BAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
|
|
- Sukarno Wibowo
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 pencarian citra dengan menggunakan fitur low level yang terdapat pada sebuah citra. Menurut Liu et al.(2008, p1), ada dua kelemahan utama yang didapat ketika menggunakan sistem CBIR. Yang pertama dalam penggunaan informasi yang bersifat low level untuk ekstraksi fitur, indexing, dan kueri dalam sistem CBIR. Masalah terjadi ketika pengguna melakukan kueri dalam sistem pencarian. Akan terjadi kesenjangan semantik pada saat pencarian dilakukan, dimana pengguna akan melakukan pencarian dalam bentuk kata-kunci (fitur high level) dan dibandingkan dengan fitur low level hasil proses dari sebuah citra. Kesenjangan semantik adalah perbedaan intepretasi sebuah citra dari sudut pandang pengguna (bersifat high level) dengan sudut pandang sistem (bersifat low level, karena diperoleh langsung dari citra yang bersangkutan) dimana hasil pemrosesan merupakan hasil pengolahan citra piksel demi piksel. Sehingga hasil pencarian kurang mewakili maksud dari pengguna. Yang kedua ada pada teknik pencarian yang dilakukan, CBIR pada umumnya menggunakan sistem kueri-dengan-contoh dimana pengguna perlu memasukkan parameter-parameter yang dibutuhkan sistem untuk melakukan proses pencarian (biasanya berupa citra yang mirip dengan citra yang dikehendaki). Bandingkan dengan sistem kueri-dengan-kata-kunci, dimana 53
2 54 pengguna hanya perlu memasukkan kata-kunci yang diharapkan muncul sebagai konten di dalam citra yang dikehendaki. Dari sisi kemudahan, kueri-dengan-katakunci menawarkan cara yang lebih alami untuk melakukan pencarian dibandingkan kueri-dengan-contoh yang membutuhkan citra lain sebagai bahan pembandin g untuk pencarian. Dari sisi kecepatan, kueri-dengan-kata-kunci hanya membutuhkan pengguna memasukkan kata-kunci yang diharapkan muncul sebagai konten dari citra yang dinginkan, sedangkan kueri-dengan-contoh membutuhkan pengguna memasukkan citra pembanding untuk melakukan pencarian, tentu saja hal ini menyulitkan karena tidak setiap saat pengguna selalu memiliki citra untuk melakukan pencarian sesuai yang dinginkan. (Zhang, 2003, p4) menyatakan dari karya ilmiah akhir-akhir ini ada perubahan kecenderungan sistem dari kueridengan-contoh menjadi kueri-dengan-kata-kunci. Teknik lainnya yang pernah diajukan dalam pencarian citra adalah pencarian citra berdasarkan anotasi. Citra-citra tersebut akan di tag dengan keyword / kata kunci secara manual oleh manusia berdasarkan pada pengertian manusia terhadap konten yang ada pada citra. Memang dengan teknik ini akan membantu meningkatkan akurasi pencarian citra. Namun melakukan tag atau memberi kata kunci pada citra membutuhkan waktu yang panjang dan membutuhkan campur tangan manusia untuk melakukannya. Teknik tersebut lebih dikenal dengan nama Manual Image Annotation ( Zhang, 2003, p9). Penelitian kembali dilanjutkan dan menghasilkan teknik pencarian citra dengan mengesktrak fitur yang ada pada citra. Pengembangan teknik ini dilakukan secara semi automatic. Dengan teknik ini, pengguna dapat mencari citra dengan
3 55 mudah, dimana sistem pencari citra tersebut akan menampilkan citra dengan fitur yang telah dilatih sebelumnya ke sistem sehingga menghasilkan tag yang secara otomatis telah ada. Selain itu, jika terdapat kesalahan tagging, sistem akan meminta feedback dari pengguna untuk mengoreksi tag yang telah ada. Teknik seperti ini akan meningkatkan efisiensi waktu menjadi lebih baik dibanding teknik sebelumnya, namun tetap membutuhkan peran pengguna dan menghabiskan waktu yang lama. Sistem tag pun akan menjadi rentan terhadap perubahan dan kebenaran tagging diragukan karena pengguna diberi hak untuk mengubah tag yang telah ada sebelumnya. Teknik tersebut dikenal sebagai teknik Semi-Automatic Image Annotation (Varytimidis, 2008, pp1-8). Teknik tersebut memerlukan fitur yang tepat untuk mendeskripsikan citra yang ada. Fitur-fitur yang dapat digunakan dapat berupa warna, citra, dan tekstur. Untuk memperoleh informasi data fitur yang lebih lengkap tentu dibutuhkan fitur fitur yang tepat yang semuanya digabungkan. Namun masalah kembali muncul jika fitur citra yang diambil terlalu besar sehingga memperlambat proses pencarian citra. Oleh karena itu, perlu adanya reduksi dimensi fitur guna mempercepat proses pencarian citra. Teknik anotasi citra otomatis akan membantu proses pencarian citra menjadi lebih cepat karena teknik ini tidak memerlukan keterlibatan pengguna dalam tag citra. Sehingga fitur akan diekstraksi secara otomatis, yang kemudian dilatih ke dalam sistem. Tentu dibutuhkan fitur yang tepat guna mendeskripsi informasi pada citra, yaitu salah satunya fitur warna. Fitur warna dapat direpresentasikan dalam histogram warna. Keuntungan dari fitur ini adalah dapat diaplikasikan pada semua citra berwarna. Untuk otomatisasi, digunakan machine learning salah satunya
4 56 dengan SVM (Support Vector Machine). SVM ini yang nantinya akan dilatih agar menghasilkan klasifikasi objek-objek di dalam citra kedalam label-label tertentu. Hasil klasifikasi akan disimpan kedalam metadata untuk sebuah citra. Ketika proses pencarian dilakukan, maka sistem akan mecari kedalam metadata untuk menemukan kata yang dimaksud, jika ditemukan maka sistem akan menampilkan citra yang memiliki metadata tersebut.
