IDENTIFIKASI HAMA TANAMAN CABAI DENGAN MEMBANDINGKAN PRINCIPAL COMPONENT ANALYSIS DAN GRAY LEVEL CO-OCCURRENCE MATRIX SEBAGAI EKSTRAKSI CIRI
|
|
- Iwan Pranata
- 7 tahun lalu
- Tontonan:
Transkripsi
1 IDENTIFIKASI HAMA TANAMAN CABAI DENGAN MEMBANDINGKAN PRINCIPAL COMPONENT ANALYSIS DAN GRAY LEVEL CO-OCCURRENCE MATRIX SEBAGAI EKSTRAKSI CIRI RINI WINDYASTUTI 1, TOTO HARYANTO *1, NINA MARYANA 2 Abstrak Cabai merupakan salah satu komoditas hortikultura jenis sayuran buah yang bernilai ekonomi tinggi. Produktivitas cabai yang relatif masih rendah di antaranya disebabkan oleh serangan hama. Salah satu cara mengidentifikasi hama yaitu dengan menggunakan sistem identifikasi secara otomatis berbasis pemrosesan citra digital. Pada penelitian ini dilakukan perbandingan dua ekstraksi ciri yaitu Principal Component Analysis (PCA) dan Gray Level Co- ccurrence Matrix (GLCM) dengan klasifikasi menggunakan Probabilistic Neural Network (PNN). Ekstraksi ciri PCA yang dilakukan pada penelitian ini menggunakan proporsi 80%, 90%, dan 95% dan ekstraksi ciri GLCM menggunakan sudut 0 0, 45 0, 90 0, dan Hasil penelitian menunjukkan bahwa hasil akurasi identifikasi dengan menggunakan ekstraksi ciri GLCM lebih baik dibandingkan PCA. Hasil akurasi tertinggi pada GLCM yaitu sebesar 72% sementaradengan PCA menghasilkan akurasi maksimu sebesar 65%. Kata kunci : Gray Level Co-Occurrence atrix, Hama, PNN, Principal Component Analysis Abstract Chili is a type of vegetables horticulture with high value economically. he decrease of Chili s productivity caused by presence of pests. Pests identification can be conducted by automatic system pests identification based on digital image processing. In this research, two features extraction algorithms were used for the system, i.e. Principal Component Analysis (PCA) and the Gray Level Co-Occurrence atrix (GLC ). or identification, Probabilistic Neural Network (PNN) will be conducted. Various principal in PCA for this research start from 80%, 90%, and 95% while GLC uses angles of 0 0, 45 0, 90 0, and he results show that GLC is better performance than PCA for feature extraction. he highest accuracy obtained from GLC feature extraction and PNN classify with the value of 72% while PCA and PNN classify with the value of 65%. Keywords: Gray Level Co-Occurrence PENDAHULUAN atrix, pest, PNN, Principal Component Analysis Cabai (Capsicum annum) adalah salah satu komoditas hortikultura jenis sayuran buah yang bernilai ekonomi tinggi dan cocok untuk dikembangkan di daerah tropika seperti Indonesia. Penduduk Indonesia sangat menggemari cabai karena dapat digunakan pada beraneka masakan. Dengan demikian, prospek pemasaran cabai sangat cerah dan potensi pasarnya cukup tinggi. Menurut data Deptan (2012), rata-rata konsumsi cabai per kapita adalah gram per tahun. Dengan jumlah penduduk sebanyak juta (sensus tahun 2010), berarti Indonesia membutuhkan cabai sebanyak ton per tahun. Sekalipun ada kecenderungan peningkatan kebutuhan, tetapi permintaan terhadap cabai merah untuk kebutuhan sehari-hari berfluktuasi, yang disebabkan oleh naik turunnya harga cabai yang 1 Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor, Bogor * Penulis Korespondensi : Telp: ; Surel: totoharyanto@apps.ipb.ac.id. 2 Departemen Hama dan Proteksi Tanaman, Fakultas Pertanian, Institut Pertanian Bogor, Bogor
2 terjadi di pasar eceran. Faktor yang menyebabkan produktivitas cabai rendah di Indonesia di antaranya disebabkan oleh gangguan organisme pengganggu tanaman (Suryaningsih dan Hadisoeganda 2007). Kerusakan yang disebabkan oleh serangan hama pada cabai masih merupakan penyebab utama kegagalan panen sehingga hama menjadi faktor penting yang harus diperhatikan dalam budidaya tanaman cabai. Pada identifikasi hama cabai, yang masih biasa dilakukan adalah masih secara manual dengan membawa hama serangga ke laboratorium dan diidentifikasi dengan merujuknya pada buku identifikasi baik berupa kunci identifikasi maupun gambar acuan atau membandingkan dengan spesimen pembanding di laboratorium. Untuk mempermudah proses identifikasi, dikembangkan suatu sistem berbasis citra yang dapat mengidentifikasi hama secara otomatis. Pada penelitian Ashar (2009) sistem pakar diagnosa hama dapat digunakan sebagai alat bantu identifikasi sementara di lapang, namunmasih perlu pengembangan. Salah satu pengembangan dalam identifikasi hama dapat dilakukan dengan cara pengolahan citra digital. Penelitian yang terkait hal ini di antaranya PCA berbasis klasifikasi postur manusia (Tahir et al. 2007). Hasil yang diperoleh adalah Principal Component Analysis (PCA) mampu menghasilkan akurasi yang tinggi sebesar 98%. Kemudian penelitian Hartadi (2011) mendeteksi potensi kanker payudara pada mammogram dengan menggunakan metode Gray Level Co-occurrence Matrix (GLCM). GLCM mampu mendapatkan akurasi sebesar 86%. Selanjutnya identifikasi tumbuhan obat menggunakan fitur citra morfologi, tekstur, dan