Gambar 2 Prinsip pencarian: (a) struktur dan area-area pencarian, (b) jumlah dari garis-garis sampling (Sumber: (Kirchgeβner et al. 2002).
|
|
- Ratna Setiabudi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 6 kebanyakan informasi tentang suatu garis tepi objek akan berada pada frekuensi rendah dari transformasi Fourier diskret (Petković & Krapac 2002). Pada penerapan ekstraksi venasi daun, inisialisasi parameter pencarian struktur venasi secara automatis diusulkan dengan menggunakan SHT. Citra biner venasi menjadi masukan bagi SHT untuk menemukan garis pada citra. Dari setiap titik hasil deteksi tepi dibuat sejumlah garis dengan panjang (rho) dan orientasi (theta) yang berbeda-beda. Pada penelitian ini digunakan resolusi rho = 1 dan resolusi theta = 10. Jumlah peak yang digunakan sebesar 50 peak. Panjang garis yang akan ditemukan minimal 7 piksel. Garis-garis yang terdeteksi dari penerapan SHT menjadi acuan pencarian struktur venasi daun. Setiap titik awal dari suatu garis hasil deteksi menjadi titik awal pencarian venasi dan titik akhir dari garis tersebut menjadi panduan arah pencarian. Pencarian titik-titik venasi memindai areaarea A s dengan panjang 5 piksel dan lebar 3 piksel pada arah pencarian yang telah dispesifikasikan. Jika suatu garis berorientasi θ, rentang arah pencarian dari suatu titik dispesifikasikan sebagai rentang θ-35 sampai θ+35 (lihat Gambar 2a). Setiap area sampling dibandingkan dengan ukuran kualitas masingmasing. Titik akhir dari area terbaik diambil sebagai titik inisial awal yang baru dan orientasi dari area terbaik sebagai orientasi pencarian yang baru. Gambar 2 Prinsip pencarian: (a) struktur dan area-area pencarian, (b) jumlah dari garis-garis sampling (Sumber: Kirchgeβner et al. 2002). Venasi pada citra venasi hasil deteksi tepi merupakan garis yang lebih terang daripada latar belakang. Jadi, penambahan semua garis pada area sampling (lihat Gambar 2b) menghasilkan suatu vektor jumlah nilai piksel sepanjang garis pada area. Turunan kedua dari setiap vektor jumlah nilai piksel dihitung dengan Laplacian diskret [1, -2, 1] dan menjadi ukuran kualitas area. Nilai maksimum mengindikasikan arah venasi yang paling signifikan. Struktur venasi yang ditemukan direpresentasikan berupa suatu set b-spline (Kirchgeβner et al. 2002). 4 Evaluasi Hasil Ekstraksi Evaluasi hasil ekstraksi fitur bentuk dilakukan dengan sistem, yaitu dengan penilaian tingkat keberhasilan dalam proses temu kembali terhadap semua koleksi citra daun pada pangkalan data. Proses ini melibatkan pengukuran tingkat kemiripan dan penghitungan nilai recall dan precision hasil temu kembali. Perbandingan dengan metode ekstraksi fitur bentuk HT juga dilakukan. Pengukuran tingkat kemiripan pada fitur bentuk dari Fourier descriptor menggunakan ukuran MSE (Persamaan 15). Ukuran MSE menentukan kemiripan dua kurva dan hasil transformasi Fourier terhadap boundary citra daun. Kurva atau Fourier descriptors dari setiap daun disimpan sebagai indeks dalam proses temu kembali citra daun. Perhitungan recall dan precision berdasarkan penilaian relevansinya (gugus jawaban). Perhitungan nilai recall dilakukan dengan membandingkan citra hasil temu kembali dengan citra yang relevan di dalam pangkalan data. Precision diperoleh dengan membandingkan citra hasil temu kembali yang relevan dengan semua citra yang berhasil ditemukembalikan. Evaluasi hasil ekstraksi venasi dilakukan secara visual. Persentase banyaknya hasil ekstraksi yang sempurna pada beberapa contoh citra daun yang diekstraksi menjadi acuan evaluasi ekstraksi venasi. HASIL DAN PEMBAHASAN 1 Ekstraksi Fitur Bentuk Pengekstraksian fitur bentuk pada citra daun melibatkan perbandingan penerapan pemodelan Fourier dengan metode HT. Metode HT yang digunakan adalah HT dengan pendekatan elips hasil penelitian Wahyuningsih (2006). Hasil Praproses Pada tahap awal praproses, dilakukan pembersihan data secara manual sehingga citra hanya memuat satu daun dengan latar belakang putih. Selanjutnya, dilakukan proses pendeteksian tepi untuk penerapan metode HT dan segmentasi thresholding untuk penerapan ekstraksi fitur bentuk daun dengan pemodelan Fourier. Pendeteksi tepi yang digunakan pada metode HT hasil penelitian Wahyuningsih (2006) adalah pendeteksi tepi Canny. Hasil deteksi tepi dan segmentasi dapat dilihat pada Gambar 3.
