Deteksi Glaukoma pada Citra Fundus Retina dengan Metode K-Nearest Neighbor
|
|
- Verawati Hardja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Deteksi Glaukoma pada Citra Fundus Retina dengan Metode K-Nearest Neighbor Dian Saktian Tobias 1, Anastasia Rita Widiarti 2 1,2 Program Studi Teknik Informatika, Fakultas Sains Dan Teknologi, Universitas Sanata Dharma 1 dian.tobias@gmail.com, 2 rita_widiarti@usd.ac.id Abstrak Glaukoma adalah penyakit mata yang diakibatkan tekanan mata tidak normal. Salah satu penyebab tidak normalnya tekanan pada mata adalah tersumbatnya aliran cairan. Glaukoma dapat diidentifikasi dengan meneliti area optik disk dari citra fundus retina. Data citra diperoleh dari sumber internet High-Resolution Fundus (HRF) Image Database. Data diperoleh sebanyak 30 citra, terdiri dari 15 citra terjangkit glaukoma dan 15 citra normal. Penelitian akan terbagi kedalam tiga proses yaitu preproccessing, ekstraksi ciri, dan indentifikasi. Preprocesing yang digunakan yaitu segmentasi manual, grayscaling, dan resize. Untuk ekstraksi ciri menggunakan metode Gray Level Co-occurrence Matrikz (GLCM). Dengan metode GLCM, akan didapatkan matriks kookurensi. Matriks kookurensi ini kemudian dicari fiturnya yaitu kontras, korelasi, homogenitas, dan energi. Untuk identifikasinya menggunakan metode K- Nearest Neighbor. Penelitian ini akan membagi data menjadi dua bagian yaitu dataset dan data uji. Dataset sebanyak 18 citra dan data uji 12 citra. Perhitungan akurasi menggunakan metode 3 fold cross Validation. Hasil akurasi tertinggi yang didaptkan adalah 50%. Sedangkan untuk hasil pengujian identifikasi sebesar 83%. Kata Kunci: Glaukoma, K-nearest neighbor, GLCM, pengenalan pola Abstract Glaucoma is an eye disease which caused by abnormal eye's pressure. One of the cause is the tears stopped. Glaucoma can be identified by observing at the optic area of fundus retina. This study will be using the images of fundus retina which were obtained from High-Resolution Fundus (HRF) Database on the internet. The database contains 30 images in total, 15 of them were infected by Glaucoma, and the other 15 were normal. This study will be divided into 3 main processes: preprocessing, feature extraction, and identification. Manual segmentation, grayscaling, and resizing will be used at the preprocessing step. The Gray Level Co-occurrence Matrix (GLCM) will be used as its feature extraction to get Co-occurrence Matrix. The end result from this matrix are contrast, correlation, homogeneity and energy value. Whereas to identify used K-Nearest Neighbor method. This research was divided in two parts; those were dataset and test data. For the dataset had 18 images and the test data had 12 images. The accurate calculation used 3 fold cross Validatio. The high result of accuracy was 50%. Whereas the result of test identification was 83%. Keyword: Glaucoma, K-nearest neighbor, GLCM, pattern recognition. 1. PENDAHULUAN Mata merupakan salah satu organ tubuh manusia yang paling penting. Selain sebagai organ tubuh, mata juga berperan sebagai alat indera penglihatan. Sebagai salah satu bagian dari organ tubuh tentunya mata tidak lepas dari serangan penyakit, entah itu serangan dari dalam maupun dari luar mata. Yang paling sering menyerang mata adalah iritasi akibat masuknya benda-benda kecil seperti debu ataupun serangga dengan ukuran sangat kecil masuk ke dalam mata. Selain iritasi, ada juga penyakit lain seperti katarak, bintitan, miopi, buta warna, kerabunan, glaukoma, dan masih banyak lagi. Glaukoma adalah penyakit mata yang ditandai oleh tekanan bola mata yang meningkat, ekskavasi dan atrofi papil saraf optik, serta kerusakan lapang pandang yang khas [1]. Glaukoma berasal dari kata Yunani glaukos yang berarti hijau kebiruan, yang memberikan kesan warna tersebut pada pupil penderita glaukoma [2]. Kelainan mata glaukoma ditandai dengan meningkatnya tekanan bola mata, atrofi pupil saraf optik, dan menciutnya lapang pandang. Penyakit yang ditandai dengan peninggian tekanan intraokular ini disebabkan: 1) Bertambahnya produksi cairan mata oleh badan siliar 2) Berkurangnya pengeluaran cairan mata di daerah sudut bilik mata atau di celah pupil. Pada glaukoma akan terdapat melemahnya fungsi mata dengan terjadinya cacat lapang pandang dan kerusakan anatomi berupa ekskavasi (penggaungan) serta degenerasi papil saraf optik, yang dapat berakhir dengan kebutaan. Sebenarnya glaukoma bukan penyakit yang baru-baru ini muncul. Glaukoma telah dikenal sejak lama, akan tetapi belum banyak masyarat mengetahui tentang bahanya penyakit ini. 92
