Seminar Nasional : Menggagas Kebangkitan Komoditas Unggulan Lokal Pertanian dan Kelautan Fakultas Pertanian Universitas Trunojoyo Madura
|
|
- Ari Gunawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Seminar Nasional : Menggagas Kebangkitan Juni, 2013 KLASIFIKASI KUALITAS BIJI KOPI MENGGUNAKAN PENGOLAHAN CITRA DAN FUZZY LOGIC GREEN COFFEE BEAN CLASSIFICATION USING IMAGE PROCESSING METHOD AND FUZZY LOGIC CLASSIFIER Putut Son Maria, Muhammad Rivai Lab. Elektronika Industri, Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember Surabaya putut.son11@mhs.ee.its.ac.id HP : muhammad_rivai@ee.its.ac.id HP : ABSTRAK Penentuan kualitas biji kopi di Indonesia mengacu pada SNI yaitu menggunakan sistem total nilai cacat (defect) pada setiap rendemen sampel teruji. Pada pelaksanaan teknisnya, pemutuan dilakukan oleh petugas/tenaga ahli yang telah berpengalaman. Pemutuan dengan cara menggunakan tenaga manusia rentan terhadap faktor kelelahan dan keragu-raguan karena keterbatasan kemampuan manusia dalam memperkirakan jumlah bijian yang mencapai ribuan biji dalam setiap sampel. Tujuan dari penelitian ini adalah membangun sistem pemutuan secara digital dengan menggunakan kamera untuk mengambil gambar sampel biji kopi kemudian komputer menghitung fitur warna dan tekstur. Data hasil pengujian menunjukkan bahwa fitur warna hijau, hue dan fitur tekstur entropi, energi dan contrast yang dibentuk dari matrik kookurensi pada arah merupakan parameter penting bagi Fuzzy C Means dalam menilai grade mutu biji kopi. Kata kunci : hue, contrast, Fuzzy C Means ABSTRACT Indonesian coffee beans grading is regulated in Standar Nasional Indonesia(SNI) No : which uses defect system for qualification. Technically, an experienced human expert will do the task for such qualification, yet this kind of way is susceptible to fatigue and doubtness as result of naked human eyes poor estimation to thousands of beans. The objective of this research is to develop grading system using a WEBCAM to capture image of coffee beans and a computer to calculate both color and texture features. The result shows that green, hue, enthropy, energy and contrast which calculated from co-occurrence 135 o matrix are significant variables used by Fuzzy C Means for determining coffee grade. Keywords : Hue, Contrast, Fuzzy C Means 773
2 Juni, 2013 Seminar Nasional : Menggagas Kebangkitan PENDAHULUAN Kopi merupakan komoditas perdagangan internasional terbesar kedua setelah minyak bumi, dan Indonesia adalah negara pengekspor kopi terbesar keempat setelah Brazil, Vietnam dan Kolombia,[1]. Hal ini berarti nilai ekonomi kopi adalah penyumbang devisa yang sangat besar bagi negara Indonesia. Persaingan produk kopi dari Indonesia terhadap produk kopi dari negara kompetitor ditentukan oleh varian tanaman kopi dan mutu hasil pengolahan biji kopi. Varian biji kopi arabika memang bernilai lebih mahal jika dibandingkan dengan robusta, namun demikian varian kopi robusta justru lebih mendominasi pemenuhan terhadap permintaan konsumsi kopi secara global. Keunggulan jenis tanaman kopi robusta dibandingkan dengan arabika adalah bahwa kopi robusta lebih mudah dibudidayakan dan tahan terhadap penyakit, sehingga produksi biji kopi robusta cukup banyak dan menjadi mayoritas tanaman kopi di Indonesia. Pengolahan biji kopi mulai dari proses pemetikan biji sampai pada biji kopi siap di sangrai menjadi faktor yang sangat penting dalam memperkuat daya saing produk biji kopi dari Indonesia. Beberapa hal yang melemahkan daya saing produk biji kopi dari Indonesia diantaranya adalah bahwa dalam pengolahan biji kopi di Indonesia masih dilakukan secara sederhana, selain itu pemilahan biji kopi masih mengandalkan pada ukuran biji dan kepadatan biji, sedangkan untuk pemutuan biji kopi masih mengandalkan tenaga operator manusia yang berarti pemutuan biji kopi sangat bergantung kepada keahlian dan pengalaman petugas yang berarti juga rentan terhadap faktor non teknis yang menyertainya (Sudibyo et al. 2010, Faridah et al. 2011). Beberapa penelitian dalam rangka pelaksanaan pemutuan secara mutakhir telah diupayakan, mulai dari penentuan jenis cacat pada biji kopi, sampai pada rancang bangun mesin sortir biji kopi. Dari beberapa penelitian yang telah dipublikasikan, semuanya memiliki kesamaan yaitu melibatkan adanya perangkat digital berupa kamera dan komputer sebagai pengolah data gambar. Menurut metode yang digunakan, penelitian tersebut terbagi