5 Metodologi Gambar 3.1 Metodologi Sistem
6 58 Disini dibagi kerja sistem menjadi 3 bagian yaitu, Pelatihan, Klasifikasi, dan Pencarian. Pada sistem ini juga terdapat bagian offline (tidak melibatkan pengguna) dan bagian online (melibatkan pengguna). Pelatihan dilakukan secara offline dan klasifikasi serta pencarian dilakukan secara online. Pada bagian Pelatihan, sejumlah citra akan digunakan sebagai masukan dasar untuk sistem agar membentuk model pengetahuan yang nantinya akan digunakan dalam mengklasifikasikan objek di dalam citra pada bagian Klasifikasi. Sedangkan pada bagian Klasifikasi, sejumlah citra akan digunakan untuk menghasilkan anotasi atau label setiap objek yang ada di dalam citra-citra tersebut. Anotasi ini akan disimpan kedalam file jenis xml yang akan digunakan sebagai metadata dari basis data. Metadata ini akan digunakan untuk melakukan proses Pencarian. Pada bagian Pencarian, pengguna akan memasukkan kata-kunci yang mewakili konten yang dikehendaki ada pada sebuah citra, sistem kemudian akan menampilkan hasil-hasil yang mengandung kata-kunci yang dimasukkan oleh pengguna Pelatihan Citra (Image Training) Tujuan dari tahap pelatihan ini adalah agar terbentuk model pengetahuan yang nantinya dijadikan kemampuan berpikir dari sistem anotasi ini. Pada tahap pelatihan, sejumlah citra yang mewakili sebuah objek dengan labelnya akan dimasukkan ke dalam SVM sehingga terbentuk pola pengetahuannya untuk objek tersebut. Disini dimasukkan sejumlah kelas label dengan tujuan nantinya sistem klasifikasi dapat mengenali beberapa jenis kelas sesuai jumlah kelas yang dilatih kedalam sistem.
7 59 Urutan dari proses pelatihan ini adalah mula-mula citra yang akan digunakan sebagai materi pelatihan dimasukkan ke dalam sistem. Sistem kemudian memproses citra yang dimasukkan ini dengan me-resize ukuran citra sehingga diperoleh ukuran citra yang sama selama proses dilakukan. Tujuan resize ini adalah agar diperoleh hasil yang lebih optimal dan konsisten. Optimal berarti memungkinkan sistem untuk berkerja lebih cepat. Kemudian sistem akan melanjutkan proses ke tahap ekstraksi fitur. Disini sidik jari dari citra akan direkam dan disimpan dalam fitur vektor. Fitur vektor merupakan kumpulan fitur-fitur yang telah diindeks dengan urutan tertentu sehingga setiap citra akan memiliki nilai fitur vektor yang relatif berbeda satu sama lainnya pada indeksindeks yang ada. Kemudian untuk setiap kelas label, digunakan sejumlah citra yang berbeda, tujuannya agar sistem bersifat fleksibel terhadap perbedaan kecil yang terjadi sehingga lebih toleran terhadap perbedaan atau perubahan. Sekumpulan fitur vektor untuk sebuah kelas label kemudian dimasukkan kedalam SVM sehingga SVM membentuk pola khusus untuk label tersebut. Proses ini diulang sejumlah label yang ingin diajarkan kepada sistem. Hasil akhirnya berupa model pengetahuan untuk berbagai label dengan karakteristiknya ( kumpulan fitur vektor) masing-masing.
8 Sebelum Pengolahan (Preprocessing) Input : Gambar 3.2 Citra dengan Resolusi 1024 x 769 Proses : Tahap ini memegang peranan penting dalam keberhasilan sistem mengenali ciri dari sebuah objek. Sebelum melakukan ekstraksi fitur, dilakukan preprocessing berupa resize. Pengubahan ukuran citra bertujuan agar citracitra yang nantinya akan diambil fiturnya lebih konstan dalam ukuran, sehingga tidak terdapat error dari perbedaan ukuran citra, sekaligus memudahkan dalam mengindeksan fitur vektornya. Selain itu pengubahan ukuran citra akan mempercepat pemrosesan citra. Disini citra di-resize menjadi ukuran 250 piksel x 250 piksel ( berbentuk bujur sangkar). Resize dengan ukuran 250 piksel x 250 piksel bertujuan untuk menyeragamkan ukuran citra yang berbeda-beda serta untuk menghemat ruang penyimpanan, biaya komputasi menjadi lebih kecil
9 61 (sistem dapat bekerja lebih cepat) dibandingkan jika tidak di-resize,dan tingkat error dalam pengindeksan menjadi lebih rendah, karena ukuran citra satu dengan yang lainnya sama (Ghandi, 2009, p188). Output : Gambar 3.3 Citra keluaran dengan Resolusi 250 x Ekstraksi Fitur (Feature Extraction) Input : Gambar 3.4 Citra masukan dengan Resolusi 250 x 250