2 Jika terlambat atau tidak ditangani dengan dengan benar, glaukoma dapat menyebabkan kebutaan permanen. Yang membuat kurangnya kesadaran akan bahaya glaukoma dikarenakan gejala dari penyakit ini yang kurang bisa dirasakan secara langsung oleh sang penderita glaukoma itu sendiri. Deteksi glaukoma dapat dilakukan dengan beragam cara, salah satunya adalah dengan melihat ukuran optik disk pada foto fundus digital. Namun hasil identifikasi foto fundus secara manual dapat menghasilkan diagnosis yang kurang tepat. Maka yang akan dilakukan adalah proses simulasi dan analisis suatu sistem yang dapat membantu dokter mendeteksi ukuran optik disk pada foto fundus sehingga dapat mendiagnosis dengan cepat dan akurat. Metode yang digunakan antara lain filtering, template matching, tresholding, serta dilasi dan erosi [3]. 2. METODE 2.1. Gray Level Co-occurrence Matrix Gray Level Co-occurrence Matrix(GLCM) adalah matriks yang merepresentasekan banyaknya suatu pixel i dan pixel tetangga j yang berada pada sebuah citra. Matriks kookurensi merupakan matriks berukuran L x L (L menyatakan banyaknya tingkat keabuan) dengan elemen P( ) yang merupakan distribusi probabilitas bersama (join probability distribution) dari pasangan titik-titik dengan tingkat keabuan x1 yang berlokasi pada koordinat (j,k) dengan x2 yang berlokasi pada koordinat (m,n). Koordinat pasangan titik-titik tersebut berjarak dengan sudut arah θ [4]. Pada Gambar 1 diperlihatkan bahwa menentukan tenaga untuk membentuk sebuah hubungan antar pixel berdasarkan aturan P(i,j; 1,0 o ). Karena jarak spasial 1 dan sudut arah 0 o, maka pixel j atau pixel tetangga dari pixel i berada di kanan dengan jarak 1 pixel. Contoh, jika i (1,1) maka j (1,2). Gambar 1. Ilustrasi penetuan arah menunjuk pixel tetangga Gambar 2 menjelaskan bagaimana cara membentuk matriks kookurensi (kanan) dari citra asli (kiri). Nilai tiap cell didapatkan dari jumlah hubungan antar pixel pada citra asli yang memenuhi syarat P(i,j;1,0 o ) di mana jarak antara suatu pixel dengan pixel tetangga sama dengan 1 dengan arah sudut 0 o. Seperti pada Gambar 2 yang ditunjukkan dengan lingkaran di mana nilai i=0 dan j=0, d=1 dan θ=0 o hanya ada 1 yang memenuhi. Sedangkan untuk yang nilai i=100 dan j=0, d=1 dan θ=0 o ada 6 hubungan pixel yang memenuhi. Cara yang sama dilakukan untuk mengisi matriks GLCM lainya hingga semua nilai matriks GLCM didapatkan. Gambar 2. Proses membentuk matriks GLCM Dari matriks GLCM yang telah didapatkan, kemudian dicari fitur yang bisa didapatkan dari matriks tersebut. Ada 14 fitur yang bisa didapatkan dari matriks GLCM [5]. Pada fungsi matlab hanya ada 4 fitur 93
3 saja yang bisa didapatkan, seperti yang dijelaskan dalam web mathworks.com, fitur tersebut antara lain contrast, correlation, energy, dan homogeinity. a. Kontras ( ) (1) i = indeks baris dari matriks P(i,j) j = indeks kolom dari matriks P(i,j) b. Korelasi ( )( ) ( ) (2) c. Energi = rata-rata elemen baris pada matriks P(i,j) = rata-rata elemen kolom pada matriks P(i,j) = nilai standar deviasi elemen baris pada matriks P(i,j) = nilai standar deviasi elemen baris pada matriks P(i,j) ( ) (3) d. Homogenitas ( ) (4) 2.2. K-Nearest Neighbor K-Nearest Neighbour adalah suatu teknik untuk melakukan klasifikasi non parametic. Mirip dengan teknik klastering, pengelompokan suatu data baru berdasarkan jarak data baru itu ke beberapa data tetangga terdekat yang ditentukan oleh user dan yang dinyatakan dengan k [6]. Gambar 3 dibawah menunjukkan jumlah tetangga yang paling dekat yang dapat dimuat dalam rentang nilai k yang telah ditentukan. Gambar 3(a) menunjukan 1 tetangga terdekat, Gambar 3.(b) 3 tetangga terdekat, Gambar 3.(c) 5 tetangga terdekat, dan Gambar 3.(d) 7 tetangga terdekat. Dalam peneilitian ini, untuk menetukan jarak tetangga terdekat digunakan rumus euclidean distance. Gambar 3. K-NN dengan nilai K tetangga; (a)1-nn; (b)3-nn; (c)5-nn; (d)7-nn Nilai K yang terlalu kecil maka berakibat hasil prediksi yang didapat bisa sensitif terhadap keberadaan noise. Di sisi lain, jika K terlalu besar maka tetangga terdekat yang terpilih mungkin sebenarnya tidak relevan karena jarak yang terlalu jauh [7] Data Jumlah data yang digunakan dalam penelitian sebanyak 30 citra, masing-masing 15 data untuk citra fundus retina sehat dan 15 data untuk citra fundus retina glaukoma. Data dikumpulkan dari sumber 94
4 internet High-Resolution Fundus (HRF) Image Database. Gambar 4 adalah contoh citra dari fundus retina yang belum mengalami tahapan preprocessing, Dimensi data adalah 3504 x 2336[8]. Gambar 4. Citra fundus retina 2.4. Gambaran Umum Sistem Gambar 5 memperlihatkan alur pemrosesan dari citra yang menjadi masukan dalam sistem yang akan dibangun hingga mendapatkan output. Output dari sistem berupa hasil kesimpulan suatu citra terdeteksi glukoma atau tidak. Di dalam sistem metode identifikasi yang digunakan adalah metode KNN. Gambar 5. Alur identifikasi 2.5. Proses Penelitian Dalam pengenalan pola ada tiga tahap atau proses utama yang dikerjakan. Ketiga proses tersebut adalah preprocessing, ekstraksi ciri, dan identifikasi. Ketiga proses utama tersebut akan dibahas pada sub bab ini. a) Preprocessing Preprocessing yang akan diterapkan pada citra adalah grayscale dan resize. Namun sebelum melakukan kedua proses tersebut, citra akan di crop secara manual untuk mendapatkan optik disk dari citra fundus retina. Gambar 6 adalah proses untuk mendapatkan daerah optik disk dari citra fundus retina dengan cara crop manual pada citra asli. Aplikasi yang digunakan untuk crop adalah Paint pada Windows 7. Gambar 6. Crop manual citra retina untuk mendapatkan daerah optik disk Dari Gambar 7 memperlihatkan alur citra berwarna, menjadi citra keabuan, dan citra keabuan yang mengalami resize. Untuk tahap grayscaling dan resize sendiri menggunakan fungsi matlab im2bw untuk grayscaling dan resize untuk resize. Resize digunakan agar setiap citra memiliki dimensi yang sama yaitu 100 x 100. Ukuran resize dapat disesuaikan pada saat identifikasi dan hitung akurasi dataset. Gambar 7. Tahapan preprocessing dari; (a)crop manual; (b)konversi menjadi citra grayscale; (c) dan resize citra 95