menjadi dua metode yaitu kelompok peneliti yang menggunakan cara pengamatan biji per biji kemudian menghitung nilai cacatnya dan rancang bangun mesin pensortir (Sofi i et al. 2005, Sudibyo et al. 2010). Metode pengamatan dan penilaian biji per biji akan lebih akurat dalam menilai mutu per biji namun pada tahap aplikasi di lapangan, akan tetapi sistem tersebut memerlukan waktu yang lama dan menjadi tidak efisien. Alternatif lain adalah metode pemutuan biji kopi secara per kelompok biji kopi dengan cara menghitung parameter citra sampel untuk kemudian menjadi masukan bagi classifier untuk memutuskan masuk ke dalam kelas manakah sampel yang sedang diuji tersebut (Faridah et al. 2011). Pemutuan dengan cara per kelompok biji tidak cukup hanya menghitung dari parameter warnanya saja, melainkan perlu menghitung juga dari parameter teksturnya, karena secara alami bahwa kelompok biji akan membentuk tekstur tertentu. Sifat-sifat dari tekstur kelompok biji inilah yang dibahas pada penelitian ini dalam kaitannya terhadap pemutuan biji kopi. 774
3 Seminar Nasional : Menggagas Kebangkitan Juni, 2013 Dari beberapa parameter tekstur dan warna, akan diamati parameter mana saja yang signifikan dan yang kurang signifikan yang mewakili mutu biji kopi. METODE PENELITIAN 1. Desain Sistem Gambar 1 menunjukkan perangkat keras sistem yang digunakan pada penelitian ini = Chamber, ukuran 60 x 60 x 60 cm 2, 3 = Lampu 9 Watt 4 = WEBCAM, resolusi 640 x = Nampan tempat sampel biji kopi 6 = Laptop Gambar 1. Perangkat keras pendukung Chamber adalah kotak yang dibuat khusus sedemikian rupa sehingga cahaya dari luar kotak diusahakan sesedikit mungkin yang menerpa sampel biji kopi. Lampu yang terpasang dalam chamber berjumlah empat buah (tampak samping hanya dua) dengan tujuan agar pembentukan bayangan (intensitas gelap) pada sampel biji kopi dapat dikurangi. WEBCAM beresolusi 640 x 480 piksel dipasang pada posisi permanen membentuk sudut 90 0 di atas nampan tempat sampel diletakkan. Sambungan antara WEBCAM dengan laptop menggunakan kabel bawaan WEBCAM melalui port USB. 2 Parameter Citra Parameter warna RGB dan HSI WEBCAM merupakan piranti yang terdiri dari sensor optik (CCD) dan telah dilengkapi dengan lensa. CCD tersusun atas larik kapasitor dan filter yang menyaring cahaya datang menjadi tiga komponen warna komposit yaitu Merah (Red), Hijau (Green) dan Biru (Blue). Pada umumnya citra yang dihasilkan dari kamera WEBCAM adalah citra yang terdiri atas piksel-piksel dengan format RGB 24 Bit. Model warna RGB memiliki sifat labil terhadap luminasi, oleh karena itu, perlu melibatkan parameter lain yang lebih handal yang dapat mewakili warna sebenarnya dari obyek uji dan mudah dihitung dari besaran warna komposit, yaitu parameter HSI. Dalam penelitian ini, komputer diprogram untuk menghitung enam fitur dari parameter warna. 775
4 Juni, 2013 Seminar Nasional : Menggagas Kebangkitan Parameter Tekstur Parameter tekstur dapat dihitung jika matrik ko-okurensi telah ada sebelumnya. Oleh karena itu pembuatan matrik ko-okurensi merupakan langkah awal sebelum menghitung tekstur dari suatu citra. Matrik ko-okurensi yang biasa digunakan dalam perhitungan tekstur biasanya dibentuk dari citra abu-abu pada skala 16 kuantisasi, caranya adalah dengan mengubah citra berwarna RGB menjadi citra dengan 16 skala keabuan, oleh karena itu matrik ko-okurensi lazim disebut juga Grey Level Co-Ocurrence Matrix (GLCM). Matrik ko-okurensi dapat disusun menurut dua variabel yaitu jarak (bersatuan piksel) dan arah (arah sudut antar piksel yang bertetanggaan). Dari dua variabel itu saja dapat menghasilkan sebanyak delapan matrik ko-okurensi untuk setiap kombinasi jarak-arah, sehingga setiap satu fitur tekstur dapat memiliki delapan nilai yang berbeda. Setelah matrik ko-okurensi dibuat, maka langkah berikutnya adalah menghitung parameter tekstur dari citra. Terdapat sekitar 21 parameter tekstur yang dapat diekstraksi dari sebuah citra namun tidak semuanya harus dilibatkan. Dalam penelitian ini digunakan hanya empat parameter tekstur yaitu entropi, energi, kontras dan homogenitas. 