10 62 Proses : Fitur yang digunakan adalah warna, yang direpresentasikan dengan histogram warna dan color moment. Warna merupakan fitur yang umum digunakan sebagai fitur vektor dari sebuah citra (Huang, 1997, p1). Histogram warna dari sebuah citra hampir merupakan sebuah sidik jari dari citra dan perbedaan histogram antar citra dapat digunakan untuk pencarian citra dalam basis data (Duckley, 2003, p40). Keuntungan histogram warna adalah mudah untuk dihitung dan tidak rentan terhadap perubahan orientasi sudut pandang. Peggunaan fitur sendiri merupakan salah satu variabel penelitian, dimana nantinya akan terlihat fitur yang paling optimal untuk digunakan di dalam sistem ini. Adapun beberapa fitur warna yang digunakan antara lain, ruang warna (color space) digunakan HSV, RGB, dan RGBL dikombinasikan dengan fitur momen warna (color moment). Dimana dengan kombinasi ini, diharapkan keakuratan sistem dalan hal pengenalan warna menjadi lebih baik dibandingkan hanya menggunakan RGB saja tanpa melakukan perhitungan empiris untuk ruang warna yang lainnya dan menjadi lebih toleran terhadap noise yang ada pada sebuah citra yang akan di proses. Citra setelah melalui tahap preprocessing maka akan dilakukan ekstraksi fitur berupa histogram warna sebesar 32 bins dengan atau tanpa color moment dan diindeks kedalam file khusus yang digunakan sejumlah 96 dimensi untuk ruang warna HSV, 96 dimensi untuk ruang warna RGB, 128 dimensi untuk ruang warna RGBL. Untuk color moment terdiri dari 12 dimensi untuk RGBL( 4 dimensi untuk mean, 4 dimensi untuk variance, dan 4 dimensi untuk
11 63 gradient) dan 9 dimensi untuk HSV atau RGB (3 dimensi untuk mean, 3 dimensi untuk variance, dan 3 dimensi untuk gradient). Nilai histogram diderivasi hanya dari jumlah piksel-piksel yang berwarna selain hitam pekat (intensitas piksel bernilai 0 di dalam sebuah citra. Hal ini dilakukan karena selama proses pelatihan, kumpulan citra-citra merupakan hasil segmentasi dari sebuah citra yang utuh. Misalnya jika mau melatih label gunung maka kumpulan citra-citra yang akan digunakan dalam proses pelatihan hanya merupakan citra-citra hanya diambil segmen gunungnya saja, sedangkan area sisa disekitarnya diubah nilainya menjadi 0. Ini bertujuan agar proses pengenalan menjadi lebih akurat. Pada bagian normalisasi, proses perhitungan nilai histogram hanya memperhitungkan intensitas piksel selain nilai 0, ini bertujuan agar setiap citra dapat dihitung dengan adil. Jika memperhitungkan nilai 0, maka nilai histogram akan menjadi tidak akurat, sebab setiap segmen citra yang akan digunakan dalam tahap pengenalan, memiliki area sisa (yang tidak diproses) yang berbeda-beda. Contohnya : segmen gunung dari satu citra dengan citra yang lainnya tentu berbeda-beda ukurannya, sehingga area sisa untuk setiap citra juga berbeda-beda, ada yang banyak dan ada yang sedikit. Dengan menghilangkan piksel dengan nilai 0 di setiap citra, maka hasil perhitungan nilai histogram akan menjadi lebih akurat.
12 64 Output : Gambar 3.5 Fitur vektor HSV yang akan di training Pelatihan SVM (SVM Training) Input : Gambar 3.6 Kumpulan Fitur Vektor HSV yang telah terindeks Proses : Machine learning yang digunakan disini adalah berjenis supervised machine learning, yaitu SVM (Support Vector Machine). Adapun tujuan digunakannya machine learning disini adalah untuk mengotomatisasi pengklasifikasian jenis objek yang disimbolkan dengan sekumpulan kata. Selama ini SVM dikenal sebagai binerize machine learning, yakni machine learning yang hanya dapat membagi kelasnya menjadi 2 kelas ( kelas positif
13 65 dan kelas negatif). Dengan mengikuti perkembangan terkini dalam SVM, akhirnya digunakan multi-class SVM. Dengan multi-class SVM ini, dapat digunakan untuk membentuk lebih dari 2 kelas yang merupakan model pengetahuan dalam menentukan label yang cocok untuk suatu objek. Sebelum kumpulan fitur vektor dari sebuah objek di citra di latih ke dalam SVM, fitur vektor tersebut di scale terlebih dahulu. Keuntungan mengscale nilai-nilai tersebut untuk menghindari atribut dalam rentang nilai yang lebih besar mendominasi atribut dengan rentang nilai yang lebih kecil, juga untuk menghindari kesulitan numerik pada saat kalkulasi. Karena nilai kernel biasanya tergantung pada inner product dari fitur vektor. Kemudian kumpulan fitur vektor dari setiap label di-map kedalam ruang k-dimensi. K merupakan jumlah fitur vektor yang digunakan pada sebuah objek. Sebagai ilustrasi, jika fitur vektor yang digunakan sebanyak 3 buah, maka dapat digambarkan dengan meletakkan salah satu objek ke dalam ruang 3 dimensi. Nantinya setiap objek akan memiliki koordinat masing-masing sesuai fitur vektornya. Pemilihan kernel juga merupakan salah satu faktor yang penting, kernel digunakan untuk membuat hyperplane pada SVM sebagai classifier. Dalam kasus ini digunakan kernel RBF (Radial Basis Function) yang tergolong kernel non-linear. Tujuan digunakannya kernel non-linear adalah agar nantinya hasil pengklasifikasiannya dapat lebih akurat, karena tidak terhambat oleh kekurangan dari kernel linear. Kernel linear hanya dapat membentuk hyperplane yang berbentuk garis lurus saja, sehingga memungkinkan terjadi