bentuk dengan klasifikasi Probabilistic Neural Network (Nurfadhilah 2011). Hasil yang diperoleh PNN mampu mendapatkan akurasi sebesar 74.67%. Berdasarkan latar belakang tersebut, pada penelitian ini dilakukan identifikasi hama tanaman cabai berbasis citra dengan membandingkan ekstraksi ciri PCA dan GLCM menggunakan klasifikasi PNN. METODE Metode yang digunakan terdiri atas tahap pengumpulan data citra, praproses, data dibagi menjadi data uji dan data latih menggunakan k-fold cross validation, ekstraksi ciri citra, model klasifikasi, dan evaluasi. Pada tahap pengumpulan data citra, Data citra yang digunakan dari tujuh jenis hama. Data diambil menggunakan kamera digital dan tools dino capture. Ukuran citra dari kamera digital 3872x2592 pixel, sedangkan ukuran citra dari dino capture adalah 1280x1024 pixel. Jenis hama yang digunakan pada penelitian ini ialah Kutu daun persik (Myzus persicae Sulz.), Trips (Trips parvispinus Karny), Lalat buah (Bactrocera dorsalishendel), Ulat grayak (Spodoptera litura Fabricus), Ulat buah (Helicoverpa armigera Hubner), Wereng kapas (Empoascasp.). Selanjutnya dilakukan praproses, Tahapan praproses citra yang dilakukan ialah data di-resize menjadi 60x60 pixel, Selanjutnya mengubah citra RGB menjadi grayscale kemudian hasil citra grayscale dilakukan proses pemfilteran. Pemfilteran digunakan untuk pemulusan citra agar citra menjadi tampak lebih baik untuk analisis. Penghalusan citra pada penelitian inimenggunakan operator Sobel karena operator ini mampu untuk mengurangi noise. Operator Sobel adalah magnitude dari gradient yang dihitung dengan : M = S 2 x + S 2 y Turunan parsial dihitung dengan rumus : s x = (a 2 + ca 3 + a 4 )- (a 0 + ca 7 + a 6 ) s y = (a 0 + ca 1 + a 2 )- (a 6 + ca 5 + a 4 ) Persamaan gradient pada operator Sobel dapat dilihat di bawah ini s X = [ 2 0 2] s y = [ ] PROSIDING SEMINAR ILMIAH ILMU KOMPUTER 2014 Peran Teknologi Informasi dalam Pengarusutamaan Pertanian 105
3 Tahap berikutnya adalah proses ekstraksi ciri, penelitian ini dilakukan perbandingan antara dua ekstraksi ciri yaitu PCA dan GLCM. Pada tahap ekstraksi ciri dengan menggunakan metode PCA, data yang dimasukkan pada ekstraksi ciri PCA harus dalam bentuk vektor. Data citra yang dihasilkan pada tahap praproses berukuran 60x60 pixel akan ditransformasikan menjadi vektor yang berukuran 1x3600. Setelah itu pada proses PCA dilakukan perhitungan nilai rata-rata seluruh citra. Perhitungan rata-rata nol (zero mean) dari suatu data citra dengan mengurangkan nilai masing-masing data citra dengan rata-rata seluruh data citra. Kemudian dilakukan penggandaan rata-rata seluruh data citra sebanyak data citra. Hasil perhitungan zero mean digunakan untuk mendapatkan nilai matriks kovarian dengan mengalikan transposzero mean, untuk mendapatkan ciri dari suatu data yang direpresentasikan dalam bentuk matriks, maka dihitung vektor eigen dan nilai eigen dari matriks kovarian. Nilai eigen yang dihasilkan berupa vektor kemudian diurutkan secara menurun dari nilai paling besar menuju nilai yang paling kecil. Vektor eigen yang bersesuaian dengan nilai terbesar dari nilai eigen mempunyai ciri yang paling dominan. Pada penelitian ini dilakukan 3 kali percobaan dengan proporsi yang berbeda yaitu 80%, 90%, dan 95% untuk direduksi dimensinya. Adapun pada tahap ekstraksi ciri dengan menggunakan metode GLCM, data citra yang dimasukkan pada GLCM ialah data citra hasil tahap praproses. Ekstraksi ciri GLCM yang dilakukan pertama kali ialah menormalisasikan jumlah elemennya sama dengan 1. Setiap elemen (i,j) dalam GLCM yang sudah dinormalisasi menunjukkan terjadinya peluang gabungan pasangan pixel dengan hubungan spasial yang didefinisikan memiliki tingkat keabuan i dan j pada citra. Teknik GLCM mencakup perhitungan entropi, kontras, energi, homogenitas, dan korelasi. Entropi berfungsi untuk mengukur keteracakan dari distribusi perbedaan lokal dalam citra (Gadkari 2004). Persamaan entropi dapat dilihat di bawah ini : entropi = - p(i,j)log p(i,j) i,j Kontras menyatakan sebaran terang (lightness) dan gelap (darkness) di dalam sebuah gambar, befungsi untuk mengukur perbedaan lokal dalam citra (Gadkari 2004). Persamaan kontras dapat dilihat di bawah ini : kontras = i-j 2 p(i,j) 2 i,j Energi digunakan untuk mengukur konsentrasi pasangan graylevel. Nilai ini didapat dengan meningkatkan setiap elemen dalam GLCM, kemudian dijumlahkan (Gadkari 2004). Persamaan energi dapat dilihat di bawah ini : energi = p(i,j) 2 i,j Homogenitas berfungsi untuk mengukur kehomogenan variasi graylevel local dalam citra (Gadkari 2004) dan korelasi mengukur seberapa berkorelasi pixel dengan tetangganya. Persamaan homogenitas dan korelasi dapat dilihat di bawah ini : homogenitas = p(i,j) 1+ i-j i,j korelasi = (i-μi)(j-μj)p(i,j) σ i σ j dengan µ i adalah nilai rata-rata baris ke-i, µ j adalah nilai rata-rata kolom ke-j pada matriks p. σ i adalah standar deviasi baris ke-i dan σ j adalah standar deviasi kolom ke-j pada matriks p. 106