3 Fuzzy C Means Clustering Fuzzy C Means Clustering (FCM) adalah teknik peng-cluster-an data yang mana keberadaan tiap-tiap titik data dalam suatu cluster dapat ditentukan derajat keanggotaannya. FCM bekerja menggunakan matrik partisi yang selalu di-update nilainya selama belum terbentuk pusat cluster yang optimal terhadap masukan data yang diolah. Setelah pusat cluster terbentuk, maka setiap ada data baru akan dapat dihitung derajat keanggotaannya untuk masing-masing cluster yang ada. Derajat keanggotaan terbesar menunjukkan kecenderungan tertinggi suatu data tersebut untuk masuk menjadi anggota kelompok, [4]. HASIL DAN PEMBAHASAN 1. Fitur warna Masing-masing sampel biji kopi dari setiap grade 1, 2, 3, 4a, 4b, 5 dan 6 seberat 300 gr diambil gambarnya sebanyak 10 kali. Setiap pengambilan gambar baru, maka sampel biji kopi diacak-acak sehingga kondisi susunan biji selalu berbeda untuk setiap gambar pada grade yang sama, hal ini bertujuan untuk lebih banyak mendapatkan fitur gambar dari sampel yang sama. Data gambar yang didapatkan semuanya sebanyak 70 gambar. Hasil plot grafik dari fitur-fitur warna menunjukkan bahwa green, saturasi dan hue merupakan variabel yang lebih unik dibandingkan dengan red, blue dan intensity. Plot grafik green dan hue ditunjukkan pada gambar 2 dan 3 berturut-turut. 776
5 Seminar Nasional : Menggagas Kebangkitan Juni, 2013 Gambar 2. Grafik perbandingan green Gambar 3. Grafik perbandingan hue Dari plot data grafik green keunikan terjadi pada konsistensi level setiap grade yang relatif kecil penyimpangannya, sedangkan pada plot grafik hue memang terdapat selisih yang relatif kecil antar grade, namun jika dihitung rata-rata nilai hue untuk masing-masing grade, maka data numeriknya akan lebih jelas seperti pada tabel 1 berikut : Tabel 1. Rata-rata hue Grade 1 85,6 Grade 2 81,74 Grade 3 82,28 Grade 4a 84,51 Grade 4a 82,51 Grade 5 86,52 Grade 6 85,22 Idealnya setiap sampel yang sama jika diambil citranya pada kondisi berbeda akan memberikan nilai hue yang relatif konsisten, artinya selisih nilai hue tidak menyimpang terlalu ekstrim. Pada data hue grade 4a terjadi penyimpangan yang agak jauh sebanyak tiga kali pada data gambar ke 1, 7 dan 8 ini disebabkan karena susunan biji kopi tidak merata pada nampan sehingga gambar warna dasar nampan terpapar dan terekam oleh kamera. 2 Fitur tekstur Pengujian berikutnya adalah parameter tekstur, dari data yang sudah didapatkan, ternyata parameter kontras yang dihitung dari matrik kookurensi pada arah sudut
6 Juni, 2013 Seminar Nasional : Menggagas Kebangkitan dengan jarak 1 piksel memiliki sifat unik jika dibandingkan dengan parameter kontras yang lain. Walaupun selisih secara numerik tidak terlalu mencolok, namun keunikan ini telah cukup menjadi pembeda dan menjadi masukan bagi classifier untuk memilah dan membentuk partisi terhadap data masukan. Grafik hasil perhitungan kontras pada sudut 135 dan 90 ditunjukkan pada gambar 3 dan 4 berturut-turut. Gambar 3. Grafik perbandingan kontras (sudut 135 o ) Gambar 4. Grafik perbandingan kontras pada sudut (90 o ) Kontras pada sudut 135 o memiliki rentang nilai yang lebih lebar dibandingkan dengan kontras pada sudut 90 o, selisih rentang yang lebar menunjukkan kecenderungan nilai kontras dari data masukan tiap grade menempati pada level berbeda pada grafik. Hal ini memudahkan bagi classifier untuk melakukan klasifikasi berdasarkan keunikan tersebut. 3 Karakteristik lampu Mata manusia tidak mampu melakukan pengukuran secara kuantatif terhadap besaran cahaya lampu, namun demikian mata manusia mampu merasakan adanya penambahan atau pengurangan luminasi. Pengambilan gambar sampel biji kopi pada chamber box harus dilakukan pada kondisi pencahayaan yang stabil untuk mengurangi kesalahan klasifikasi. Dari hasil pengukuran menggunakan luxmeter, ternyata kondisi luminasi stabil dicapai setelah 13 sampai 15 menit sejak lampu menyala. Grafik perubahan luminasi terhadap waktu ditunjukkan pada gambar
7 Seminar Nasional : Menggagas Kebangkitan Juni, 2013 Gambar 5. Grafik besaran luminasi 4 Klasifikasi oleh classifier Dua model classifier digunakan untuk mengenali kelas sampel dan hasilnya dibandingkan untuk menguji akurasi dari masing-masing model. Pada pengujian terhadap data pelatihan, akurasi pengenalan classifier backpropagation neural network (BPNN) mampu mengenali secara tepat 100 % dari sampel yang diujikan, sementara classifier Fuzzy C Means (FLVQ) hanya mencapai %. Namun pada saat pengujian data baru yang tidak dilatihkan, kedua classifier hanya mampu mencapai akurasi 64.7 % saja. Hal ini berarti bahwa pemilihan fitur yang menjadi masukan bagi classifier telah cukup mewakili dari sekian banyak fitur citra yang ada. Tabel 2 menunjukkan perbandingan pengenalan data latih baik oleh BPNN dan FLVQ. Tabel 2. Pengujian data latih Grade Keberhasilan BPNN FLVQ 1 100% 100% 2 100% 100% 3 100% 100% 4a 100% 100% 4b 100% 80% 5 100% 70% 6 100% 100% KESIMPULAN DAN SARAN 1. Fitur yang signifikan dalam menentukan kelas kualitas biji kopi adalah fitur hijau, hue, enthropy, energy dan kontras, hal ini dilihat dari rentang data dan keunikan data pada setiap grade. 2. Pencahayaan yang stabil sangat penting karena perubahan luminasi dapat mengakibatkan bertambahnya galat (error) pada proses klasifikasi. Dari hasil pengujian, kondisi luminasi stabil lampu dicapai setelah 15 menit, sedangkan WEBCAM mencapai kondisi stabil setelah 5 detik sejak mendapatkan catu daya. 779