14 66 kesalahan dalam pengklasifikasian objek. Dengan kernel non-linear akan didapat hyperplane yang tidak berupa garis lurus, sehingga tingkat kesalahan yang mungkin terjadi akan lebih kecil dibandingkan dengan kernel linear. Output : Gambar 3.7 Image Model berupa informasi Support Vector Klasifikasi Citra (Image Classification) Pengguna memberikan inputan citra dengan tujuan mendapat label dari objek-objek yang ada di dalam citra sesuai dengan jenis kelas yang terdapat dalam mesin pembelajaran. Adapun urutan prosesnya berupa preprocessing dari citra inputan dengan tujuan agar hasilnya lebih optimal dan konsisten. Dari tahap preprocessing, citra kemudian disegmentasi menjadi bagian-bagian yang lebih kecil, bagian-bagian ini dimaksudkan dengan pemisahan objek-objek yang ada di dalam citra agar berdiri sendiri dan dapat di proses masing-masing. Setelah itu, masing-masin g
15 67 objek ini akan diambil fiturnya dan disimpan ke dalam fitur vektor. Fitur vektor inilah yang nantinya digunakan dalam tahap klasifikasi untuk mengklasifikasikan label dari objek, label didapat dengan membandingkan fitur vektor dari citra yang diberikan oleh pengguna dengan model pengetahuan yang telah terbentuk dari proses pelatihan sebelumnya Sebelum Pengolahan (Preprocessing) Input : Gambar 3.8 Citra dengan Resolusi 1024 x 768 Proses : Tahap ini memegang peranan penting dalam keberhasilan sistem mengenali ciri dari sebuah objek. Sebelum melakukan ekstraksi fitur, dilakukan preprocessing berupa resize. Pengubahan ukuran citra bertujuan agar citracitra yang nantinya akan diambil fiturnya lebih konstan dalam ukuran, sehingga
16 68 tidak terdapat error dari perbedaan ukuran citra, sekaligus memudahkan dalam mengindeksan fitur faktornya. Disini citra di-resize menjadi ukuran 250 piksel x 250 piksel (berbentuk bujur sangkar). Resize dengan ukuran 250 piksel x 250 piksel bertujuan untuk menyeragamkan ukuran citra yang berbeda-beda serta untuk menghemat ruang penyimpanan, biaya komputasi menjadi lebih kecil (sistem dapat bekerja lebih cepat) dibandingkan jika tidak di-resize, dan tingkat error dalam pengindeksan menjadi lebih rendah, karena ukuran citra satu dengan yang lainnya sama (Ghandi, 2009, p188). Perbedaan tahap preprocessing pada pelatihan citra dengan preprocessing pada klasifikasi citra adalah pada citra yang menjadi masukkan pada masing-masing tahap. Output : Gambar 3.9 Citra Keluaran yang Resolusi 250 x 250
17 Segmentasi (Segmentation) Input : Gambar 3.10 Citra Masukkan yang Resolusi 250 x 250 Proses : Di tahap ini segementasi dilakukan dengan algoritma k-means. Adapun segmentasi k-means merupakan region based segmentation, dimana hasil segmentasi nantinya berupa region dengan bentuk ataupun batasan yang bersifat acak atau random, tergantung dari bentuk penyebaran warna pada sebuah citra. Proses pada segmentasi dengan algoritma k-means sendiri disini dibatasi dengan menentukan k (jumlah kelas) sebesar 3. Proses segmentasi berulang maksimal hingga ditemukan posisi sentroid lama dan sentroid baru yang tidak berbeda jauh dan terbentuk 3 kelas, maka proses segmentasi telah selesai. Urutan proses dalam segmentasi dengan k-means clustering berbasis warna adalah sebagai berikut: Klasifikasikan warna dalam ruang warna RGB atau hsv (hasil yang paling optimal didapatkan setelah dilakukan penelitian lebih lanjut) dilakukan
18 70 dengan 3-means clustering. Disini digunakan 3-means clustering karena pertimbangan bahwa didalam suatu citra landscape terdiri dari rata-rata 3 objek dan penentuan jumlah k yang terlalu banyak atau tidak sesuai dapat mengakibatkan akurasi menjadi menurun (Pham, 2006, p41). Setelah didapatkan klaster-klaster, selanjutnya untuk setiap objek di dalam citra inputan dan setiap piksel di dalam citra dilabel dengan index klaster. Sehingga secara tidak langsung terbentuk kelas-kelas yang berkorespondensi dengan objek-objek yang ada di dalam citra yang berupa matriks citra yang berisi indeks klaster. Gambar 3.11 Matriks Citra yang berisi Indeks Klaster Untuk ilustrasi, proses masking sebelum citra dipecah berdasarkan jumlah objek yang ditemukan di dalam citra berupa:
19 71 Gambar 3.12 Visualisasi Citra yang berisi Indeks Klaster Setelah masking, maka akan dibentuk citra-citra baru sejumlah objek yang berhasil ditemukan di dalam citra awal. Untuk kasus disini, menjadi 3 kelas citra baru. Output: Gambar 3.13 Citra- Citra Hasil Segmentasi
20 Ekstraksi Fitur (Feature Extraction) Input : Gambar 3.14 Citra Citra Hasil Segmentasi Proses : Fitur yang digunakan adalah warna, yang direpresentasikan dengan histogram warna dan color moment. Warna merupakan fitur yang umum digunakan sebagai fitur vektor dari sebuah citra ( Huang, 1997, p1). Histogram warna dari sebuah citra hampir merupakan sebuah sidik jari dari citra dan perbedaan histogram antar citra dapat digunakan untuk pencarian citra dalam basis data (Duckley, 2003, p40). Keuntungan histogram warna adalah mudah untuk dihitung dan tidak rentan terhadap perubahan orientasi sudut pandang.