4 Setelah dilakukan ekstraksi ciri seluruh data hasil ekstraksi ciri masing-masing dibagi menjadi data latih dan data uji. Pembagian data latih dan data uji dilakukan dengan menggunakan metode k-fold cross validation dengan menggunakan kombinasi k = 5. Data akan dibagi menjadi 5 subset (S1, S2, S3, S4, S5) sehingga pembagian data latih dana data uji yang digunakan yaitu 24 citra data latih dan 6 citra data uji. Proses identifikasi akan dilakukan 5 kali iterasi. Iterasi pertama fold S2, S3. S4 dan S5 akan digunakan sebagai data latih sedangkan fold S1 akan digunakan sebagai data uji. Pada iterasi kedua folds1, S3, S4 dan S5 akan digunakan sebagai data latih sedangkan folds2 akan digunakan sebagai data uji, dan seterusnya. Fold yang digunakan untuk data latih dan data uji disajikan pada Tabel 1. Tabel 1 Data latih dan data uji Fold ke- Data latih Data uji 1 S2, S3, S4, S5 S1 2 S1, S3, S4, S5 S2 3 S1, S2, S4, S5 S3 4 S1, S2, S3, S5 S4 5 S1, S2, S3, S4 S5 Klasifikasi dapat dilakukan setelah matriks terpisah komponennya menjadi data latih dan data uji. Setelah itu hasilnya dapat dilihat seberapa banyak data yang cocok dan yang tidak cocok dari pembagian data latih serta data uji. Banyaknya kelas target pada penelitian ini adalah tujuh sesuai dengan jenis hama yang diidentifikasi. Citra yang digunakan pada proses klasifikasi adalah citra hasil proses pendeteksian tepi. Input matriks yang akan masuk pada tahap pelatihan PNN merupakan hasil proyeksi vektor hasil ekstraksi terhadap citra latih. Input layer merupakan matriks berukuran 60x60 yang berasal dari citra hama cabai. Pada pattern layer dihitung jarak vektor data latih ke vektor data uji. Pada summation layer, setiap keluaran pattern layer akan dijumlahkan dengan keluaran dari pattern layer lainnya yang berada dalam satu kelas untuk menghasilkan probabilitas vektor output. Pada output layer, akan diambil nilai maksimum dari vektor output. Proses pelatihan digunakan data hasil dari kombinasi subset dari k-fold cross validation untuk masing-masing kelas. Proses pengujian dilakukan dengan menggunakan data berdasarkan k-fold cross validation untuk masing-masing kelas. Masing-masing data uji akan dijadikan input layer yang kemudian dihitung peluangnya terhadap masing-masing kelas yang ada pada sistem. Nilai peluang terbesar yang dihasilkan data uji merupakan kelas yang merepresentasikan data uji tersebut. Dari hasil masing-masing matriks yang diklasifikasikan dengan PNN akan ditentukan dan dibandingkan melalui besaran akurasi yang berhasil dicapai. Akurasi dapat dihitung dengan persamaan berikut : Akurasi = data uji benar klasifikasi jumlah data uji 100% Spesifikasi perangkat keras dan perangkat lunak Spesifikasi perangkat keras dan perangkat lunak yang digunakan dalam pengembangan penelitian ini adalah processor Intel(R) Pentium(R) CPU DDR GB,harddisk 320GB,sistem operasi Windows 8 Pro,MATLAB (R2008b). HASIL DAN PEMBAHASAN Data citra hama Penelitian ini menggunakan 7 jenis hama dengan masing-masing jenis memiliki 30 citra hama sehingga total citra hama sebanyak 210 citra dengan format JPEG. Data diambil menggunakan kamera digital dan tools dino capture. Ukuran citra dari kamera digital pixel, sedangkan ukuran citra dari dino capture adalah pixel. Kelas PROSIDING SEMINAR ILMIAH ILMU KOMPUTER 2014 Peran Teknologi Informasi dalam Pengarusutamaan Pertanian 107
5 citra terdiri atas:. parvispinus,. persicae, Empoasca sp,. dorsalis, H. armigera, S. litura, dan larva H. armigera. Praproses Tahapan praproses pada citra yang dilakukan ialah dilakukan cropping secara manual kemudian mengubah citra asli menjadi pixel. Setelah itu citra diubah dari citra RGB menjadi grayscale kemudian hasil citra grayscale dilakukan proses pemfilteran menggunakan operator Sobel. Hasil praproses ini di-input-kan pada proses ekstraksi ciri GLCM, sedangkan pada proses ekstraksi PCA data citra yang dihasilkan pada tahap praproses berukuran pixel ditransformasikan menjadi vektor yang berukuran sehingga matriks citra latih yang di-input-kan pada proses ekstraksi ciri PCA berukuran , dengan 168 merupakan banyak citra yang dilatih. Ekstraksi ciri dengan menggunakan PCA Pada proses PCA terbentuk matriks kovarian berukuran dengan menghasilkan nilai eigen yang mewakili 3600 kolom. Penggunaan proporsi 80, 90, dan 95% dengan menggunakan data latih S2, S3, S4, dan S5 berdasarkan 5-fold cross validation pada percobaan pertama dengan menggunakan proporsi 80% menghasilkan komponen utama berdimensi 68, yang berarti data sebanyak 68 kolom mewakili sebesar 80% data citra. Komponen utama dari proporsi 80% berupa matriks berukuran Matriks PCA yang menjadi input pada PNN merupakan hasil proyeksi dari matriks citra latih hasil normalisasi dengan komponen utama. Dengan demikian, dimensi matriks input PNN pada percobaan pertama adalah Komponen utama yang dihasilkan pada percobaan