5 b) Ekstraksi Ciri GLCM Gambar 8 (a) menunjukan alur dari citra hasil preprocessing digunakan sebagai masukan dalam proses pembuatan matrik kookurensi. Hasil dari preprocessing berupa matriks. Hitung jumlah tingkat keabuan yang ada pada citra hasil preprocessing untuk menentukan ukuran matrik GLCM. Kemudian tentukan besar jarak spasial d dan arah θ untuk mendapatkan nilai dari hubungn antar pixel. Setelah mendapatkan matrik GLCM, hitunglah ciri statistiknya seperti kontras, korelasi, energi, dan homogenitas. Untuk menghitung data statistik dapat dilihat pada rumus kontras 1, korelasi 2, energi 3, dan homogenitas 4. Ciri statistik inilah yang akan digunakan untuk identifikasi. c) Identifikasi K-Nearest Neighbor Setelah mendapatkan ciri statistik dari citra, kemudian ciri akan digunakan untuk tahap identifikasi. Untuk mengukur jarak dalam identifikasi ini menggunakan rumus 2.5 euclidean distance. Dalam proses ini perlu digunakan data training sebagai pembanding. Data training inilah yang akan menjadi acuan citra fundus retina termasuk ke dalam kelas glaucoma atau kelas normal. Hasil perbandingan didapatkan dari jumlah kelas terdekat yang paling banyak dalam jangkauan nilai k. Gambar 8 (b) menunjukkan diagram alur penggunaaan metode KNN untuk identifikasi. Gambar 8. (a) Diagram blok alur pembentukan GLCM (b) diagram blokalur identifikasi citra fundus retina dengan KNN 3. HASIL DAN PEMBAHASAN 3.1 Menghitung Akurasi dengan 3 Fold Cross Validation Untuk pengujian akurasi menggunakan data sebanyak 18 citra sebagai training. Data akan dibagi menjadi 3 kelompok data secara merata menjadi 6 data citra untuk tiap kelompok datanya. Untuk data training menggunakan kombinasi dari dua kelompok data. Sedangkan kelompok data yang tersisa akan menjadi data testing. Pengujian akan dilakukan hingga semua kelompok data telah menjadi data testing maupun training. Tabel 1 memperlihatkan rangkuman pembagian data uji dan data set. Tabel 1.Pembagian data untuk data uji dan dataset Pembagian Data Citra data Glaukoma Normal Data uji citra 1 sampai 6 citra 16 sampai 21 Dataset citra 7 sampai 15 citra 22 sampai 30 Setelah mendapatkan komposisi citra untuk tiap kelompok data seperti yang ditunjukan Tabel 2, dilakukan pengujian validasi. Untuk pengujian akan dilakukan sebanyak 3 iterasi. Penggunaan kelompok data untuk setiap iterasi dapat dilihat pada Tabel 3. Tabel 2.Pembagian data untuk data uji dan dataset 96
6 Kelompok data Data Citra kelompok kelompok kelompok Tabel 3. Hasil pengujian 3 fold cross validation untuk 18 dataset citra Indikasi identifikasi k=3 k=5 k=7 k=9 7 Glaukoma Glaukoma Glaukoma Normal Normal Normal glaukoma glaukoma glaukoma Normal Normal Normal glaukoma glaukoma glaukoma Normal Normal Normal Jumlah data Salah Jumlah data Benar Besar akurasi Dari pengujian pada Tabel 4, dapat dilihat bahwa akurasi dari 18 data training paling tinggi adalah 50% dengan nilai k = 7. Akurasi yang didapatkan tentu masih kurang baik untuk dijadikan data training dalam sistem deteksi glaukoma. Tabel 4. Hasil pengujian 3 fold cross validation untuk 30 dataset Citra Indikasi Identifikasi k=3 k=5 k=7 k=9 1 glaukoma glaukoma glaukoma glaukoma glaukoma normal normal normal normal normal glaukoma glaukoma glaukoma glaukoma glaukoma normal normal normal normal normal glaukoma glaukoma glaukoma glaukoma glaukoma normal normal normal normal normal Jumlah Data Benar Jumlah Data Salah Besar Akurasi
7 Pengujian berikutnya yaitu menggunakan 30 data, dengan membagi data secara kedalam 3 kelompok data dimana masing-masing kelompok data terdiri dari 10 data citra. Hasil dari pengujian ini lebih baik dengan akurasi terbesar yang didapatkan adalah 70% dengan nilai k=5. Nilai akurasi untuk pengujian ini dapat dikatakan cukup untuk digunakan dalam sistem deteksi glaukoma. Akan tetapi karena keterbatasan data, maka pengujian untuk menemukan persentase benar dalam mendeteksi tidak dapat dilakukan. 3.2 Hasil pengujian Identifikasi Tabel 5 memperlihatkan data mentah hasil dari pengamatan uji coba sistem identifikasi. Walaupun akurasi dari dataset untuk 18 data citra hanya mencapai 50%, tetapi hasil uji terhadap 12 data test adalah % untuk pengujian dengan nilai k = 9. Pada pengujian ini, persentase identifikasi dengan benar cukup tinggi, akan tetapi karena dataset yang digunakan memiliki akurasi yang kurang, maka hasil ini belum bisa dikatakan valid. Tabel 5. Hasil ujicoba indentifikasi nilai k citra identifikasi k=3 k=5 k=7 k= Jumlah data benar Jumlah data salah persentase benar SIMPULAN Penelitian ini menggunakan data berupa citra dari retina yang diambil menggunakan kamera fundus. Data citra berformat JPG. Data yang digunakan diambil dari sumber internet High-Resolution Fundus (HRF) Image Database. Penelitian terbagi menjadi tiga bagian yaitu preprocessing, ekstraksi ciri, dan identifikasi. Preprocessing pada penelitian ini menggunakan metode grayscaling, resize dan segmentasi. Ekstraksi ciri menggunakan metode gray level co-occurrency matrix (GLCM) dengan mengambil empat fitur dari matrik GLCM yaitu kontras, korelasi, homogenitas, dan energy. Untuk identifikasi menggunakan metode K-Nearest Neighbor (K-NN). Untuk membuat matriks kookurensi, terlebih dahulu tentukan arah dan jarak spasial. Kemudian hitung probabilitas munculnya pixel dengan pixel tetangga yang memenuhi syarat jarak spasial dan arah yang telah ditentukan tadi. Untuk pengujian identifikasi data citra dibagi menjadi 18 data training yang terdiri dari 9 citra glaukoma dan 9 citra normal, dan 12 data testing dengan 6 citra normal dan 6 citra glaukoma. Dari percobaan identifikasi didapatkan hasil % persentase benar dengan nilai k= 9. Akurasi pengujian tertinggi untuk 30 dataset 70% dengan nilai k = 5. Sedangkan untuk 18 dataset akurasi tertinggi 50% dengan nilai k = 7. Untuk pembuatan matrik kookurensi menggunakan jarak spasial d=1 dan sudut θ=0 o. Dalam identifikasi dengan metode KNN, penentuan nilai k sangat memengaruhi hasil identifikasi. 