21 73 Peggunaan fitur sendiri merupakan salah satu variabel penelitian, dimana nantinya akan terlihat fitur yang paling optimal untuk digunakan di dalam sistem ini. Adapun beberapa fitur warna yang digunakan antara lain, ruang warna (color space) digunakan HSV, RGB, dan RGBL dikombinasikan dengan fitur momen warna (color moment). Dimana dengan kombinasi ini, diharapkan keakuratan sistem dalan hal pengenalan warna menjadi lebih baik dibandingkan hanya menggunakan RGB saja tanpa melakukan perhitungan empiris untuk ruang warna yang lainnya dan menjadi lebih toleran terhadap noise yang ada pada sebuah citra yang akan di proses. Citra setelah melalui tahap preprocessing maka akan dilakukan ekstraksi fitur berupa histogram warna sebesar 32 bins dengan atau tanpa color moment dan diindeks kedalam file khusus yang digunakan sejumlah 96 dimensi untuk ruang warna HSV, 96 dimensi untuk ruang warna RGB, 128 dimensi untuk ruang warna RGBL. Untuk color moment terdiri dari 12 dimensi untuk RGBL ( 4 dimensi untuk mean, 4 dimensi untuk variance, dan 4 dimensi untuk gradient) dan 9 dimensi untuk HSV atau RGB (3 dimensi untuk mean, 3 dimensi untuk variance, dan 3 dimensi untuk gradient). 32 dimensi ini berarti rentang nilai warna yang bernilai 0 sampai dengan 255 disimpan kedalam 32 bin (kelompok nilai) dengan nilai 0-7,8-15,16-31, dst sebanyak 32 kelompok nilai. Semakin banyak bin yang digunakan sebagai fitur vektor, semakin unik pula polanya, tetapi memiliki kompensasi semakin besar pula nilai yang akan diindeks ke dalam fitur vektor yang mengakibatkan ruang penyimpanan yang bertambah. Dengan digunakan 32 bin diharapkan kinerja
22 74 sistem menjadi lebih baik dalam hal diferensiasi pola warna dan ruang penyimpanan yang tidak terlalu besar. Bayangkan jika menggunakan 256 bin (1 rentang warna disimpan sebagai 1 bin) yang berarti dimensi fitur vektor menjadi 256 X 4 = Tentu akan sangat menyita kapasitas ruang penyimpanan, belum lagi waktu komputasi yang dibutuhkan untuk sebuah citra menjadi berlipat ganda. Nilai histogram diderivasi hanya dari jumlah piksel-piksel yang berwarna selain hitam pekat (intensitas piksel bernilai 0 di dalam sebuah citra. Hal ini dilakukan karena selama proses pelatihan, kumpulan citra-citra merupakan hasil segmentasi dari sebuah citra yang utuh. Misalnya jika mau melatih label gunung maka kumpulan citra-citra yang akan digunakan dalam proses pelatihan hanya merupakan citra-citra hanya diambil segmen gunungnya saja, sedangkan area sisa disekitarnya diubah nilainya menjadi 0. Ini bertujuan agar proses pengenalan menjadi lebih akurat. Pada bagian normalisasi, proses perhitungan nilai histogram hanya memperhitungkan intensitas piksel selain nilai 0, ini bertujuan agar setiap citra dapat dihitung dengan adil. Jika memperhitungkan nilai 0, maka nilai histogram akan menjadi tidak akurat, sebab setiap segmen citra yang akan digunakan dalam tahap pengenalan, memiliki area sisa (yang tidak diproses) yang berbeda-beda. Contohnya : segmen gunung dari satu citra dengan citra yang lainnya tentu berbeda-beda ukurannya, sehingga area sisa untuk setiap citra juga berbeda-beda, ada yang banyak dan ada yang sedikit. Dengan menghilangkan piksel dengan nilai 0 di setiap citra, maka hasil perhitungan nilai histogram akan menjadi lebih akurat.
23 75 Output : Gambar 3.15 Hasil Ekstraksi Fitur HSV dari 3 citra inputan Klasifikasi (Classification) Input : Gambar 3.16 Hasil Ekstraksi Fitur HSV dari 3 citra inputan Proses : Pada tahap klasifikasi, fitur vektor yang didapat untuk setiap objek didalam citra diurutkan dan dibandingkan dengan model pengetahuan yang
24 76 telah terbentuk sebelumnya. Sama seperti pada tahap pelatihan, fitur vektor yang ada harus di scale terlebih dahulu, baru kemudian dimasukkan kedalam SVM untuk diklasifikasi. Disinilah terjadi proses otomatisasi pemberian label untuk objek-objek tersebut. Label untuk masing-masing objek ini nantinya akan dimasukkan atau disertakan kedalam citra dan menjadi lapisan informasi baru untuk sebuah citra. Selanjutnya tahap penyimpanan label untuk setiap objek yang ada di dalam sebuah citra sehingga menjadi lapisan informasi yang baru untuk citra tersebut. Pada sistem ini, anotasi dilakukan dengan menyimpan hasil peng-labelan objek ke dalam file dengan format xml. File xml ini nantinya akan menyertai citra tersebut sebagai metadatanya. Berikut contoh citra yang telah dianotasi : Gambar 3.17 Hasil Anotasi pada Citra inputan
25 77 Output : Gambar 3.18 Hasil Anotasi di dalam file xml Temu kembali Citra (Image Retrieval) Pengguna melakukan pencarian dengan mengetikkan kata-kata yang mewakili konten dari citra yang hendak ditemukannya. Proses yang terjadi ketika user memasukkan kata-kunci untuk citra yang dimaksud adalah sistem kemudian mencari kata-kunci yang dimaksud di dalam metadata dari citra-citra tersebut. Jika ditemukan, maka sistem akan mencari lokasi dari citra yang dimaksud melalui nama file citra yang ada di dalam metadata yang berupa file xml. Kemudian sistem menampilkan citra yang dimaksud. Dalam contoh disini, pengguna memasukkan kata rock dan melakukan pencarian yang dimaksud. Hasilnya berupa sejumlah citra yang memiliki kata-kata yang dimaksudkan oleh pengguna.
26 Gambar 3.19 Pencarian Citra dengan keyword rock 78
BAB 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 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 terperinciHASIL DAN PEMBAHASAN. B fch a. d b
7 dengan nilai σ yang digunakan pada tahap pelatihan sebelumnya. Selanjutnya dilakukan perhitungan tingkat akurasi SVM terhadap citra yang telah diprediksi secara benar dan tidak benar oleh model klasifikasi.
Lebih terperinciBAB III METODE PENELITIAN. tangan dengan menggunakan metode Support Vector Machine (SVM).