ke dua dengan menggunakan proporsi 90% yaitu menghasilkan komponen utama berupa matriks berukuran Dimensi matriks input PNN berdasarkan proporsi 90% adalah Pada percobaan ke tiga dengan menggunakan proporsi 95% menghasilkan komponen utama berdimensi 125, yang berarti data sebanyak 125 kolom mewakili sebesar 95% citra. Komponen utama dari proporsi 95% berupa matriks berukuran Dengan demikian dimensi matriks input PNN pada percobaan ke tiga adalah Kemudian masingmasing percobaan dilakukan pengujian dengan data uji berdasarkan 5-fold cross validation menggunakan klasifikasi PNN dengan proporsi 80, 90, dan 95% (Tabel 2). Tabel 2 Hasil akurasi (%) PCA dengan menggunakan proporsi 80, 90 dan 95% Proporsi (%) Fold Rata-rata Tingkat akurasi yang paling tinggi yaitu sebesar 69% pada fold kedua dengan menggunakan proporsi 80% dan data uji S2. Hasil rata-rata akurasi pada ketiga proporsi ini menunjukkan akurasi optimum tercapai dengan menggunakan PCA proporsi 80%. Hal ini menunjukkan bahwa dengan semakin besarnya komponen utama yang digunakan tidak selalu memberikan pengaruh yang lebih baik terhadap akurasi. 108
6 Akurasi (%) Ekstraksi ciri dengan menggunakan GLCM Data hasil tahap praproses diekstraksi ciri menggunakan GLCM, kemudian setiap citra dibuat matriks co-occurrence dengan sudut yang digunakan yaitu 0, 45, 90 dan 135º dengan jarak 1, 2, dan 3. Pertama dilakukan perhitungan nilai peluang antar nilai pixel yang berdekatan secara horizontal, diagonal, dan vertikal sesuai dengan sudut yang ditentukan dengan jarak. Kemudian hasil matriks peluang dinormalisasi yaitu nilai peluang pasangan pixel dibagi dengan jumlah semua peluang nilai pixel berdekatan sehingga hasil penjumlahan pixel dalam matriks sama dengan 1. Selanjutnya dari hasil tersebut dilakukan perhitungan entropi, energi, homogenitas, kontras, dan korelasi. Hasil perhitungan tersebut membentuk dimensi matriks input PNN yaitu Hasil percobaan dilakukan menggunakan jarak 1, 2 dan 3dengan sudut 0 0, 45 0, 90 0, dan dapat dilihat pada Tabel 3. Tabel 3 Hasil akurasi rata-rata dalam (%) lima fold GLCM menggunakan jarak 1,2 dan 3 Sudut ( 0 ) jarak Perbandingan hasil akurasi PCA dengan GLCM Perbandingan nilai akurasi rata-rata identifikasi hama tanaman cabai menggunakan PCA dengan proporsi 80% dan GLCM pada sudut 45 0 dengan jarak 3 dengan menggunakan 5-fold cross validation dapat dilihat pada Gambar 1. Dari Gambar 1 dapat dilihat bahwa PCA memiliki akurasi yang lebih rendah dibandingkan dengan GLCM dengan akurasi rata-rata tertinggi pada PCA sebesar 65% dan GLCM 72%. Hal ini dapat disebabkan oleh data latih masing-masing dalam satu kelas memiliki variasi tinggi sehingga matriks penciri yang dihasilkan PCA dalam satu kelas berada pada ruang dimensi yang berbeda. Hal tersebut dapat meyulitkan dalam proses identifikasi. Adapun dengan menggunakan GLCM, GLCM mampu meminimalisir variasi data latih. Matriks penciri yang dihasilkan pada GLCM memperhitungkan keseluruhan pasangan dua pixel bersebelahan yang mencakup perhitungan kontras, korelasi, energi, homogenitas, dan entropi sehingga ciri ini yang mempengaruhi proses identifikasi. PCA GLCM Fold Gambar 1. Grafik perbandingan akurasi rata-rata PCA dengan GLCM Analisis pengaruh data citra hama hasil ekstraksi ciri PCA terhadap identifikasi Tabel 4 merupakan confusion matrix perbandingan setiap kelas, terlihat penyebaran masing-masing hama setiap kelas dan hama yang masuk ke kelas yang tidak sesuai yang PROSIDING SEMINAR ILMIAH ILMU KOMPUTER 2014 Peran Teknologi Informasi dalam Pengarusutamaan Pertanian 109
7 menyebabkan akurasi rata-rata paling rendah. Pada kelas 2 (. persicae), dari 6 data hama uji hanya 1 yang teridentifikasi benar. Hal ini dapat disebabkan oleh data latih yang digunakan pada kelas 2 (. persicae) memiliki variasi bentuk pola pelatihan cukup tinggi yang dapat dilihat pada Gambar 2. Tabel 4 Hasil confusion matrix PCA dengan data uji S3 Kelas hama Akurasi (%) Rata-rata 57 Keterangan: 1 = hrips parvispinus 5 = actrocera dorsalis 2 = yzus persicae 6 = Spodoptera litura 3 = Empoasca sp. 7 = larva Helicoverpa armigera 4 = Helicoverpa armigera Gambar 2 Data latih M. persicae Analisis pengaruh data citra hama hasil ekstraksi ciri GLCM terhadap identifikasi Tabel 5 merupakan confusion matrix penyebaran masing-masing hama setiap kelas dan hama yang masuk ke kelas yang tidak sesuai sehingga memiliki akurasi rata-rata paling rendah. Pada kelas 1 (. parvispinus), dari 6 data hama yang diuji teridentifikasi benar ada 2. Hal ini dapat disebabkan kelas ini memiliki kemiripan nilai-nilai ciri yang tinggi dengan beberapa kelas lain dan dapat disebabkan beragamnya variasi pola pelatihan yang digunakan. Hal lain dapat disebabkan oleh beragamnya nilai kontras. Pengaruh nilai kontras pada hasil pengujian dapat dilihat pada selisih dari nilai rata-rata ciri GLCM pada data latih dan data uji kelas 1 (. parvispinus). Tabel 5 Hasil confusion matrix GLCM menggunakan data uji S2, sudut 450 dan jarak 3 Kelas hama Akurasi (%) Rata-rata 64 Keterangan: 1 = hrips parvispinus 5 = actrocera dorsalis 2 = yzus persicae 6 = Spodoptera litura 3 = Empoasca sp. 7 = larva Helicoverpa armigera 4 = Helicoverpa armigera 110