8 Juni, 2013 Seminar Nasional : Menggagas Kebangkitan 3. Kondisi biji kopi yang tersebar merata dengan sedikit biji yang bertumpuk akan memberikan data yang konsisten, namun perlu dijaga agar warna dasar nampan tidak terpapar terlalu banyak. DAFTAR PUSTAKA Soedibyo DW, Subrata IDM, Seminar KB, Ahmad U The development of automatic coffee sorting system based on image processing and artificial neural network. AFITA 2010 International Conference, hal Faridah, Parikesit GOF, Ferdiansjah Coffee bean grade determination based on image parameter. TELKOMNIKA 9 (3): Sofi I I, Astika IW, Suroso Penentuan jenis cacat biji kopi dengan pengolahan citra dan artificial neural network. Jurnal Keteknikan Pertanian 19: Ahmad U Pengolahan citra digital & teknik pemrogramannya. Edisi Pertama, Graha Ilmu. 780
Uji Kinerja Fuzzy Learning Vector Quatization Untuk Klasifikasi Mutu Biji Kopi
Uji Kinerja Fuzzy Learning Vector Quatization Untuk Klasifikasi Mutu Biji Kopi Putut Son Maria 1) 1) Jurusan Teknik Elektro, Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru 28293, email: putut.son@gmail.com
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 terperinciIII. METODOLOGI PENELITIAN
15 III. METODOLOGI PENELITIAN A. Waktu dan Tempat Penelitian ini dilaksanakan pada bulan Juli Desember 2007 di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian, Departemen Teknik Pertanian, Fakultas
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 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 terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. TEMPAT DAN WAKTU Kegiatan penelitian dilakukan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP), Departemen Teknik Pertanian, Fakultas Teknologi Pertanian,
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 I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Tanaman kopi (coffea sp) di Indonesia sebagian besar berasal dari perkebunan rakyat dengan penerapan teknologi budidaya yang masih terbatas, apabila penerapan teknologi
Lebih terperinciIdentifikasi Jenis dan Mutu Kopi Menggunakan Pengolahan Citra Digital dengan Metode Jaringan Syaraf Tiruan
Identifikasi Jenis dan Mutu Kopi Menggunakan Pengolahan Citra Digital dengan Metode Jaringan Syaraf Tiruan Identification of Coffee Type and Quality Using Digital Image Processing using Artificial Neural
Lebih terperinciBambang Marhaenanto 1) *, Deddy Wirawan Soedibyo 1), Miftahul Farid 1), 1)
PENENTUAN LAMA SANGRAI KOPI BERDASARKAN VARIASI DERAJAT SANGRAI MENGGUNAKAN MODEL WARNA RGB PADA PENGOLAHAN CITRA DIGITAL (DIGITAL IMAGE PROCESSING) Determination of Coffee Roasting Duration Based on Roasting
Lebih terperinciIV. HASIL DAN PEMBAHASAN
26 IV. HASIL DAN PEMBAHASAN A. Pengukuran Parameter Mutu Jeruk Pontianak Secara Langsung Dari Hasil Pemutuan Manual Pemutuan jeruk pontianak secara manual dilakukan oleh pedagang besar dengan melihat diameter
Lebih terperinciSesi 2: Image Formation. Achmad Basuki PENS-ITS 2006
Sesi 2: Image Formation Achmad Basuki PENS-ITS 2006 Materi Representasi Penglihatan Model Kamera Sampling Dan Kuantisasi Jenis-JenisCitra Mdel Citra Berwarna Format Warna RGB Membaca dan Menampilkan Citra
Lebih terperinciBAB I PENDAHULUAN I.1
BAB I PENDAHULUAN I.1 Latar Belakang Perkembangan industri manufaktur menuntut perusahaan untuk untuk memiliki daya saing tinggi, baik itu skala nasional maupun internasional. Kegiatan ekspor dan impor
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan studi (state of the art) Berikut penelitian yang telah dilakukan sebelumnya : 1. Penelitian dilakukan oleh Sigit Sugiyanto Feri Wibowo (2015), menjelaskan tentang klasifikasi
Lebih terperinciPengolahan citra. Materi 3
Pengolahan citra Materi 3 Citra biner, citra grayscale dan citra warna Citra warna berindeks Subject Elemen-elemen Citra Digital reflectance MODEL WARNA Citra Biner Citra Biner Banyaknya warna hanya 2