2 7 Hasil Metode HT dan Pemodelan Fourier Pada penerapan pemodelan Fourier, citra biner hasil segmentasi dilintasi dengan interval satu piksel sehingga semua titik garis tepi terlintasi dan kembali ke titik asal lintasan dan akhirnya membentuk suatu kurva tertutup. Titik-titik yang dilintasi direpresentasikan sebagai bilangan kompleks dan ditransformasi dengan transformasi Fourier. Hasil transformasi dinamakan Fourier descriptors. Histogram Fourier descriptor untuk empat citra daun diperlihatkan pada Gambar 4. kedekatan ciri hasil HT dan ukuran MSE antar dua kurva digunakan untuk mengukur kedekatan kurva hasil transformasi Fourier. Penentuan Relevansi Citra Pada pangkalan data terdapat 1100 buah citra dari kesebelas jenis daun yang digunakan dengan 100 buah citra untuk setiap jenis daun. Dengan demikian, untuk setiap kueri terdapat 100 buah citra relevan di dalam pangkalan data yang penilaian relevansinya berdasarkan atas kesamaan jenis daun. Gambar 3 Hasil deteksi tepi Canny dan segmentasi histogram-based thresholding pada citra daun (a) avokad, (b) kepel, (c) bisbul dan (d) jamblang. Pada penerapan metode HT, dari titik tepi hasil deteksi tepi dibuat sejumlah elips dengan panjang sumbu mayor dan minor yang berbedabeda. Titik tepi menjadi titik pusat elips-elips yang dibangkitkan. Jumlah peak pada HT yang digunakan sebesar sepuluh peak. Hasil HT diperlihatkan pada Gambar 7. Pengukuran Tingkat Kemiripan Dengan menggunakan semua koleksi sebagai pengujian dilakukan proses temu kembali citra untuk mengukur tingkat kemiripan berdasarkan kedekatan ciri yang diperoleh dari HT dan pemodelan Fourier. Perhitungan jarak Euclidean digunakan untuk mengukur Gambar 4 Histogram Fourier descriptor citra daun (a) avokad, (b) kepel, (c) bisbul dan (d) jamblang. Penilaian relevansi tersebut digunakan sebagai acuan pada saat melakukan evaluasi terhadap hasil temu kembali untuk setiap citra kueri. Gambar 5 dan 6 memperlihatkan bahwa citra hasil temu kembali tidak sepenuhnya berasal dari jenis yang sama dengan citra kueri.
3 8 Gambar 5 Contoh hasil temu kembali menggunakan fitur bentuk HT. Gambar 6 Contoh hasil temu kembali menggunakan fitur bentuk Fourier descriptor.