5. REFERENSI [1] Radjamin, T Ilmu Penyakit Mata. Lembaga Penerbitan Universitas Airlangga, Surabaya. [2] Ilyas, S Ilmu Penyakit Mata. Balai Penerbit Fakultas Kedokteran Universitas Indonesia, Jakarta. [3] Hadi, F., Budiman, G., Fauzi, H Deteksi Glaukoma Pada Foto Fundus Resolusi Tinggi. Jurnal Fakultas Teknik Elektro. Universitas Telkom. [4] Putra, T. W. A Pengenalan Wajah dengan Matriks Kookurensi Aras Keabuan dan Jaringan Saraf Tiruan Probabilistik. Universitas Diponegoro, Semarang. 98
8 [5] Haralick, M. R., Shanmugam, K., & Dinstein, K Textural Features for Image Classification. IEEE Transactions On Systems, Man, And Cybernetics. Vol. SMC-3(6): [6] Santosa, B Data mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Graha Ilmu, Yogyakarta. [7] Prasertyo, E Data Mining. Andi Offset, Yogyakarta. [8] Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU) Lehrstuhl für Informatik High- Resolution Fundus (HRF) Image Database. diakses 12 juni
PENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH
PENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH Rikko Ismail Hardianzah 1), Bambang Hidayat 2), Suhardjo 3) 1),2) Fakultas Teknik
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 5, No. 1 (2016) 158-163 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone IDENTIFIKASI JENIS PENYAKIT DAUN TEMBAKAU MENGGUNAKAN METODE GRAY LEVEL
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Bab ini membahas langkah-langkah dari implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi aktivitas menggunakan algoritma k-nearest neighbor
Lebih terperinciEKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX. Abstrak
EKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX Karina Auliasari, Bastian, Bella Fardani, Zulkifli, Ivandi Jurusan Teknik Informatika Fakultas Teknik
Lebih terperinciPengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya
Pengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya 1 Hafidz Surahman 1, Aisyah Fuja 2, Ir.Rubandi 3, Willy 4 1,2 STMIK GI MDP; Jalan Rajawali No.14 Palembang,
Lebih terperinciIDENTIFIKASI TANDA TANGAN DENGAN DETEKSI TEPI DAN KOEFISIEN KORELASI
IDENTIFIKASI TANDA TANGAN DENGAN DETEKSI TEPI DAN KOEFISIEN KORELASI Harry Santoso Program Studi Teknik Informatika, Unika Soegijapranata Semarang harrysantoso888@gmail.com Abstract Signature is a proof
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker merupakan proses penyakit yang terjadi karena sel abnormal mengalami mutasi genetik dari DNA seluler. Sel abnormal membentuk klon dan berproliferasi secara abnormal
Lebih terperinciKlasifikasi Tingkat Keparahan Non- ProliferativeI Diabetic Retinopathy Bedarsarkan Hard Exudate Menggunakan Extreme Learning Machine
JURNAL SAINS DAN SENI POMITS Vol. 6, No.2, (2017) 2337-3520 (2301-928X Print) A 89 Klasifikasi Tingkat Keparahan Non- ProliferativeI Diabetic Retinopathy Bedarsarkan Hard Exudate Menggunakan Extreme Learning
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih terperinciAPLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira 50408896 Dr. Karmilasari Kanker Latar Belakang Kanker
Lebih terperinciPENGENALAN BILANGAN ARAB MENGGUNAKAN TEMPLATE MATCHING
Powered by TCPDF (www.tcpdf.org) PENGENALAN BILANGAN ARAB MENGGUNAKAN TEMPLATE MATCHING Muhammad Hanif Dwiadi¹, Sofia Naning Hertiana², Gelar Budiman³ ¹Teknik Telekomunikasi,, Universitas Telkom Abstrak
Lebih terperinciKLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES
KLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES Tri Adhi Atmaji 1, Catur Supriyanto 2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Lebih terperinciABSTRAK. Kata kunci : CBIR, GLCM, Histogram, Kuantisasi, Euclidean distance, Normalisasi. v Universitas Kristen Maranatha
ABSTRAK Content-Based Image Retrieval (CBIR) adalah proses untuk mendapatkan suatu citra berdasarkan konten-konten tertentu, konten yang dimaksud dapat berupa tekstur, warna, bentuk. CBIR pada dasarnya
Lebih terperinciDETEKSI KERUSAKAN JALUR PCB (PRINTED CIRCUIT BOARD) MENGGUNAKAN METODE TEMPLATE MATCHING
DETEKSI KERUSAKAN JALUR PCB (PRINTED CIRCUIT BOARD) MENGGUNAKAN METODE TEMPLATE MATCHING Wahyu Nugroho Abstract - Template matching is a technique in digital image processing functions to match each part
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
1 BAB 1 PENDAHULUAN 1.1. Latar Belakang Diabetic retinopathy merupakan komplikasi mikrovaskular penyakit diabetes melitus yang menyerang pembuluh darah di retina yang menyebabkan penurunan fungsi penglihatan
Lebih terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
Lebih terperinciLEMBAR PENGESAHAN TUGAS AKHIR...
