola terjadi jika terjadi kesesuaian antara stimulus indera dengan bentuk mental internal. Gagasan ini mendukung bahwa sejumlah besar template telah tercipta melalui pengalaman hidup kita.

Decision Making, Decision Learning, Knowledge Management, and Information Technology

Decision Making, Decision Learning, Knowledge Management, and Information Technology

Organizational decision making : proses menanggapi masalah dengan mencari dan memilih solusi atau tindakan yang akan menciptakan nilai bagi para pemangku kepentingan organisasi (stakeholders)

Keputusan yang diprogram (programmed decisions) yaitu keputusan yang berulang dan rutin.

Keputusan yang tidak diprogram (Non-programmed decisions) yaitu keputusan yang baru dan tidak terstruktur.

Jaringan syaraf tiruan (artifical neural network)

Jaringan syaraf tiruan (artifical neural network) adalah sistem komputasi yang arsitektur dan operasinya diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak. Jaringan syaraf tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut.

Reinforcement learning

Reinforcement learning adalah sebuah model pembelajaran terhadap apa yang dilakukan, dan sebagai umpan balik bagaimana memetakan perubahan situasi lingkungan terhadap aksi yang dilakukan untuk memaksimalkan keuntungan. Model proses pembelajar ini tidak harus mendikte aksi yang mana yang harus dilakukan dulu seperti umumnya pada model mesin learning. Tetapi sistem harus menjelajahi dulu seluruh aksi yang mana yang menghasilkan reward terbesar dengan cara mencobanya dan mengerjakannya, Humphrys (1997).

Decision tree - Bukan Pohon Biasa

Decision tree adalah salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi oleh manusia. Decision tree adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Konsep dari decision tree adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Manfaat utama dari penggunaan decision tree adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan.

Algoritma A* (A Star / A Bintang) Algoritma

Algoritma A* (A Star / A Bintang) Algoritma -  A* (dibaca "A bintang"/"A star") adalah algoritma  pencarian graf/pohon yang mencari jalur dari satu titik awal ke sebuah titik akhir yang telah ditentukan. Algoritma A* menggunakan pendekatan heuristik h(x)  yang memberikan peringkat ke tiap-tiap titik x dengan  cara memperkirakan rute terbaik yang dapat dilalui dari titik tersebut. Setelah itu tiap-tiap titk x tersebut dicek  satu-persatu berdasarkan urutan yang dibuat dengan  pendekatan heuristik tersebut. Maka dari itulah algoritma A* adalah contoh dari best-first search. Algoritma ini pertama kali ditemukan pada tahun 1968 oleh Peter Hart, Nils Nilsson dan Bertram Raphael. Dalam tulisan mereka, algoritma ini dinamakan algoritma A. Penggunaan algoritma ini dengan fungsi heuristik yang tepat dapat memberikan hasil yang optimal, maka algoritma inipun disebut A*. Beberapa terminologi dasar yang terdapat pada algoritma ini adalah starting point, simpul (nodes), A, open list, closed list, harga (cost), halangan (unwalkable).

Algoritma Dijkstra

Algoritma Dijkstra

Algoritma Dijkstra adalah salah satu metode untuk memecahkan masalah pencarian rute terpendek. Algoritma ini biasanya diterapkan pada sebuah aplikasi pencari rute jalan yang terdekat dari suatu daerah ke daerah lainnya.

Untuk bisa menerapkan algoritma ini dibutuhkan beberapa data yang harus disiapkan, yaitu :

1. Beberapa Titik/simpul/daerah, titik/simpul/daerah yang bisa dijangkau secara langsung, dan juga jarak antara mereka.
2. Titik/simpul/daerah awal.
3. Titik/simpul/daerah tujuan.