4 9 Gambar 7 Hasil transformasi Hough elips pada citra daun (a) avokad, (b) kepel, (c) bisbul dan (d) jamblang. Untuk melihat tingkat keberhasilan temu kembali dengan fitur bentuk dari HT dan Fourier descriptor, dilakukan evaluasi dengan menghitung nilai recall dan precision dari proses temu kembali citra. Nilai rataan precision hasil temu kembali citra dan grafik recall-precision untuk kedua metode disajikan pada Tabel 1 dan Gambar 8 secara berurutan. Tabel 1 Recall Nilai rataan precision hasil temu kembali citra Hough Transform Precision Fourier Descriptor Rataan Precision Gambar 8 Grafik recall-precision hasil temu kembali citra menggunakan fitur bentuk Fourier descriptor dan HT. Gambar 8 memperlihatkan grafik pemodelan Fourier pada setiap recall berada di atas grafik HT. Hal ini menunjukkan bahwa pemodelan Fourier lebih efektif daripada metode HT dalam pengekstraksian fitur bentuk pada citra daun. Rataan precision yang lebih rendah pada temu kembali menggunakan fitur bentuk HT dikarenakan HT tidak menjamin ditemukembalikan citra relevan yang berbeda orientasi, skala maupun posisi. Pada Gambar 5 terlihat bahwa temu kembali dengan fitur bentuk HT hanya menemukembalikan citra yang memiliki orientasi, skala dan posisi daun yang hampir sama dengan orientasi, skala dan posisi daun pada citra kueri. Pada Gambar 6 temu kembali menggunakan fitur bentuk Fourier descriptor bisa menemukembalikan citra relevan dengan objek daun berbeda orientasi, skala dan posisi. Properti fourier descriptors yang invarian terhadap efek rotasi, dilatasi dan translasi mampu meningkatkan rataan precision. 2 Ekstraksi Venasi Daun Penelitian ini mengusulkan SHT untuk inisialisasi parameter pencarian struktur venasi secara automatis. SHT mendeteksi garis-garis yang terdapat pada citra venasi daun dan menjadi acuan dalam pencarian venasi lebih lanjut. Struktur venasi yang ditemukan dimodelkan berupa suatu set b-spline. Hasil Praproses Pada tahap awal praproses, dihasilkan citra yang memuat garis tepi daun dan garis venasi. Isolasi garis venasi terhadap garis tepi daun menghasilkan citra yang memuat garis venasi saja. Beberapa citra venasi ditampilkan pada Gambar 9a s.d 9e.
5 Hasil Pemodelan B-spline Venasi Daun 10 Garis-garis yang terdeteksi dari penerapan SHT menjadi acuan pencarian struktur venasi daun. Setiap titik awal dari suatu garis hasil deteksi menjadi titik awal pencarian venasi dan titik akhir dari garis tersebut menjadi panduan arah pencarian. Hasil pencarian struktur venasi yang ditemukan direpresentasikan berupa suatu set b-spline. Gambar 11 memperlihatkan suatu set b-spline yang diperoleh dalam pencarian venasi pada beberapa citra daun. (a) (b) Gambar 9 Citra venasi hasil deteksi tepi Canny pada citra daun (a) avokad, (b) jambu biji, (c) jambu bol, (d) menteng dan (e) nangka. Hasil Deteksi Garis Citra biner venasi menjadi masukan bagi SHT untuk menemukan garis pada citra. Hasil deteksi garis disajikan pada Gambar 9. Gambar 10 Hasil deteksi garis dengan SHT pada citra daun (a) avokad, (b) jambu biji, (c) jambu bol, (d) menteng dan (e) nangka. (c) (e) (d) Gambar 11 Hasil ekstraksi venasi citra daun (a) avokad, (b) jambu biji, (c) jambu bol, (d) menteng dan (e) nangka. Gambar 11 memperlihatkan bahwa venasi pada citra daun dapat diekstraksi dengan