DAFTAR ISI HALAMAN SAMPUL... i HALAMAN JUDUL... ii PERNYATAAN... iii LEMBAR PENGESAHAN TUGAS AKHIR... iv BERITA ACARA TUGAS AKHIR... v KATA PENGANTAR... vi ABSTRAK... vii ABSTRACT... viii DAFTAR ISI...
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Modified k-nearest Neighbor untuk mengidentifikasi diabetic retinopathy.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka tentang identifikasi iris mata ataupun identifikasi citra digital sudah pernah dilakukan sebelumnya, berikut merupakan tabel perbandingan terhadap
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 1638
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 1638 KLASIFIKASI JENIS BATUAN SEDIMEN BERDASARKAN TEKSTUR DENGAN METODE GRAY LEVEL CO-OCCURRENCE MATRIX DAN K-NN Classification
Lebih terperinciPENGARUH PEMAKAIAN EDGE DETECTION PADA SISTEM PENGENALAN HURUF KAPITAL TULISAN TANGAN
Jurnal Teknik dan Ilmu Komputer PENGARUH PEMAKAIAN EDGE DETECTION PADA SISTEM PENGENALAN HURUF KAPITAL TULISAN TANGAN (The Influence of Edge Detection Use on Capital Letter Hand Writing Recognition System)
Lebih terperinciAtthariq 1, Mai Amini 2
IDENTIFIKASI IKAN KERAPU BERDSARKAN POLA KULIT DENGAN METODE GLCM DAN EUCLIDEAN DISTANCE Atthariq 1, Mai Amini 2 1,2,3 Teknologi Informasi dan Komputer, Politeknik Negeri Lhokseumawe, Jalan banda Aceh-Medan
Lebih terperinciIDENTIFIKASI BIOMETRIK FINGER KNUCKLE PRINT MENGGUNAKAN FITUR EKSTRAKSI PCA DAN GLCM
1 IDENTIFIKASI BIOMETRIK FINGER KNUCKLE PRINT MENGGUNAKAN FITUR EKSTRAKSI DAN Ratna Dwi Jayanti A11.2011.05949 Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro, Jl.
Lebih terperinciSISTEM IDENTIFIKASI CITRA KAYU BERDASARKAN TEKSTUR MENGGUNAKAN GRAY LEVEL COOCURRENCE MATRIX (GLCM) DENGAN KLASIFIKASI JARAK EUCLIDEAN
ISSN: 1410-233 SISTEM IDENTIFIKASI CITRA KAYU BERDASARKAN TEKSTUR MENGGUNAKAN GRAY LEVEL COOCURRENCE MATRIX (GLCM) DENGAN KLASIFIKASI JARAK EUCLIDEAN Saifudin 1, Abdul Fadlil 2 1 Program Studi Teknik Informatika,
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA TELINGA DENGAN MENGGUNAKAN METODE TRANSFORMASI HOUGH ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA TELINGA DENGAN MENGGUNAKAN METODE TRANSFORMASI HOUGH Syafril Tua (0822088) Jurusan Teknik Elektro email: syafrilsitorus@gmail.com ABSTRAK Struktur telinga adalah
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 3 Ilustrasi pencarian titik pusat dan jari-jari pupil. Segmentasi
4 Perangkat keras berupa Notebook: Processor intel Core i3 2.2 GHz. RAM kapasitas 2. GB. Harddisk Kapasitas 5 GB. Monitor pada resolusi 1366 x 768 piksel. Merek Acer Aspire 475. Perangkat lunak berupa:
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN SISTEM
BAB 3 ANALISA DAN PERANCANGAN SISTEM 3.1 Analisa Program Aplikasi Dalam proses identifikasi karakter pada plat nomor dan tipe kendaraan banyak menemui kendala. Masalah-masalah yang ditemui adalah proses
Lebih terperinciBAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA
BAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA 3.1 Analisis Masalah Jaringan saraf tiruan hopfield merupakan salah satu Algoritma Machine Learning yang dapat mengklasifikasikan suatu objek citra berdasarkan pelatihan
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciPerancangan Konversi Braille Ke Teks Berbasis Android
Perancangan Konversi Braille Ke Teks Berbasis Android Intan Sulviyani 1, Ledya Novamizanti 2, Ratri Dwi Atmaja 3 Teknik Telekomunikasi, Telkom University 1,2,3 intansviany@gmail.com Abstrak Komunikasi
Lebih terperinciVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FILTER GABOR ABSTRAK
VERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FILTER GABOR Eric (0822026) Jurusan Teknik Elektro Universitas Kristen Maranatha email: eric.wennas@gmail.com ABSTRAK Pola pembuluh
Lebih terperinciPENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengenalan Wajah Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem keamanan selain pengenalan retina mata, pengenalan sidik jari
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Beras merupakan makanan pokok penduduk dunia salah satunya Indonesia sebagai Negara dengan tingkat konsumsi beras mencapai 139 kilogram perkapita per tahun dan menjadikan
Lebih terperinciIMPLEMENTASI K-NEAREST NEIGHBOR UNTUK MENGENALI POLA CITRA DALAM MENDETEKSI PENYAKIT KULIT
IMPLEMENTASI K-NEAREST NEIGHBOR UNTUK MENGENALI POLA CITRA DALAM MENDETEKSI PENYAKIT KULIT Sebastian Rori Listyanto Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro
Lebih terperinciBAB III PERANCANGAN SISTEM. tangan huruf vokal seperti terlihat pada gambar 3.1.