8 Hasil selisih dari nilai rata-rata ciri GLCM pada data latih dan data uji kelas 1 (. parvispinus) dapat dilihat pada Tabel 6. Dari nilai rata-rata 5 ciri terlihat bahwa nilai kontras pada kelas ini memiliki selisih tertinggi dibandingkan dengan ke empat ciri lainnya. Tabel 6 Selisih dari nilai rata-rata ciri GLCM kelas 1 (T. parvispinus) Data Entropi Kontras Homogen Energi Korelasi Data Latih Data Uji Selisih Dengan selisih kontras tersebut, diduga menjadi penyebab akurasi yang rendah ketika melakukan klasifikasi. Visualiasi hasil pengujian kelas 1 (T. parvispinus) dapat dilihat pada Gambar 3. Data Latih Data Uji Gambar 3 Contoh citra hama data latih dan data uji pada kelas 1 (T. parvispinus) Ekstraksi Ciri Menggunakan GLCM Tanpa Resize Proses ekstraksi ciri GLCM tanpa resize dilakukan pada 3 percobaan dengan menggunakan jarak 1, 2 dan 3 berdasarkan 5-fold cross validation. Perbandingan Hasil akurasi berbabagai jarak 1 dapat dilihat pada Tabel 7. Tabel 7 Hasil akurasi rata-rata dalam (%)GLCM tanpa resize dengan jarak 1,2 dan 3 Sudut ( o ) Jarak Data citra hasil tahap praproses dengan resize dan tanpa resize pada ekstraksi ciri GLCM dapat mempengaruhi hasil akurasi pada proses identifikasi. Hal ini dapat disebabkan dengan melakukan resize, dapat menghilangkan tekstur citra yang sebenarnya dan menurunkan kualitas citra. Hal lain dapat disebabkan oleh pada kelas 6 dan kelas 7 memiliki tekstur dan bentuk tubuh yang memanjang dengan ukuran citra 1500 x 500, kemudian dilakukan resize ukuran citra menjadi 60 x 60 sehingga menghasilkan citra yang memampat. Hal tersebut dapat menyebabkan kesalahan proses identifikasi. PROSIDING SEMINAR ILMIAH ILMU KOMPUTER 2014 Peran Teknologi Informasi dalam Pengarusutamaan Pertanian 111
9 SIMPULAN Program dapat mengklasifikasikan citra hama tanaman cabai ke dalam kelas tertentu dengan tingkat pengenalan masukan yang berbeda untuk setiap fold. Hasil percobaan dengan proporsi 80, 90, dan 95% ekstraksi ciri PCA pada penelitian ini menunjukkan bahwa semakin besarnya komponen utama yang digunakan tidak selalu memberikan pengaruh lebih baik terhadap akurasi. Analisis tekstur dengan menggunakan metode GLCM dapat digunakan sebagai metode untuk analisis citra hama tanaman cabai. Faktor-faktor yang dapat mempengaruhi tingkat pengenalan citra hama tanaman cabai ialah pemilihan data latih, teknik pengambilan citra dan pemilihan parameter ekstraksi ciri. Secara keseluruhan proses pengenalan hama tanaman cabai dengan menggunakan GLCM memberikan hasil akurasi rata-rata yang lebih baik dibandingkan PCA. Hasil akurasi tertinggi pada GLCM yaitu sebesar 72% dengan menggunakan jarak 3 dan sudut 45 o. Hasil akurasi tertinggi pada PCA yaitu sebesar 65% dengan menggunakan proporsi 80%. DAFTAR PUSTAKA Ashar BL Sistem Pakar Diagnosa Hama Dan Penyakit Tanaman Cabai Besar Merah (Capsicum Annum L.) [skripsi]. Bogor: Institut Pertanian Bogor. [Deptan] Departemen Pertanian Survei Sosial Ekonomi Nasional [internet]. [diunduh 2012 Okt 11]. Tersedia pada: Gadkari D Image Quality Analysis Using GLCM [Tesis]. Orlando (US): University of Central Florida. Hartadi R Deteksi Potensi Kanker Payudara Pada Mammogram Menggunakan Metode Gray Level Co-Occurrence Matrices [Skripsi]. Semarang (ID): Universitas Diponegoro. Nurfadhilah E Identifikasi Tumbuhan Obat Menggunakan Fitur Citra Morfologi, Tekstur Dan Bentuk Dengan Klasifikasi Probabilistic Neural Network[skripsi].Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Suryaningsih E, Hadisoeganda AWW Pengendalian Hama Dan Penyakit Penting Cabai Dengan Pestisida Biorasional. J Hort. 17(3): Tahir NMD, Hussain A, Samad SA, Husain H PCA-Based Human Posture Classification. J Teknologi. 46 (D):
IDENTIFIKASI HAMA TANAMAN CABAI DENGAN MEMBANDINGKAN PRINCIPAL COMPONENT ANALYSIS DAN GRAY LEVEL CO-OCCURRENCE MATRIX RINI WINDYASTUTI
IDENTIFIKASI HAMA TANAMAN CABAI DENGAN MEMBANDINGKAN PRINCIPAL COMPONENT ANALYSIS DAN GRAY LEVEL CO-OCCURRENCE MATRIX RINI WINDYASTUTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciIDENTIFIKASI CITRA HAMA TANAMAN TOMAT MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRIX DAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK RIZKIA HANNA AMALIA
IDENTIFIKASI CITRA HAMA TANAMAN TOMAT MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRIX DAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK RIZKIA HANNA AMALIA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU
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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperincidengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan
dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan.