Lebih terperinciProses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer
Pengolahan Citra / Image Processing : Proses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer Teknik pengolahan citra dengan mentrasformasikan citra menjadi citra lain, contoh
Lebih terperinciPENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM)
PENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM) Rima Tri Wahyuningrum *) Program Studi Teknik Informatika,
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 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 terperinciPERANCANGAN SISTEM PENGATURAN MESIN SANGRAI (ROASTER) BERDASARKAN WARNA BIJI KOPI BERBASIS IMAGE PROCESSING
ABSTRAK DAN EXECUTIVE SUMMARY PERANCANGAN SISTEM PENGATURAN MESIN SANGRAI (ROASTER) BERDASARKAN WARNA BIJI KOPI BERBASIS IMAGE PROCESSING Oleh Sumardi, ST.,MT (Ketua) Satryo Budi Utomo, ST.,MT (anggota)
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Menginterprestasi sebuah citra untuk memperoleh diskripsi tentang citra tersebut melalui beberapa proses antara lain preprocessing, segmentasi citra, analisis
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 terperinciPeningkatan Kualitas Citra Digital Berbasis Color Constancy Menggunakan Gray World
Peningkatan Kualitas Citra Digital Berbasis Color Constancy Menggunakan Heri Priya Waspada, *, Supeno Mardi Susiki Nugroho, Eko Mulyanto Yuniarno S Teknik Elektro, Fakultas Teknologi Industri, ITS Surabaya
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 terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
Lebih terperinciPembentukan Citra. Bab Model Citra
Bab 2 Pembentukan Citra C itra ada dua macam: citra kontinu dan citra diskrit. Citra kontinu dihasilkan dari sistem optik yang menerima sinyal analog, misalnya mata manusia dan kamera analog. Citra diskrit
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 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 IV HASIL DAN PEMBAHASAN. Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah
BAB IV HASIL DAN PEMBAHASAN A. Data Sampel Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah sampel beras B, 1 buah sampel beras C, dan 2 buah sampel beras D. 1. Data Pengujian Mutu Beras
Lebih terperinciAPLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK
APLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK Wiratmoko Yuwono Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya-ITS Jl. Raya ITS, Kampus ITS, Sukolilo Surabaya 60111
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 terperinciAPLIKASI PENGHITUNG JUMLAH WAJAH DALAM SEBUAH CITRA DIGITAL BERDASARKAN SEGMENTASI WARNA KULIT
MAKALAH SEMINAR TUGAS AKHIR APLIKASI PENGHITUNG JUMLAH WAJAH DALAM SEBUAH CITRA DIGITAL BERDASARKAN SEGMENTASI WARNA KULIT Rizki Salma*, Achmad Hidayatno**, R. Rizal Isnanto** 1 Sistem deteksi wajah, termasuk
Lebih terperinciII. TINJAUAN PUSTAKA A. KOPI
II. TINJAUAN PUSTAKA A. KOPI Coffee atau kopi dalam bahasa Indonesia secara luas dikenal sebagai stimulan yang dibuat dari biji kopi. Kopi pertama kali dikonsumsi orang di abad ke-9 di daerah dataran tinggi
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Waktu dan Tempat Penelitian dilaksanakan selama bulan Maret hingga Juli 2011, bertempat di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP), Departemen
Lebih terperinciII. TINJAUAN PUSTAKA. A. Jeruk Siam
5 II TINJAUAN PUSTAKA A Jeruk Siam Jeruk siam hanya merupakan bagian kecil dari sekian banyak spesies dan varietas jeruk yang sudah dikenal dan dibudidayakan Secara sistematis, tanaman jeruk siam dapat
Lebih terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Sistem Optik dan Proses Akuisisi Citra Digital 2 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 Bisa dilihat pada slide berikut. SISTEM OPTIK MANUSIA
Lebih terperinciBAB I PENDAHULUAN. Pangan adalah salah satu hak azasi manusia dan sebagai komoditi strategis
BAB I PENDAHULUAN A. Latar Belakang Pangan adalah salah satu hak azasi manusia dan sebagai komoditi strategis yang dilindungi oleh Undang-Undang Dasar Negara Republik Indonesia tahun 1945 (Tim Koordinasi
Lebih terperinciDAFTAR ISI. BAB II... Error! Bookmark not defined.
DAFTAR ISI SKRIPSI... Error! Bookmark not defined. HALAMAN PERSETUJUAN SKRIPSI... Error! Bookmark not defined. PENGESAHAN DEWAN PENGUJI... Error! Bookmark not defined. PERNYATAAN KEASLIAN TUGAS AKHIR...