BAB III PERANCANGAN SISTEM 3.1 Alur Penelitian Perancangan sistem simulasi identifikasi dan pengenalan pola tulisan tangan huruf vokal seperti terlihat pada gambar 3.1. Pengambilan data Pre-processing
Lebih terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
Lebih terperinciSISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING
SISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING Mohamad Aditya Rahman, Ir. Sigit Wasista, M.Kom Jurusan Teknik Elektronika, Politeknik Elektronika Negeri Surabaya
Lebih terperinciREALISASI PERANGKAT LUNAK UNTUK MEMVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCALITY PRESERVING PROJECTION
REALISASI PERANGKAT LUNAK UNTUK MEMVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCALITY PRESERVING PROJECTION FadliWitular (0822043) Jurusan Teknik Elektro Universitas
Lebih terperinciBAB II LANDASAN TEORI. titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
BAB II LANDASAN TEORI 2. Citra/Image Citra atau yang lebih sering dikenal dengan gambar merupakan kumpulan dari titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
Lebih terperinciPERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT)
PERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT) DAN MULTISCALE LOCAL BINARY PATTERN (MLBP) DALAM PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH Yuwono (0922013) Jurusan Teknik
Lebih terperinciSISTEM PENGENALAN PENGUCAPAN HURUF VOKAL DENGAN METODA PENGUKURAN SUDUT BIBIR PADA CITRA 2 DIMENSI ABSTRAK
SISTEM PENGENALAN PENGUCAPAN HURUF VOKAL DENGAN METODA PENGUKURAN SUDUT BIBIR PADA CITRA 2 DIMENSI Adhi Fajar Sakti Wahyudi (0722062) Jurusan Teknik Elektro Email: afsakti@gmail.com ABSTRAK Teknologi pengenalan
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 263
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 263 DETEKSI KANKER KOLOREKTAL (KANKER USUS BESAR) MENGGUNAKAN METODE GRAY LEVEL COOCCURENCE MATRIX DAN K-NEAREST NEIGHBOR BERBASIS
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM (SIFT) Vikri Ahmad Fauzi (0722098) Jurusan Teknik Elektro email: vikriengineer@gmail.com
Lebih terperinciIDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID ABSTRAK
IDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID Disusun Oleh : Robin Yosafat Saragih (1022076) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciBAB I PENDAHULUAN. hilangnya serat saraf optik (Olver dan Cassidy, 2005). Pada glaukoma akan terdapat
BAB I PENDAHULUAN 1.1 Latar Belakang Glaukoma adalah suatu neuropati optik multifaktorial dengan karakteristik hilangnya serat saraf optik (Olver dan Cassidy, 2005). Pada glaukoma akan terdapat kelemahan
Lebih terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
Lebih terperinciIDENTIFIKASI DIABETIC RETINOPATHY MELALUI CITRA RETINA MENGGUNAKAN MODIFIED K-NEAREST NEIGHBOR SKRIPSI AMELIA FEBRIANI
1 IDENTIFIKASI DIABETIC RETINOPATHY MELALUI CITRA RETINA MENGGUNAKAN MODIFIED K-NEAREST NEIGHBOR SKRIPSI AMELIA FEBRIANI 101402009 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah
BAB 3 METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Prosesor Intel (R) Atom (TM) CPU N550
Lebih terperinciIDENTIFIKASI RETINOBLASTOMA MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK SKRIPSI WIDYA EKA SANDRI
IDENTIFIKASI RETINOBLASTOMA MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK SKRIPSI WIDYA EKA SANDRI 131402113 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA
Lebih terperinciKlasifikasi Tingkat Keparahan Non-ProliferativeI Diabetic Retinopathy Bedasarkan Hard Exudate Menggunakan Extreme Learning Machine
A88 Klasifikasi ingkat Keparahan Non-ProliferativeI Diabetic Retinopathy Bedasarkan Hard Exudate Menggunakan Extreme Learning Machine Dinda Ulima Rizky Yani dan Dwi Ratna Sulistyaningrum Departemen Matematika,
Lebih terperinciIDENTIFIKASI MACAN TUTUL DENGAN METODE GREY LEVEL COOCURENT MATRIX ( GLCM) Zuly Budiarso Fakultas teknologi Informasi, Univesitas Stikubank Semarang
IDENTIFIKASI MACAN TUTUL DENGAN METODE GREY LEVEL COOCURENT MATRIX ( GLCM) Zuly Budiarso Fakultas teknologi Informasi, Univesitas Stikubank Semarang Abstrak Tekstur (Textures) adalah sifat-sifat atau karakteristik
Lebih terperinciVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR CHAIN CODE ABSTRAK
VERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR CHAIN CODE Andre Sitorus (0822107) Jurusan Teknik Elektro email: tiantorus11@gmail.com ABSTRAK Pola yang dibentuk oleh
Lebih terperinciPERBANDINGAN ALGORITMA TEMPLATE MATCHING DAN FEATURE EXTRACTION PADA OPTICAL CHARACTER RECOGNITION
Jurnal Komputer dan Informatika (KOMPUTA) 29 PERBANDINGAN ALGORITMA TEMPLATE MATCHING DAN FEATURE EXTRACTION PADA OPTICAL CHARACTER RECOGNITION Raden Sofian Bahri 1, Irfan Maliki 2 1,2 Program Studi Teknik
Lebih terperinci1. BAB I PENDAHULUAN Latar Belakang
1 1. BAB I PENDAHULUAN Latar Belakang Iris mata merupakan salah satu organ internal yang dapat di lihat dari luar. Selaput ini berbentuk cincin yang mengelilingi pupil dan memberikan pola warna pada mata
Lebih terperinciPengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN)
Pengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN) Iman Ilmawan Muharam Manajemen Sistem Informasi Universitas Gunadarma Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat ilmawan@sta.gunadarma.ac.id