BAB III METODE PENELITIAN 3.1 Desain Penelitian Di dalam desain penelitian ini akan menggambarkan proses pengenalan tulisan tangan dengan menggunakan metode Support Vector Machine (SVM). Praproses Input
Lebih terperinciBAB 1 PENDAHULUAN. Pada tahun 1970an penelitian awal image retrieval dilakukan dengan
BAB 1 PENDAHULUAN 1.1 Latar belakang Pada tahun 1970an penelitian awal image retrieval dilakukan dengan menggunakan pendekatan pengindeksan dan informasi citra berbasis teks. Teknik pencarian berbasis
Lebih terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Pada bab pendahuluan ini akan diuraikan penjelasan mengenai latar belakang penelitian, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan
Lebih terperinciPENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR
PENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR Angga Lisdiyanto (1), Lukman Zaman P.C.S.W (2) Teknik Informatika, Universitas Islam Lamongan (1) Teknik Informatika, Sekolah
Lebih terperinciBAB I PENDAHULUAN. semakin tinggi jumlah citra dijital yang dapat diakses oleh pengguna. Basis data citra
BAB I PENDAHULUAN 1.1 Latar Belakang Dengan perkembangan teknologi informasi dan komunikasi yang semakin pesat, semakin tinggi jumlah citra dijital yang dapat diakses oleh pengguna. Basis data citra akan
Lebih terperinciIMAGE COLOR FEATURE. Achmad Basuki Politeknik Elektronika Negeri Surabaya
IMAGE COLOR FEATURE Achmad Basuki Politeknik Elektronika Negeri Surabaya Materi: 1. Image Color Feature 2. Application Using Image Color Feature 3. RGB-Cube 4. Histogram RGB Gabungan Layer Color Indeks
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 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 II LANDASAN TEORI
16 BAB II LANDASAN TEORI 2.1 Retrival Citra Saat ini telah terjadi peningkatan pesat dalam penggunaan gambar digital. Setiap hari pihak militer maupun sipil menghasilkan gambar digital dalam ukuran giga-byte.
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap
Lebih terperinciBab III ANALISIS&PERANCANGAN
3.1 Analisis Masalah Bab III ANALISIS&PERANCANGAN Pada penelitian sebelumnya yaitu ANALISIS CBIR TERHADAP TEKSTUR CITRA BATIK BERDASARKAN KEMIRIPAN CIRI BENTUK DAN TEKSTUR (A.Harris Rangkuti, Harjoko Agus;
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Sistem temu kembali konten citra (CBIR - Content-based Image Retrieval) saat ini merupakan bagian penting dalam teknologi temu kembali informasi citra
Lebih terperinciSeminar Nasional Inovasi Dan Aplikasi Teknologi Di Industri 2017 ISSN ITN Malang, 4 Pebruari 2017
PENGENALAN INDIVIDU BERDASARKAN SIDIK RUGAE PALATINA DENGAN MENGGUNAKAN METODE SINGULAR VALUE DECOMPOSITION SEBAGAI PENGOLAH EKSTRAKSI CIRI DAN SUPPORT VECTOR MACHINE SEBAGAI KLASIFIKATOR Shofi Annisa
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. perhitungan LSI dan juga interface yang akan dibuat oleh penulis.
BAB 3 PROSEDUR DAN METODOLOGI Pada Bab ini, penulis akan membahas mengenai prosedur dan metodologi seperti perhitungan LSI dan juga interface yang akan dibuat oleh penulis. 3.1 Sistem CBIR Gambar 3.1 Sistem
Lebih terperinci1. Pendahuluan 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Saat ini, kebutuhan manusia akan teknologi semakin meningkat karena tidak bisa dipungkiri bahwa teknologi tersebut dapat meringankan pekerjaan manusia. Hal ini juga diimbangi
Lebih terperinciBAB II DASAR TEORI. 2.1 Meter Air. Gambar 2.1 Meter Air. Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus
BAB II DASAR TEORI 2.1 Meter Air Gambar 2.1 Meter Air Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor,
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem yaitu dengan melakukan pengambilan data berupa foto fisik dari permukaan buah manggis kemudian melakukan sampling data
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Digital [3] Citra atau gambar didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y), di mana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap
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 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 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 terperinciSegmentasi Citra menggunakan Support Vector Machine (SVM) dan Ellipsoid Region Search Strategy (ERSS) Arimoto Entropy berdasarkan Ciri Warna dan Tekstur Lukman Hakim 1, Siti Mutrofin 2, Evy Kamilah Ratnasari
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini menggunakan jenis penelitian eksperimen, dengan tahapan penelitian sebagai berikut: 3.1 Pengumpulan Data Tahap ini merupakan langkah awal dari penelitian. Dataset
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinciBAB III ANALISIS MASALAH DAN RANCANGAN PROGRAM
BAB III ANALISIS MASALAH DAN RANCANGAN PROGRAM III.1. Analisis Sistem yang Sedang Berjalan Proses analisa sistem merupakan langkah kedua pada pengembangan sistem. Analisa sistem dilakukan untuk memahami
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dunia kesehatan dewasa ini tidak bisa dipisahkan dengan teknologi yang terus berkembang. Pengembangan teknologi yang erat kaitannya dengan dunia kesehatan atau dunia
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 terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciBAB III PROSEDUR DAN METODOLOGI. Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala
52 BAB III PROSEDUR DAN METODOLOGI 3.1 ANALISA MASALAH Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala melakukan proses retrival citra dan bagaimana solusi untuk memecahkan masalah
Lebih terperinciPENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL
Makalah Nomor: KNSI-472 PENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL Barep Wicaksono 1, Suryarini Widodo 2 1,2 Teknik Informatika, Universitas Gunadarma 1,2 Jl.