Lebih terperinciAplikasi Pengolahan Citra Digital dan Jaringan Syaraf Tiruan untuk Memprediksi Kadar Bahan Organik dalam Tanah
Technical Paper Aplikasi Pengolahan Citra Digital dan Jaringan Syaraf Tiruan untuk Memprediksi Kadar Bahan Organik dalam Tanah The application of Image Process and Artificial Neural Network to Prediction
Lebih terperinciIDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION
IDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION Dila Deswari [1], Hendrick, MT. [2], Derisma, MT. [3] Jurusan Sistem Komputer, Fakultas Teknologi Informasi, Universitas Andalas [1][3]
Lebih terperinciKLASIFIKASI TINGKAT KEMATANGAN BUAH PEPAYA (CARICA PAPAYA L) CALIFORNIA (CALLINA-IPB 9) DALAM RUANG WARNA HSV DAN ALGORITMA K-NEAREST NEIGHBORS
KLASIFIKASI TINGKAT KEMATANGAN BUAH PEPAYA (CARICA PAPAYA L) CALIFORNIA (CALLINA-IPB 9) DALAM RUANG WARNA HSV DAN ALGORITMA K-NEAREST NEIGHBORS Sigit Sugiyanto*, Feri Wibowo Program Studi Teknik Informatika
Lebih terperinciKLASIFIKASI CITRA BERAS BERDASARKAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN MENGGUNAKAN k-nearest NEIGHBOUR
MAKALAH SEMINAR TUGAS AKHIR KLASIFIKASI CITRA BERAS BERDASARKAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN MENGGUNAKAN k-nearest NEIGHBOUR Eko Prasetyo, Imam Santoso, Budi Setiyono. Jurusan Teknik Elektro
Lebih terperinciVOLUME 6 No. 2, 22 Juni 2017 Halaman
ISSN 2089-6131 (Print) ISSN 2443-1311 (Online) DOI 10.22146/teknosains.26972 https://jurnal.ugm.ac.id/teknosains JURNAL TEKNOSAINS VOLUME 6 No. 2, 22 Juni 2017 Halaman 59-138 METODE KLASIFIKASI MUTU JAMBU
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. menggunakan serial port (baudrate 4800bps, COM1). Menggunakan Sistem Operasi Windows XP.
BAB 4 IMPLEMENTASI DAN EVALUASI Bab ini menjelaskan tentang hasil penelitian yang berupa spesifikasi sistem, prosedur operasional penggunaan program, dan analisa sistem yang telah dibuat. 4.1 Spesifikasi
Lebih terperinciBAB II CITRA DIGITAL
BAB II CITRA DIGITAL DEFINISI CITRA Citra adalah suatu representasi(gambaran),kemiripan,atau imitasi dari suatu objek. DEFINISI CITRA ANALOG Citra analog adalahcitra yang bersifat kontinu,seperti gambar
Lebih terperinciBAB I PENDAHULUAN. Indonesia merupakan salah satu negara yang memiliki potensi besar dalam
BAB I PENDAHULUAN A. Latar Belakang Indonesia merupakan salah satu negara yang memiliki potensi besar dalam bidang pertanian. Iklimnya yang tropis dengan curah hujan yang tinggi sepanjang tahun serta tanah
Lebih terperinciBAB 4 HASIL DAN ANALISA
BAB 4 HASIL DAN ANALISA 4. Analisa Hasil Pengukuran Profil Permukaan Penelitian dilakukan terhadap (sepuluh) sampel uji berdiameter mm, panjang mm dan daerah yang dibubut sepanjang 5 mm. Parameter pemesinan
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 terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciKLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA
KLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA Arina Diori (0722107) Jurusan Teknik Elektro email: arinadiorisinaga@yahoo.com ABSTRAK Buah
Lebih terperinciPRAPROSES CITRA MENGGUNAKAN KOMPRESI CITRA, PERBAIKAN KONTRAS, DAN KUANTISASI PIKSEL
PRAPROSES CITRA MENGGUNAKAN KOMPRESI CITRA, PERBAIKAN KONTRAS, DAN KUANTISASI PIKSEL Veronica Lusiana 1, Budi Hartono 2 1,2 Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Stikubank
Lebih terperinciPENGEMBANGAN ALGORITMA PEMUTUAN EDAMAME MENGGUNAKAN PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN DEDY WIRAWAN SOEDIBYO
PENGEMBANGAN ALGORITMA PEMUTUAN EDAMAME MENGGUNAKAN PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN DEDY WIRAWAN SOEDIBYO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS
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 IV PENGUJIAN SISTEM. koordinat pada tiap-tiap area, akses pixel, contrast streching, histogram. yang
BAB IV PENGUJIAN SISTEM Sistem yang di ujicoba merupakan dari hasil program yang telah selesai dibuat. Dimulai dari pengambilan citra dari WebCam, pengolahan citra yang dimulai dengan update citra kondisi
Lebih terperinciIdentifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ)
Identifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ) Sutarno Rouzan Fiqri Abdullah Rossi Passarella Jurusan Sistem
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 terperinciPertemuan 2 Representasi Citra