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 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 terperinciHASIL DAN PEMBAHASAN. Tabel 1 Operator descriptor
Tabel 1 Operator descriptor Operator (P, R) Ukuran Blok (piksel) Kuantisasi Sudut (8, 1) 3 x 3 45 derajat (8, 2) 5 x 5 45 derajat (16, 2) 5 x 5 22.5 derajat (24, 3) 7 x 7 15 derajat Penentuan ukuran blok
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE
PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE Widodo Muda Saputra, Helmie Arif Wibawa, S.Si, M.Cs, dan Nurdin Bahtiar, S.Si, M.T Fakultas Sains dan Matematika, Jurusan Ilmu Komputer
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 terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan dan Praproses Data Kegiatan pertama dalam penelitian tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data sekunder
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Indonesia merupakan negara tropis yang memiliki + 30.000 spesies tumbuh-tumbuhan ([Depkes] 2007). Tumbuh-tumbuhan tersebut banyak yang dibudidayakan sebagai tanaman hias. Seiring
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 terperinciHardisk 80 GB Perangkat lunak Window XP Profesional MATLAB 7.0.1
Hardisk 8 GB Perangkat lunak Window XP Profesional MATLAB 7..1 HASIL DAN PEMBAHASAN Percobaan yang dilakukan pada penelitian ini terdiri atas dua macam, yaitu citra yang akan mengalami proses pengenalan
Lebih terperinciIdentifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Data Citra
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 3 Nomor 1 halaman 1-8 ISSN: 2089-6026 Identifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Data Citra Wood Type
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 terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR
ANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR Gibtha Fitri Laxmi 1, Puspa Eosina 2, Fety Fatimah 3 1,2,3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas
Lebih terperinciLaporan Akhir Praktikum Mempelajari Karakterisitk Visual Citra Tomat Menggunakan Image Processing. Avicienna Ulhaq Muqodas F
Laporan Akhir Praktikum Mempelajari Karakterisitk Visual Citra Tomat Menggunakan Image Processing Avicienna Ulhaq Muqodas F14110108 DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN INSTITUT
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 IV HASIL PENELITIAN DAN PEMBAHASAN. fold Cross Validation, metode Convolutional neural network dari deep learning
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Program P rinsip kerja program yaitu dengan melakukan pra pengolahan citra terhadap foto fisik dari permukaan buah manggis agar ukuran seluruh data
Lebih terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
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 terperinci1. Pendahuluan. 1.1 Latar belakang
1. Pendahuluan 1.1 Latar belakang Keamanan data pribadi merupakan salah satu hal terpenting bagi setiap orang yang hidup di era dimana Teknologi Informasi (TI) berkembang dengan sangat pesat. Setiap orang
Lebih terperinciBAB III METODE PENELITIAN
23 BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan proses penelitian ditunjukkan pada Gambar 15 berikut. Mulai 96 citra stomata Ekstraksi fitur - RGB & Skala Keabuan Ekstraksi fitur - Wavelet
Lebih terperinciPengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature
Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Dosen Pembimbing : 1) Prof.Dr.Ir. Mauridhi Hery Purnomo M.Eng. 2) Dr. I Ketut Eddy Purnama ST., MT. Oleh : ATIK MARDIYANI (2207100529)
Lebih terperinciIdentifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA. Shorea Leaves Identification using KNN with 2DPCA Feature Extraction
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 3 Nomor 1 halaman 19-27 ISSN: 2089-6026 Identifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA Shorea Leaves Identification
Lebih terperinciBAB 3 METODOLOGI. melakukan pengamatan dan analisis dari gambar yang didapat. Untuk bisa mendapatkan
BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah 3.1.1 Analisis Kebutuhan Dalam melakukan analisa gambar mammogram, biasanya dokter secara langsung melakukan pengamatan dan analisis dari gambar yang
Lebih terperinciIdentifikasi Tanaman Buah Tropika Berdasarkan Tekstur Permukaan Daun Menggunakan Jaringan Syaraf Tiruan
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 2 Nomor 2 halaman 73-82 ISSN: 2089-6026 Identifikasi Tanaman Buah Tropika Berdasarkan Tekstur Permukaan Daun Menggunakan Jaringan
Lebih terperinci1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Cabai (Capsicum annuum L.) merupakan salah satu komoditas pertanian yang cukup penting di Indonesia. Walaupun demikian cabai sangat rentan terkena patogen
Lebih terperinciBAB IV PEMBAHASAN. Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil
BAB IV PEMBAHASAN Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil model Radial Basis Function Neural Network untuk diagnosa kanker otak, hasil klasifikasi, dan ketepatan hasil klasifikasinya.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
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 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 terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra digital merupakan sebuah fungsi intensitas cahaya, dimana harga x dan y merupakan koordinat spasial dan harga fungsi f tersebut pada setiap titik merupakan
Lebih terperinciIDENTIFIKASI CITRA LUKA ABALON (HALIOTIS ASININA) MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRIX DAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK
IDENTIFIKASI CITRA LUKA ABALON (HALIOTIS ASININA) MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRIX DAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK MICHAEL CHRISTIANTO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA
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 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 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 terperinciPERBANDINGAN TINGKAT AKURASI JENIS CITRA KEABUAN, HSV, DAN L*a*b* PADA IDENTIFIKASI JENIS BUAH PIR
PERBANDINGAN TINGKAT AKURASI JENIS CITRA KEABUAN, HSV, DAN L*a*b* PADA IDENTIFIKASI JENIS BUAH PIR Mulia Octavia 1), Jesslyn K 2), Gasim 3) 1), 2),3) Program Studi Teknik Informatika STMIK GI MDP Jl. Rajawali
Lebih terperinciBAB III LANDASAN TEORI. 3.1 Metode GLCM ( Gray Level Co-Occurrence Matrix)
BAB III LANDASAN TEORI 3.1 Metode GLCM ( Gray Level Co-Occurrence Matrix) Metode GLCM menurut Xie dkk (2010) merupakan suatu metode yang melakukan analisis terhadap suatu piksel pada citra dan mengetahui
Lebih terperincii. Perangkat Keras Prosesor Intel Pentium(R) Dual-Core CPU 2.20 GHz
Data yang pada awalnya berupa chanel stereo diubah ke dalam chanel mono. Kemudian data tersebut disimpan dengan file berekstensi WAV. Praproses Pada tahap ini dilakukan ekstraksi ciri menggunakan metode
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 terperinciIDENTIFIKASI VARIETAS DURIAN BERDASARKAN TEKSTUR DAUN MENGGUNAKAN K-NEAREST NEIGHBOR DENGAN CIRI STATISTICAL TEXTURES ROSITA TRI INDRATI
IDENTIFIKASI VARIETAS DURIAN BERDASARKAN TEKSTUR DAUN MENGGUNAKAN K-NEAREST NEIGHBOR DENGAN CIRI STATISTICAL TEXTURES ROSITA TRI INDRATI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 terperinciUJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES
1 Uji Kinerja Face Recognition Menggunakan Eigenfaces UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES ABDUL AZIS ABDILLAH 1 1STKIP Surya, Tangerang, Banten, abdillah.azul@gmail.com Abstrak. Pada paper
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 terperinciPanjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan,
Panjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan, misalnya penggabungan, +, maka panjang bin yang dihasilkan sebesar 28 bin. 2. Penggabungan operator dengan, Setiap histogram
Lebih terperincipola-pola yang terdapat pada suatu daerah bagian citra. Tekstur juga dapat membedakan permukaan dari beberapa kelas.