Lebih terperinciBAB I PENDAHULUAN. digunakan untuk identitas citra adalah nama file, tanggal pengambilan,
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Seiring berkembangnya teknologi, makin banyak pulalah hasil-hasil citra digital di berbagai aspek. Citra tersebut bisa merupakan hasil digitalisasi foto-foto analog,
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
1 BAB 1 PENDAHULUAN 1.1. Latar Belakang Kata kunci (keyword) merupakan kata-kata singkat yang dapat menggambarkan isi suatu artikel ataupun dokumen (Figueroa,et al. 2014). Kata kunci memberikan kemudahan
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciEkstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Ekstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE) I Gusti Rai Agung Sugiartha
Lebih terperinciAPLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN ALGORITMA SOBEL S EDGE DETECTION Arwin Halim 1, Hernawati Gohzali 2, In Sin 3, Kelvin Wijaya 4
APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN ALGORITMA SOBEL S EDGE DETECTION Arwin Halim 1, Hernawati Gohzali 2, In Sin 3, Kelvin Wijaya 4 1,2,3,4 Jurusan Teknik Informatika, STMIK Mikroskil, Medan 1,2,3,4
Lebih terperinciImplementasi Content Based Image Retrieval Untuk Menganalisa Kemiripan Bakteri Yoghurt Menggunakan Metode Latent Semantic Indexing
Implementasi Content Based Image Retrieval Untuk Menganalisa Kemiripan Bakteri Yoghurt Menggunakan Metode Latent Semantic Indexing Meivi Kartikasari, Chaulina Alfianti Oktavia Sekolah Tinggi Informatika
Lebih terperinciBAB 3 PENGENALAN KARAKTER DENGAN GABUNGAN METODE STATISTIK DAN FCM
BAB 3 PENGENALAN KARAKTER DENGAN GABUNGAN METODE STATISTIK DAN FCM 3.1 Gambaran Umum Gambar 3.1 Gambar Keseluruhan Proses Secara Umum 73 74 Secara garis besar, keseluruhan proses dapat dikelompokkan menjadi
Lebih terperinciBAB III ANALISIS DAN PENYELESAIAN MASALAH
BAB III ANALISIS DAN PENYELESAIAN MASALAH 3.1 Deskripsi Sistem Gambar III-1 Deskripsi Umum Sistem Pada gambar III-1 dapat dilihat deskripsi sistem sederhana yang mendeteksi intrusi pada jaringan menggunakan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah
BAB 3 METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Prosesor Intel (R) Atom (TM) CPU N550
Lebih terperinciBAB 1 PENDAHULUAN. dengan proses pengolahan citra digital (digital image processing), dimana data berupa
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada awalnya, komputer hanya dapat digunakan untuk melakukan pemrosesan terhadap data numerik. Tetapi pada sekarang ini, komputer telah membawa banyak perubahan dan
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 I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN Pada bab ini akan dibahas tentang latar belakang, perumusan masalah, tujuan penelitian, manfaat penelitian, dan kontribusi penelitian. Masalah-masalah yang dihadapi berkaitan dengan melakukan
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM
ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Dalam mengetahui suatu bahan jenis kulit cukup sulit karena bahan jenis kulit memeliki banyak jenis. Setiap permukaan atau tekstur dari setiap jenisnya
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Penggunaan citra yang semakin meningkat menimbulkan kebutuhan retrival citra yang juga semakin meningkat. Diperlukan suatu metode retrival citra yang efektif
Lebih terperinciPENCARIAN CITRA VISUAL BERBASIS ISI CITRA MENGGUNAKAN FITUR WARNA CITRA. Abstract
PENCARIAN CITRA VISUAL BERBASIS ISI CITRA MENGGUNAKAN FITUR WARNA CITRA Kusrini 1, Agus Harjoko 2 1 Dosen STMIK AMIKOM Yogyakarta 2 Dosen FMIPA Universitas Gadjah Mada Yogyakarta Abstract There are two
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 terperinciBAB III ANALISIS DAN PERANCANGAN
61 BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis 3.1.1 Analisis Permasalahan Proses Segmentasi citra dapat dilakukan dengan berbagai cara, antara lain dengan metode konvensional secara statistik maupun
Lebih terperinciBAB 3 METODOLOGI. 3.1 Kerangka Pikir
BAB 3 METODOLOGI 3.1 Kerangka Pikir Pengenalan sidik jari merupakan salah satu metode yang diterapkan pada teknologi yang digunakan manusia seperti pada mesin absensi, alat pengamanan pada brankas dan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinci1. BAB I PENDAHULUAN Latar Belakang
1 1. BAB I PENDAHULUAN Latar Belakang Iris mata merupakan salah satu organ internal yang dapat di lihat dari luar. Selaput ini berbentuk cincin yang mengelilingi pupil dan memberikan pola warna pada mata
Lebih 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 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 terperinciBAB 3 IMPLEMENTASI SISTEM
BAB 3 IMPLEMENTASI SISTEM Bab ini akan membahas mengenai proses implementasi dari metode pendeteksian paranodus yang digunakan dalam penelitian ini. Bab ini terbagai menjadi empat bagian, bagian 3.1 menjelaskan
Lebih terperinciPENGELOMPOKAN GAMBAR BERDASARKAN FITUR WARNA DAN TEKSTUR DENGAN FGKA CLUSTERING (FAST GENETICS K-MEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR
PENGELOMPOKAN GAMBAR BERDASARKAN FITUR WARNA DAN TEKSTUR DENGAN FGKA CLUSTERING (FAST GENETICS K-MEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR Dewi Wulansari, S.ST 1, Entin Martiana K, M.Kom 2, Nana Ramadijanti,
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
56 BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Algoritma Prosedur Klasifikasi Dalam sistem Pengenalan Tulisan Tangan ini input berupa sebuah citra karakter, yang akan diproses menjadi fitur yang merupakan
Lebih terperinciBAB II TEORI DASAR. Beberapa definisi tentang tutupan lahan antara lain:
BAB II TEORI DASAR 2.1 Tutupan Lahan Tutupan Lahan atau juga yang biasa disebut dengan Land Cover memiliki berbagai pengertian, bahkan banyak yang memiliki anggapan bahwa tutupan lahan ini sama dengan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teknologi internet berkembang dengan sangat pesat dan sangat mudah sekali untuk mengaksesnya. Akan tetapi, didalamnya terdapat banyak konten yang
Lebih terperinciBAB IV HASIL DAN PENGUJIAN. Perancangan perangkat lunak terdiri dari beberapa bagian, yaitu perangkat
BAB IV HASIL DAN PENGUJIAN Perancangan perangkat lunak terdiri dari beberapa bagian, yaitu perangkat lunak berbasis shadow feature dan multi layer perceptron (MLP), pada bagian shadow feature bagian input
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kredit merupakan salah satu bentuk usaha sekunder yang dapat dilakukan untuk pemenuhan kebutuhan sehari-hari. Pada umumya, proses kredit dapat dilayani melalui lembaga
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN PENGHAPUSAN TEKSTUR DAN K-MEANS DENGAN BATASAN RUANG
SEGMENTASI CITRA MENGGUNAKAN PENGHAPUSAN TEKSTUR DAN K-MEANS DENGAN BATASAN RUANG Gama Wisnu Fajarianto 1, Handayani Tjandrasa 2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi
Lebih terperinciBAB I PENDAHULUAN. Pada zaman sekarang ini bagi sebagian masyarakat kendaraan bermotor
BAB I PENDAHULUAN 1.1 Latar Belakang Pada zaman sekarang ini bagi sebagian masyarakat kendaraan bermotor jenis mobil ataupun sepeda motor tidak lagi menjadi kebutuhan sekunder, melainkan telah menjadi
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1. Wilayah dan Jadwal Penelitian Wilayah penelitan adalah Kota Banda Aceh. Penelitian ini dilakukan mulai bulan April sampai Juli 2014. 3.2. Populasi dan Sampel Populasi dalam
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 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Identifikasi Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang 1.1.1. Identifikasi Masalah Penggunaan citra digital telah menjadi semakin popular akhir-akhir ini. Hal ini menyebabkan program pengolah grafis untuk memanipulasi citra
Lebih terperinciPENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN
PENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN 1008605032 JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini dibahas teori yang digunakan sebagai landasan pengerjaan Support Vector Backpropagation. Pembahasan bertujuan untuk menguraikan teori dan algoritma yang digunakan dalam
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciMETODE PENELITIAN. Gambar 2 Metodologi penelitian.