/29/23 FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 2 Representasi Citra Representasi Citra citra Citra analog Citra digital Matrik dua dimensi yang terdiri
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Citra Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
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 terperinciPengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2)
Pengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2) ISSN : 1693 1173 Abstrak Pengenalan obyek pada citra merupakan penelitian yang banyak dikembangkan. Salah satunya pengenalan
Lebih terperinci6. PENDETEKSIAN SERANGAN GULMA. Pendahuluan
6. PENDETEKSIAN SERANGAN GULMA Pendahuluan Praktek pengendalian gulma yang biasa dilakukan pada pertanian tanaman pangan adalah pengendalian praolah dan pascatumbuh. Aplikasi kegiatan Praolah dilakukan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan metode penelitian sebagai berikut: 1) Pengumpulan Data Tahap ini dilakukan sebagai langkah awal dari suatu penelitian. Mencari
Lebih terperinciKlasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor
Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor Puspa Rizky Trisnaningtyas 1, Maimunah 2 Program Studi Teknik Komputer Universitas Islam 45 Bekasi, Indonesia
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 terperinciIMPLEMENTASI VISI KOMPUTER DAN SEGMENTASI CITRA UNTUK KLASIFIKASI BOBOT TELUR AYAM RAS
IMPLEMENTASI VISI KOMPUTER DAN SEGMENTASI CITRA UNTUK KLASIFIKASI BOBOT TELUR AYAM RAS Tria Adhi Wijaya 1, Yudi Prayudi 2 1,2 Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam Indonesia
Lebih terperinci1. BAB I PENDAHULUAN. 1.1 Latar Belakang
1. BAB I PENDAHULUAN 1.1 Latar Belakang Industri kulit (leather) merupakan salah satu sektor industri yang mengalami pertumbuhan cukup tinggi. Pada data Badan Pusat Statistik (BPS) mengenai pertumbuhan
Lebih terperinciSuatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara.
Image Enhancement Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang bisa dilakukan misalnya dengan fungsi transformasi, operasi matematis,
Lebih terperinciPROGRAM STUDI S1 SISTEM KOMPUTER UNIVERSITAS DIPONEGORO. Oky Dwi Nurhayati, ST, MT
PROGRAM STUDI S1 SISTEM KOMPUTER UNIVERSITAS DIPONEGORO Oky Dwi Nurhayati, ST, MT email: okydn@undip.ac.id Pembentukan Citra Citra ada 2 macam : 1. Citra Kontinu Dihasilkan dari sistem optik yang menerima
Lebih terperinciCOMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA
Seminar Nasional Teknologi Terapan SNTT 2013 (26/10/2013) COMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA Isnan Nur Rifai *1 Budi Sumanto *2 Program Diploma Elektronika & Instrumentasi Sekolah
Lebih terperinciBAB 4 PENGUJIAN DAN ANALISIS SISTEM
BAB 4 PENGUJIAN DAN ANALISIS SISTEM Bab ini akan membahas mengenai proses pengujian dari sistem yang dirancang terhadap beberapa citra dijital replika kulit. Pengujian terhadap sistem ini dilakukan untuk
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 I: PENDAHULUAN. lingkup dari Tugas Akhir ini, serta diakhiri dengan sistematika penulisan laporan.
BAB I: PENDAHULUAN Bab I ini berisikan penjelasan mengenai latar belakang, permasalahan, tujuan, dan ruang lingkup dari Tugas Akhir ini, serta diakhiri dengan sistematika penulisan laporan. 1.1 LATAR BELAKANG
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 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 terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN A. WAKTU DAN TEMPAT Penelitian ini dilaksanakan pada bulan Mei 2010 sampai dengan Oktober 2010. Perancangan alat dilaksanakan pada bulan Mei 2010 sampai Agustus 2010 di Bengkel Departemen
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 terperinciDETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL
DETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL Muhammad Affandes* 1, Afdi Ramadani 2 1,2 Teknik Informatika UIN Sultan Syarif Kasim Riau Kontak Person : Muhammad
Lebih terperinciSistem Penitipan Barang berdasarkan Pola Tanda Tangan Dengan menggunakan Metode Ekstraksi Ciri Nia Saurina SST., M.Kom
Sistem Penitipan Barang berdasarkan Pola Tanda Tangan Dengan menggunakan Metode Ekstraksi Ciri Nia Saurina SST., M.Kom ABSTRAK Sistem penitipan barang yang umum digunakan adalah secara manual, penjaga