Ruang Lingkup Penelitian Ruang Lingkup penelitian ini adalah: 1. Objek citra adalah data citra daun tumbuhan obat dan citra pohon tanaman hias di Indonesia. 2. Dalam penelitian ini operator MBLBP yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini menjelaskan landasan teori dari metode yang digunakan dalam proses pengenalan wajah, yaitu terdiri atas: metode Eigenface, dan metode Jarak Euclidean. Metode Eigenface digunakan
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 terperinci2.Landasan Teori. 2.1 Konsep Pemetaan Gambar dan Pengambilan Data.
6 2.Landasan Teori 2.1 Konsep Pemetaan Gambar dan Pengambilan Data. Informasi Multi Media pada database diproses untuk mengekstraksi fitur dan gambar.pada proses pengambilan, fitur dan juga atribut atribut
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang ENDHULUN Dalam ilmu biologi dan kehutanan, diketahui terdapat banyak enis daun dengan karakteristik (ciri) yang berbeda-beda. Hal tersebut menyebabkan sulitnya untuk melakukan pengenalan
Lebih terperinciBAB 2 PENGENALAN IRIS, PENENTUAN LOKASI IRIS, DAN PEMBUATAN VEKTOR MASUKAN
BAB 2 PENGENALAN IRIS, PENENTUAN LOKASI IRIS, DAN PEMBUATAN VEKTOR MASUKAN Pengenalan suatu objek tentu saja tidak bisa dilakukan tanpa persiapan sama sekali. Ada beberapa proses yang perlu dilakukan sebelum
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Analisis dan perancangan sistem ini ditujukan untuk memberikan gambaran secara umum mengenai aplikasi yang akan dibuat. Hal ini berguna untuk menunjang pembuatan
Lebih terperinciBAB I PENDAHULUAN. penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi.
BAB I PENDAHULUAN A. LATAR BELAKANG Buah-buahan merupakan salah satu kelompok komoditas pertanian yang penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi. Permintaan domestik terhadap
Lebih terperinciBAB III PEMBAHASAN. arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk
BAB III PEMBAHASAN Bab III merupakan pembahasan yang meliputi proses penelitian yaitu arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk klasifikasi stadium kanker payudara,
Lebih terperinciIdentifikasi Jenis Buah Jeruk Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Jenis Buah Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit Reni Resita *1, Juratminingsih *2, Gasim 3 1,2 STMIK GI MDP; Jl. Rajawali
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan
BAB IV IMPLEMENTASI DAN EVALUASI Implementasi dan Evaluasi yang dilakukan penulis merupakan implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan perangkat lunak dari sistem secara keseluruhan
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 terperinciGRAY LEVEL COOCURENCE MATRIX SEBAGAI PENGEKSTRAKSI CIRI PADA PENGENALAN NASKAH BRAILLE
GRAY LEVEL COOCURENCE MATRIX SEBAGAI PENGEKSTRAKSI CIRI PADA PENGENALAN NASKAH BRAILLE Yegar Sahaduta 1), Chairisni Lubis 2) 1) Fakultas Teknologi Informasi-Universitas Tarumanagara Jl. S. Parman No.1,
Lebih terperinciBAB III METODOLOGI PENELITIAN. Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem
21 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem pengenalan wajah ini yaitu input, proses dan output. Dengan input bahan penelitian
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN
4 BAB HASIL DAN PEMBAHASAN Ada tiga tahap utama yang dilakukan pada percobaan ini yaitu ektraksi ciri, pelatihan dan pengujian JST. Percobaan dilakukan dengan mengkombinasikan data hasil ekstraksi ciri
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 terperinciIdentifikasi Tumor Otak Menggunakan Jaringan Syaraf Tiruan Propagasi Balik pada Citra CT-Scan Otak Vinny Marita a, Nurhasanah a*, Iklas Sanubary a
Identifikasi Tumor Otak Menggunakan Jaringan Syaraf Tiruan Propagasi Balik pada Citra CT-Scan Otak Vinny Marita a, Nurhasanah a*, Iklas Sanubary a a Prodi Fisika, FMIPA Universitas Tanungpura, Jalan Prof.
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 terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Analisa Masalah Kemajuan teknologi di bidang multimedia, menuntut kemampuan sistem yang lebih baik dan lebih maju dari sebelumnya, sesuai dengan perkembangan teknologi.