melibatkan SHT dalam penentuan parameter pencarian struktur secara automatis. SHT mampu mengestimasi titik awal dan arah pencarian struktur. Ketidakpekaan SHT terhadap noise dan kemampuan menemukan garis bahkan pada area dengan ketidakhadiran piksel (pixel gaps) mendukug estimasi titik awal dan arah pencarian struktur yang benar. Namun berbeda dengan metode orisinal, informasi hierarki venasi hilang, tidak lagi dikenal venasi utama dan venasi samping. Kelebihan dari perbaikan ini selain automasi parameter
6 11 pencarian struktur adalah pencarian garis venasi tidak tergantung pada hasil pencarian venasi utama. Pada metode orisinal, venasi samping dicari berdasarkan titik-titik venasi utama yang telah ditemukan sebelumnya. Evaluasi Visual Ekstraksi venasi dicobakan pada beberapa citra daun, dengan 10 sampel citra daun dari setiap spesies. Hasil ekstraksi dinilai secara visual dengan penilaian 0, 1 dan 2. Penilaian 0 untuk hanya venasi utama yang terdeteksi, 1 untuk venasi utama dan samping terdeteksi dengan kurang sempurna serta 2 untuk venasi utama dan samping terdeteksi sempurna. Hasil ekstraksi dan skor penilaian untuk jenis daun nangka dan manggis disajikan pada Tabel 2 dan 3. Hasil ekstraksi citra jenis daun lainnya disajikan pada Lampiran 2. Tabel 2 Hasil ekstraksi dan skor penilaian pada citra daun nangka Hasil Deteksi Tepi dan Venasi Keterangan Hasil Deteksi Tepi dan Venasi Keterangan atas Skor: 1 ujung daun tertekuk atas atas
7 Tabel 3 Hasil ekstraksi dan skor penilaian pada citra daun manggis Hasil Deteksi Tepi dan Venasi Keterangan Hasil Deteksi Tepi dan Venasi Keterangan 12 Skor: 1 Skor: 1 Skor: 1 Perhatikan hasil deteksi tepi pada Tabel 2 dan 3. Deteksi tepi citra daun nangka dapat menemukan garis-garis venasi daun, sedangkan deteksi tepi citra daun manggis hanya mendeteksi garis venasi utama. Deteksi tepi tidak mampu mendeteksi garis venasi samping pada citra daun manggis. Hasil deteksi tepi berpengaruh pada hasil ekstraksi venasi. Tabel 2 memperlihatkan bahwa hasil ekstraksi venasi umumnya pada penilaian 2. Sebaliknya, Tabel 3 memperlihatkan bahwa hasil ekstraksi venasi umumnya pada penilaian 0 dan 1. Bila diperhatikan citra daun yang ada, kondisi daun kedua jenis tersebut berbeda. Venasi pada citra daun nangka terlihat, sedangkan venasi pada citra daun manggis kurang. Daun manggis secara fisik relatif tebal dan struktur tulang daun terbenam pada organ daun. Kondisi fisik daun menentukan hasil deteksi tepi dan pada akhirnya menentukan hasil ekstraksi venasi. Tabel 4 menyajikan secara ringkas total masing-masing skor penilaian hasil ekstraksi untuk setiap jenis daun. Hasil ekstraksi dengan penilaian 2 hanya berkisar 20%, penilaian 1 sebanyak 43,64% dan penilaian 0 sebanyak 36,36%. Hal ini mengindikasikan hasil ekstraksi venasi secara langsung pada citra daun secara umum kurang sempurna. Hasil ekstraksi dengan penilaian 0 secara umum merupakan hasil ekstraksi citra daun bisbul (10/10), durian (9/10), jamblang (8/10) dan manggis (7/10). Venasi daun keempat jenis daun ini secara kasat mata sama-sama tidak terlihat. Daun bisbul dan manggis relatif tebal sehingga terbenam pada organ daun. Daun durian dan jamblang memiliki