Lebih terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
Lebih terperinciANALISIS TEKSTUR DAN EKSTRAKSI FITUR WARNA UNTUK KLASIFIKASI APEL BERBASIS CITRA. Arie Qur ania, Lita Karlitasar, Sufiatul Maryana
ANALISIS TEKSTUR DAN EKSTRAKSI FITUR WARNA UNTUK KLASIFIKASI APEL BERBASIS CITRA Arie Qur ania, Lita Karlitasar, Sufiatul Maryana ABSTRAK ANALISIS TEKSTUR DAN EKSTRAKSI FITUR WARNA UNTUK KLASIFIKASI APEL
Lebih terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
Lebih terperinciIdentifikasi Tumbuhan Obat Herbal Berdasarkan Citra Daun Menggunakan Algoritma Gray Level Co-occurence Matrix dan K-Nearest Neighbor
Tersedia di https://jtsiskom.undip.ac.id (14 Maret 2018) DOI: 10.14710/jtsiskom.6.2.2018.51-56 Jurnal Teknologi dan Sistem Komputer, 6(2), 2018, 51-56 Identifikasi Tumbuhan Obat Herbal Berdasarkan Citra
Lebih terperinciIDENTIFIKASI DAGING SAPI DAN DAGING BABI MENGGUNAKAN FITUR EKSTRAKSI GREY LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR CLASSIFIER
IDENTIFIKASI DAGING SAPI DAN DAGING BABI MENGGUNAKAN FITUR EKSTRAKSI GREY LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR CLASSIFIER Ferry Anggriawan Susanto A11.2011.06083 1, Catur Supriyanto 2 Program
Lebih terperinciIDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN)
IDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN) SKRIPSI Disusun Oleh : THOMI LUTHFIANTO 1203030010 PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS
Lebih terperinciPERANCANGAN SISTEM PENGENAL DIGIT ANGKA METER AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN KOHONEN
PERANCANGAN SISTEM PENGENAL DIGIT ANGKA METER AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN KOHONEN Teguh Triantoro, F. Rizal Batubara, Fahmi Konsentrasi Teknik Komputer, Departemen Teknik Elektro Fakultas Teknik
Lebih terperinciSKRIPSI SEGMENTASI PEMBULUH DARAH PADA CITRA FUNDUS RETINA MATA DENGAN ALGORITMA FILTER GABOR. Oleh: NUR AHMAD FAUZAN
SKRIPSI SEGMENTASI PEMBULUH DARAH PADA CITRA FUNDUS RETINA MATA DENGAN ALGORITMA FILTER GABOR Oleh: NUR AHMAD FAUZAN 2011-51-084 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT UNTUK MEMPEROLEH GELAR SARJANA
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN
Jurnal Teknik Informatika Vol. 1 September 2012 1 PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN Wahyu Saputra Wibawa 1, Juni Nurma Sari 2, Ananda 3 Program Studi
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Rancangan Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau informasi
Lebih terperinciPENGENALAN GARIS TELAPAK TANGAN MENGGUNAKAN EKSTRAKSI JARAK EUCLIDEAN TERNORMALISASI SKRIPSI FUJI FRILLA KURNIA
PENGENALAN GARIS TELAPAK TANGAN MENGGUNAKAN EKSTRAKSI 09PENGENALAN GARIS TELAPAK TANGAN DENGAN MENGGUNAKAN FITUR EKSTRAKSI OPERASI BLOK FITUR OPERASI NON-OVERLAPPING BLOK NON-OVERLAPPING DAN PENCOCOKAN
Lebih terperinciAnalisis dan Implementasi Deteksi Citra Spam Menggunakan Gray Level Co-occurences Matrix dan Naive Bayes
OPEN ACCESS OPEN ACCESS ISSN 2460-3295 socj.telkomuniversity.ac.id/indosc ISSN XXXX-XXXX NO. XX, SEPT 2016 SOCJ.TELKOMUNIVERSITY.AC.ID/INDOSC Ind. Symposium on Computing Sept 2016. pp. 319-334 doi:10.21108/indosc.2016.164
Lebih terperinciEkstraksi Ciri Citra Batik Berdasarkan Tekstur Menggunakan Metode Gray Level Co Occurrence Matrix
Ekstraksi Ciri Citra Batik Berdasarkan Tekstur Menggunakan Metode Gray Level Co Occurrence Matrix Rizky Andhika Surya, Abdul Fadlil, Anton Yudhana Magister Teknik Informatika Universitas Ahmad Dahlan Yogyakarta,
Lebih terperinciDeteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation
Deteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation Tri Deviasari Wulan 1, Endah Purwanti 2, Moh Yasin 3 1,2 Program Studi Fisika Fakultas Sains dan Teknologi
Lebih terperinciPENGENALAN TULISAN TANGAN MENGGUNAKAN EKSTRAKSI CIRI WAVELET TRANSFORM DARI PROJECTION PROFILE
PENGENALAN TULISAN TANGAN MENGGUNAKAN EKSTRAKSI CIRI WAVELET TRANSFORM DARI PROJECTION PROFILE Radian Rizki Triadhi NRP : 1222033 E-mail : radianrizkitriadhi@ymail.com ABSTRAK Pengenalan tulisan tangan
Lebih terperinciSCENE COMPLETION MENGGUNAKAN TEMPLATE MATCHING DAN POISSON BLENDING
SCENE COMPLETION MENGGUNAKAN TEMPLATE MATCHING DAN POISSON BLENDING Erick Alfons Lisangan Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Atma Jaya Makassar Alamat email : erick_lisangan@lecturer.uajm.ac.id
Lebih terperinciPENGENALAN JENDER BERBASIS TEKSTUR PADA CITRA WAJAH FOTO DIGITAL ABSTRAK
PENGENALAN JENDER BERBASIS TEKSTUR PADA CITRA WAJAH FOTO DIGITAL Cucun Very Angkoso Jurusan Teknik Informatika Fakultas Teknik Universitas Trunojoyo Madura cucunvery@if.trunojoyo.ac.id ABSTRAK Perkembangan
Lebih terperinciLAPORAN SKRIPSI DETEKSI KANKER OTAK PADA DATA MRI MELALUI JARINGAN SYARAF TIRUAN DENGAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM
LAPORAN SKRIPSI DETEKSI KANKER OTAK PADA DATA MRI MELALUI JARINGAN SYARAF TIRUAN DENGAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM Oleh : Saeful Anwar 2009-51-030 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT
Lebih terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
Lebih terperinciPENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR
PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR Ardilla Ayu Dewanti Ridwan, Ivanna K. Timotius, Iwan Setyawan PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA
Lebih terperinciSISTEM PENGENALAN BUAH MENGGUNAKAN METODE DISCRETE COSINE TRANSFORM dan EUCLIDEAN DISTANCE
SISTEM PENGENALAN BUAH MENGGUNAKAN METODE DISCRETE COSINE TRANSFORM dan EUCLIDEAN DISTANCE Bagus Aditya *), Achmad Hidayatno, and Ajub Ajulian Zahra Jurusan Teknik Elektro, Universitas Diponegoro Semarang
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Sebagai tinjauan pustaka, berikut beberapa contoh penelitian telapak kaki yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL BINARY PATTERN ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL BINARY PATTERN Zeth Pasongli (0222113) Jurusan Teknik Elektro Email: zeth_pasongli@yahoo.com ABSTRAK Pola pembuluh
Lebih terperinciBAB 1 PENDAHULUAN Latar belakang masalah
BAB 1 PENDAHULUAN 1.1. Latar belakang masalah Saluran pernapasan pada manusia terdiri dari rongga hidung, faring, laring, trakea, percabangan bronkus dan paru-paru (bronkiolus, alveolus). Paru-paru merupakan
Lebih terperinciIMPLEMENTASI APLIKASI PENGENALAN JENIS KELAMIN BERDASARKAN CITRA WAJAH DENGAN METODE SUPPORT VECTOR MACHINE SECARA REAL TIME
IMPLEMENTASI APLIKASI PENGENALAN JENIS KELAMIN BERDASARKAN CITRA WAJAH DENGAN METODE SUPPORT VECTOR MACHINE SECARA REAL TIME Implementation of Gender Recognition Applications Based on Face Image with Support
Lebih terperinciPENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL SINTESIS DENGAN TEKNIK MULTISCALE MARKOV RANDOM FIELD (MRF)
PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL SINTESIS DENGAN TEKNIK MULTISCALE MARKOV RANDOM FIELD (MRF) Disusun oleh : Alvin Silajaya (0922018) Jurusan Teknik Elektro,
Lebih terperinciKLASIFIKASI JENIS DAGING BERDASARKAN TEKSTUR MENGGUNAKAN METODE GRAY LEVEL COOCURENT MATRIX
KLASIFIKASI JENIS DAGING BERDASARKAN TEKSTUR MENGGUNAKAN METODE GRAY LEVEL COOCURENT MATRIX Nurul Lihayati 1, Ratri Enggar Pawening 2, Mohammad Furqan 3 1,2, 3 Jurusan Teknik Informatika, STT Nurul Jadid
Lebih terperinciPENGENALAN WAJAH DENGAN MENGGUNAKAN METODE DISCRIMINATIVE LOCAL DIFFERENCE PATTERNS
PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE DISCRIMINATIVE LOCAL DIFFERENCE PATTERNS Widyawan Tarigan NRP : 0222062 email : widyawan_tarigan@yahoo.com ABSTRAK Pada sistem pengenalan wajah, merancang deskriptor
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN MODIFIED HAUSDORFF DISTANCE ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN MODIFIED HAUSDORFF DISTANCE Daniel Halomoan (0822056) Jurusan Teknik Elektro Universitas Kristen Maranatha email: daniel170390@gmail.com
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan sistem pendeteksi orang tergeletak mulai dari : pembentukan citra digital, background subtraction, binerisasi, median filtering,
Lebih terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Lebih terperinciFitur Matriks Populasi Piksel Untuk Membedakan Frame-frame Dalam Deteksi Gerakan
Fitur Matriks Populasi Piksel Untuk Membedakan Frame-frame Dalam Deteksi Gerakan Teady Matius Surya Mulyana tmulyana@bundamulia.ac.id, teadymatius@yahoo.com Teknik Informatika Universitas Bunda Mulia Abstrak
Lebih terperinciChairunnisa Adhisti Prasetiorini *), R. Rizal Isnanto, dan Achmad Hidayatno. Abstrak. Abstract
PENGENALAN IRIS MATA MENGGUNAKAN JARINGAN SARAF TIRUAN METODE PERAMBATAN BALIK DENGAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN (GRAY LEVEL CO-OCCURRENCE MATRIX - GLCM) Chairunnisa Adhisti Prasetiorini
Lebih terperinciPEMBUATAN WEB SERVICE SEBAGAI LAYANAN PENDETEKSI KONTEN PORNOGRAFI PADA CITRA DIGITAL DENGAN METODE IMAGE ZONING
PEMBUATAN WEB SERVICE SEBAGAI LAYANAN PENDETEKSI KONTEN PORNOGRAFI PADA CITRA DIGITAL DENGAN METODE IMAGE ZONING Oleh: Lourensius Bisma (5210100155) Dosen Pembimbing: Dr.Eng. Febriliyan Samopa, S.Kom.,
Lebih terperinciSISTEM PENGENAL ARAH PANDANG MATA PADA PENGENDARA MOBIL
SISTEM PENGENAL ARAH PANDANG MATA PADA PENGENDARA MOBIL Deny Christian, Ivanna K. Timotius, Iwan Setyawan SISTEM PENGENAL ARAH PANDANG MATA PADA PENGENDARA MOBIL Deny Christian 1, Ivanna K. Timotius 2,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi di bidang informasi spasial dan fotogrametri menuntut sumber data yang berbentuk digital, baik berformat vektor maupun raster. Hal ini dapat
Lebih terperinciPENGENALAN POLA HURUF ALPHABET ABSTRAK
PENGENALAN POLA HURUF ALPHABET Tugas Akhir N. A. Pamungkas 1, Firdaus 2, E. S. Wahyuni 3 1. Penulis, Mahasiswa Jurusan Teknik Elektro Universitas Islam Indonesia 2. Dosen Pembimbing, Staf Pengajar di Jurusan
Lebih terperinciIDENTIFIKASI RETINA MATA MENGGUNAKAN JARAK EUCLIDEAN DENGAN PENCIRIAN MATRIKS KOOKURENSI ARAS KEABUAN (GRAY LEVEL CO-OCCURRENCE MATRIX-GLCM)
IDENTIFIKASI RETINA MATA MENGGUNAKAN JARAK EUCLIDEAN DENGAN PENCIRIAN MATRIKS KOOKURENSI ARAS KEABUAN (GRAY LEVEL CO-OCCURRENCE MATRIX-GLCM) 1 Andi Widiasmoro, 2 R. Rizal Isnanto, 3 Jatmiko Endro Suseno
Lebih terperinciPERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR
PERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR Ragil Anggararingrum Perwira Nagara¹, Adiwijaya², Ratri Dwi Atmaja³ ¹Teknik
Lebih terperinciEkstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Ekstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE) I Gusti Rai Agung Sugiartha
Lebih terperinci