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kain adalah bahan dasar dari pakaian yang biasa digunakan sebagai kebutuhan pokok manusia untuk melindungi dan menutup dirinya. Kain pun dapat menjadi identitas suatu
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 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 I PENDAHULUAN. Tanaman kedelai adalah salah satu jenis tanaman kacang-kacangan yang
BAB I PENDAHULUAN 1.1. Latar Belakang Tanaman kedelai adalah salah satu jenis tanaman kacang-kacangan yang digunakan sebagai bahan pangan sumber energi dan protein. Kedelai sudah lama dimanfaatkan sebagai
Lebih terperinciKLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS
Ikhwan Ruslianto KLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS IKHWAN RUSLIANTO Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan
Lebih terperinciPenghitung Kendaraan Menggunakan Background Substraction dengan Background Hasil Rekonstruksi
Penghitung Kendaraan Menggunakan Substraction dengan Hasil Rekonstruksi Mohammad Musa Sanjaya #1, Dr. I Ketut Eddy Purnama, ST., MT. *2, Muhtadin,ST.,MT #3 Jurusan Teknik Elektro, ITS Surabaya 1 musopotamia@gmail.com
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 terperinciPENDUGAAN MUTU FISIK BIJI JAGUNG DENGAN MENGGUNAKAN CITRA DIGITAL DAN JARINGAN SYARAF TIRUAN
PENDUGAAN MUTU FISIK BIJI JAGUNG DENGAN MENGGUNAKAN CITRA DIGITAL DAN JARINGAN SYARAF TIRUAN [THE FATHOMING PHYSICAL QUALITY OF CORN KERNEL BY USING IMAGE PROCESSING AND ARTIFICIAL NEURAL NETWORK] 1) Santosa
Lebih terperinciMuhammad Zidny Naf an, M.Kom. Gasal 2015/2016
MKB3383 - Teknik Pengolahan Citra Pengolahan Citra Digital Muhammad Zidny Naf an, M.Kom. Gasal 2015/2016 CITRA Citra (image) = gambar pada bidang 2 dimensi. Citra (ditinjau dari sudut pandang matematis)
Lebih terperinci5. IDENTIFIKASI JENIS TANAMAN. Pendahuluan
5. IDENTIFIKASI JENIS TANAMAN Pendahuluan Tujuan aplikasi berbasis sensor adalah melakukan penyemprotan dengan presisi tinggi berdasarkan pengamatan real time, menjaga mutu produk dari kontaminasi obat-obatan
Lebih terperinciUJI COBA PERBEDAAN INTENSITAS PIKSEL TIAP PENGAMBILAN GAMBAR. Abstrak
UJI COBA PERBEDAAN INTENSITAS PIKSEL TIAP PENGAMBILAN GAMBAR Teady Matius Surya Mulyana tmulyana@bundamulia.ac.id, teadymatius@yahoo.com Teknik Informatika Universitas Bunda Mulia Abstrak Kebutuhan binarisasi
Lebih terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Cabai merupakan tanaman yang banyak dibutuhkan untuk kehidupan sehari hari seperti memasak, baik secara langsung ataupun diolah dahulu. Salah satu contoh produk olahan
Lebih terperinciOTOMASI PEMISAH BUAH TOMAT BERDASARKAN UKURAN DAN WARNA MENGGUNAKAN WEBCAM SEBAGAI SENSOR
Seminar Nasional Ilmu Komputer dan Aplikasinya SNIKA 2008 27/11/2008 OTOMASI PEMISAH BUAH TOMAT BERDASARKAN UKURAN DAN WARNA MENGGUNAKAN WEBCAM SEBAGAI SENSOR Thiang, Leonardus Indrotanoto Jurusan Teknik
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 terperinciKonsep Dasar Pengolahan Citra. Pertemuan ke-2 Boldson H. Situmorang, S.Kom., MMSI
Konsep Dasar Pengolahan Citra Pertemuan ke-2 Boldson H. Situmorang, S.Kom., MMSI Definisi Citra digital: kumpulan piksel-piksel yang disusun dalam larik (array) dua-dimensi yang berisi nilai-nilai real
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 terperinciGRAFIK KOMPUTER DAN PENGOLAHAN CITRA. WAHYU PRATAMA, S.Kom., MMSI.
GRAFIK KOMPUTER DAN PENGOLAHAN CITRA WAHYU PRATAMA, S.Kom., MMSI. PERTEMUAN 8 - GRAFKOM DAN PENGOLAHAN CITRA Konsep Dasar Pengolahan Citra Pengertian Citra Analog/Continue dan Digital. Elemen-elemen Citra
Lebih terperinciBAB II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan
BAB II LANDASAN TEORI 2.1. Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus dan intensitas cahaya pada bidang dwimatra
Lebih terperinciPengolahan Citra (Image Processing)
BAB II TINJAUAN TEORITIS 2.1 Citra (Image) Processing Secara harfiah, citra (image) adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus
Lebih terperinciSKRIPSI. PEMUTUAN BUAH JERUK MANIS (Citrus sinensis (L) Osbeck) MENGGUNAKAN ALGORITMA PENGOLAHAN CITRA. Oleh: MARIA YUSTINA TAMPUBOLON F
SKRIPSI PEMUTUAN BUAH JERUK MANIS (Citrus sinensis (L) Osbeck) MENGGUNAKAN ALGORITMA PENGOLAHAN CITRA Oleh: MARIA YUSTINA TAMPUBOLON F14101109 DEPARTEMEN TEKNIK PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN INSTITUT
Lebih terperinci