4 penelitian i, kata diasosiasikan dengan anotasi citra (kata) dan dokumen diasosiasikan dengan citra. Matriks kata-citra tersebut didekomposisi meadi : A USV T dengan A adalah matriks kata-citra, matriks
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Deteksi wajah pada suatu citra merupakan bagian yang penting dalam perkembangan sistem pengenalan wajah (Face Recognition). Pengenalan wajah banyak digunakan untuk
Lebih terperinciKLASIFIKASI CITRA FORMULIR MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) PADA PROSES DIGITALISASI FORMULIR
KLASIFIKASI CITRA FORMULIR MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) PADA PROSES DIGITALISASI FORMULIR Dewi Pramudi Ismi 1), Ardiansyah 2) 1 Program Studi Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciV HASIL DAN PEMBAHASAN
22 V HASIL DAN PEMBAHASAN 5.1 Karakteristik Video dan Ektraksi Frame Video yang digunakan di dalam penelitian ini merupakan gabungan dari beberapa cuplikan video yang berbeda. Tujuan penggabungan beberapa
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 terperinciBAB I PENDAHULUAN. Bab pertama ini terbagi menjadi enam bagian yang masing-masing akan
BAB I PENDAHULUAN Bab pertama ini terbagi menjadi enam bagian yang masing-masing akan menjelaskan rmengenai latar belakang, pendefinisian masalah, tujuan dari penelitian, ruang lingkup, metodologi penelitian
Lebih terperinciFourier Descriptor Based Image Alignment (FDBIA) (1)
Fourier Descriptor Based Image Alignment (FDBIA) (1) Metode contour tracing digunakan untuk mengidentifikasikan boundary yang kemudian dideskripsikan secara berurutan pada FD. Pada aplikasi AOI variasi
Lebih terperinciBAB I PENDAHULUAN. Bab I Pendahuluan
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Perkembangan ilmu biomedikal telah mendorong banyak penelitian dilakukan untuk menghasilkan alat bantu diagnosa berbasis komputer. Salah satunya yaitu pendeteksian
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 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 terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi perangkat lunak dewasa ini tidak terlepas dari berkembangnya studi mengenai kecerdasan buatan. Ada dua hal yang termasuk dari kecerdasan buatan
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer Vision didefinisikan sebagai salah satu cabang ilmu pengetahuan yang mempelajari bagaimana computer dapat mengenali obyek yang diamati. Computer Vision
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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan membahas landasan teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teknik-teknik yang dibahas mengenai pengenalan pola, prapengolahan citra,
Lebih terperinciFERY ANDRIYANTO
SISTEM ANALISA IMAGE PROCESSING UNTUK MENCARI KEMIRIPAN PADA TEKSTUR WARNA KULIT MANUSIA MENGGUNAKAN HISTOGRAM WARNA SKRIPSI Oleh : FERY ANDRIYANTO 0734010123 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI
Lebih terperinciBAB II DASAR TEORI. Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma.
BAB II DASAR TEORI Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma. 2.1. Microsoft Visual Studio Microsoft Visual Studio adalah sebuah software yang
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 terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN 41 Analisa Analisa merupakan tahap paling utama dalam melakuakan penelitian Tahapan analisa digunakan untuk menganalisa permasalahan yang berhubungan dengan penelitian yang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini teknologi sudah semakin berkembang, hal ini tentunya memberi pengaruh juga dalam berkembangnya ilmu pengetahuan. Perkembangan tersebut juga berpengaruh pada
Lebih terperinciTidak ada tepat satu teori untuk menyelesaikan problem pengenalan pola Terdapat model standar yang dapat dijadikan teori acuan
Terdapat banyak jenis pola: Pola visual Pola temporal Pola logikal Tidak ada tepat satu teori untuk menyelesaikan problem pengenalan pola Terdapat model standar yang dapat dijadikan teori acuan Statistik
Lebih terperinciKlasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra
Jurnal Ilmiah Ilmu Komputer, Vol 15 No. 2, Desember 2010 : 38-41 Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra Vera Yunita, Yeni Herdiyeni Departemen Ilmu
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Tulisan Tangan angka Jawa Digitalisasi Pre-Processing ROI Scalling / Resize Shadow Feature Extraction Output Multi Layer Perceptron (MLP) Normalisasi
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 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 terperinciVI. HASIL DAN PEMBAHASAN. Warna merupakan ciri dominan yang bisa dibedakan secara visual untuk
VI. HASIL DAN PEMBAHASAN A. Segmentasi Warna merupakan ciri dominan yang bisa dibedakan secara visual untuk mendapatkan informasi dari basisdata citra. Segmentasi warna adalah proses mengelompokkan citra
Lebih terperinci