Lebih terperinciPERBANDINGAN KINERJA EKSTRAKSI FITUR TINGKAT RENDAH MENGGUNAKAN METODE
PERBANDINGAN KINERJA EKSTRAKSI FITUR TINGKAT RENDAH MENGGUNAKAN METODE Gray Level Co-occurrence Matrix (GLCM) dan GABOR FILTER DALAM PENGENALAN MOTIF BATIK OLEH : ANUGRAH SURADIPURWO NIM : 41508110061
Lebih terperinciSEGMENTASI REGION GROWING UNTUK MONITORING PERTUMBUHAN PANJANG KECAMBAH
SEGMENTASI REGION GROWING UNTUK MONITORING PERTUMBUHAN PANJANG KECAMBAH Anton Yudhana 1), Rusydi Umar 2), Fadlillah Mukti Ayudewi 3) Magister Teknologi Informasi Universitas Ahmad Dahlan Yogyakarta Jl.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
Lebih terperinciPENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
PENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS Sinar Monika 1, Abdul Rakhman 1, Lindawati 1 1 Program Studi Teknik Telekomunikasi, Jurusan
Lebih terperinciIDENTIFIKASI LUKA PADA ABALON (HALIOTIS ASININA) BERBASIS CITRA MENGGUNAKAN K-NEAREST NEIGHBOR ISMANIAR FEBRIANI
IDENTIFIKASI LUKA PADA ABALON (HALIOTIS ASININA) BERBASIS CITRA MENGGUNAKAN K-NEAREST NEIGHBOR ISMANIAR FEBRIANI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Berikut adalah beberapa definisi dari citra, antara lain: rupa; gambar; gambaran (Kamus Besar Bahasa Indonesia). Sebuah fungsi dua dimensi, f(x, y), di mana x dan y adalah
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 terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciTEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR
TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR DWI ACHTI NOVIATUR R. 2208100656 Dosen Pembimbing : Dr. Ir. Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) PIE Problem Representasi Citra
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan penelitian yang dilaksanakan ditunjukan pada Gambar 6. Akusisi Citra INPUT Citra Query Preprocessing Citra Pre processing Citra Ekstraksi Fitur
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Seiring dengan perkembangan zaman yang secara tidak disadari diikuti oleh perkembangan teknologi sangat banyak memberi pengaruh terhadap perkembangan ilmu
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih terperinciDAFTAR ISI BAB II TINJAUAN PUSTAKA...4
DAFTAR ISI HALAMAN JUDUL...i PERNYATAAN BEBAS PLAGIARISME...ii HALAMAN PENGESAHAN...iii HALAMAN TUGAS...iv HALAMAN MOTTO...vi KATA PENGANTAR...vii DAFTAR ISI...ix DAFTAR TABEL...xiii DAFTAR GAMBAR...xv
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi berisi tahapan-tahapan yang dilakukan
Lebih terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sistem parkir khususnya untuk parkir mobil di tempat-tempat pusat perbelanjaan di Indonesia pada umumnya sudah menerapkan sistem otomatis. Setiap mobil yang
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Dalam penelitian ini diperlukan sebuah desain dan metode penelitian agar dalam pelaksanaaannya dapat menjadi lebih teratur dan terurut. 3.1. Desain Penelitian Bentuk dari desain
Lebih terperinciPENENTUAN KUALITAS IKAN BANDENG MENGGUNAKAN ALGORITMA NAIVE BAYES BERDASARKAN TEKSTUR PADA CITRA ABSTRAK
PENENTUAN KUALITAS IKAN BANDENG MENGGUNAKAN ALGORITMA NAIVE BAYES BERDASARKAN TEKSTUR PADA CITRA Rahmanika Ratna Sari 1, Hanny Haryanto 2 1,2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian
Lebih terperinciIDENTIFIKASI VARIETAS DURIAN BERDASARKAN CITRA DAUN MENGGUNAKAN K NEAREST NEIGHBOR DENGAN EKSTRAKSI TEKSTUR CO-OCCURRENCE MATRIX NELLA SABRINA
IDENTIFIKASI VARIETAS DURIAN BERDASARKAN CITRA DAUN MENGGUNAKAN K NEAREST NEIGHBOR DENGAN EKSTRAKSI TEKSTUR CO-OCCURRENCE MATRIX NELLA SABRINA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciKONSEP DASAR PENGOLAHAN CITRA
KONSEP DASAR PENGOLAHAN CITRA Copyright @ 2007 by Emy 2 1 Kompetensi Mampu membangun struktur data untuk merepresentasikan citra di dalam memori computer Mampu melakukan manipulasi citra dengan menggunakan
Lebih terperinciPEMANFAATAN PENGOLAHAN CITRA DIGITAL DALAM MENENTUKAN KEMATANGAN BUAH KAKAO MENGGUNAKAN METODE EUCLIDEAN DISTANCE SKRIPSI
Artikel Skripsi PEMANFAATAN PENGOLAHAN CITRA DIGITAL DALAM MENENTUKAN KEMATANGAN BUAH KAKAO MENGGUNAKAN METODE EUCLIDEAN DISTANCE SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
Lebih terperinciANALYSIS PERFORMANCE FITUR BENTUK, WARNA DAN TEKSTUR CITRA PADA PENELUSURAN INFORMASI ASET BERBASIS CBIR
ANALYSIS PERFORMANCE FITUR BENTUK, WARNA DAN TEKSTUR CITRA PADA PENELUSURAN INFORMASI ASET BERBASIS CBIR Jumi¹ ), Achmad Zaenuddin 1) 1 Jurusan Administrasi Bisnis, Politeknik Negeri Semarang jumimail06@gmail.com
Lebih terperinciBAB I 1 PENDAHULUAN. 1.1 Latar Belakang
BAB I 1 PENDAHULUAN 1.1 Latar Belakang Bidang komputer merupakan suatu bidang yang tidak akan pernah berhenti dan selalu berkembang kegunaanya hingga sekarang ini. Teknologi baru dan aplikasi baru selalu
Lebih terperinciPendeteksian Tepi Citra CT Scan dengan Menggunakan Laplacian of Gaussian (LOG) Nurhasanah *)
Pendeteksian Tepi Citra CT Scan dengan Menggunakan Laplacian of Gaussian (LOG) Nurhasanah *) *) Jurusan Fisika, FMIPA Universitas Tanjungpura Abstrak CT scan mampu menghasilkan citra organ internal (struktur
Lebih terperinci