8 13 yang halus sehingga tersamar dengan organ daun. Seperti yang dibahas sebelumnya, kondisi fisik daun mempengaruhi hasil deteksi tepi dan pada akhirnya mempengaruhi hasil ekstraksi venasi. Venasi daun kepel dan menteng secara fisik juga kurang. Terlihat pada Tabel 4 bahwa hasil ekstraksi kedua jenis daun ini berada pada penilaian 1. Venasi utama dan samping dapat tergambarkan ulang dengan representasi b- spline, tetapi kurang sempurna. Lima jenis daun lainnya secara fisik memiliki venasi daun yang. penilaian hasil ekstraksi venasi kelima jenis daun ini disajikan ulang pada Tabel 5 dan 6 dengan memperhatikan sisi daun yang dipotret. Tabel 5 menyajikan total penilaian untuk daun sisi atas dan Tabel 6 menyajikan total penilaian untuk daun sisi. Tabel 5 memperlihatkan bahwa sebagian besar hasil ekstraksi venasi citra daun dengan sisi atas berada pada penilaian kurang sempurna. Tabel 6 memperlihatkan bahwa lebih banyak hasil ekstraksi venasi citra daun dengan sisi berada pada penilaian sempurna. Namun, persentase penilaian kurang sempurna masih relatif besar. Tabel 4 skor penilaian hasil ekstraksi setiap jenis citra sampel Penilaian Hasil Ekstraksi Tidak Kurang Advokad Bisbul Kakao Durian Jamblang Jambu Biji Jambu Bol Kepel Manggis Menteng Nangka Persentase 36,36% 43,64% 20,00% Hasil ekstraksi dengan penilaian kurang sempurna secara umum merupakan hasil ekstraksi citra daun avokad dan jambu bol. Jika diperhatikan citra daun tersebut (Lampiran 2), pencahayaan dan kualitas citra hasil pemotretan daun dengan penilaian 1 ternyata kurang bagus. Berarti teknik akuisisi gambar (pemotretan) mempengaruhi hasil ekstraksi. Dengan kata lain, hasil ekstraksi venasi yang sempurna mensyaratkan teknik pemotretan yang baik. Tabel 5 penilaian ekstaksi venasi daun sisi atas Penilaian Hasil Ekstraksi Tidak Kurang Advokad Kakao Jambu Biji Jambu Bol Nangka Persentase 0% 78,95% 21,05% Tabel 6 penilaian ekstaksi venasi daun sisi Penilaian Hasil Ekstraksi Tidak Kurang Advokad Kakao Jambu Biji Jambu Bol Nangka Persentase 3,23% 45,16% 51,61% Kesimpulan KESIMPULAN DAN SARAN Ekstraksi bentuk dengan pemodelan Fourier berhasil diimplementasikan. Penciri dari pemodelan Fourier lebih efektif sebagai fitur bentuk daun daripada penciri HT. Hal ini dikarenakan properti fourier descriptors yang bebas terhadap posisi, orientasi dan ukuran objek pada citra. Ekstraksi venasi pada citra daun dengan pemodelan b-spline dengan automasi inisialisasi parameter pencarian awal berhasil diimplementasikan. Hasil ekstraksi venasi pada citra daun sangat dipengaruhi kondisi fisik daun, pemilihan sisi daun dan kualitas citra hasil pemotretan. Ekstraksi venasi dapat membedakan daun dengan venasi kurang dan venasi tampak. Pemilihan sisi daun bagian dan teknik pemotretan yang baik mendukung hasil ekstraksi yang sesuai. Saran Penelitian ukuran kesamaan antara satu set b-spline dengan satu set b-spline lainnya perlu dilakukan sehingga venasi dapat dipakai sebagai
EKSTRAKSI FITUR BENTUK DAN VENASI CITRA DAUN DENGAN PEMODELAN FOURIER DAN B-SPLINE RAHMADHANI M
EKSTRAKSI FITUR BENTUK DAN VENASI CITRA DAUN DENGAN PEMODELAN FOURIER DAN B-SPLINE RAHMADHANI M DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2009
Lebih terperinciHASIL DAN PEMBAHASAN. Data
dengan menggunakan model Bayesian Network. Nilai kemiripan dapat dihitung dengan Persamaan 21. P(I j Q)=n[1-(1-P(CS j CS)) x(1-p(ct j CT))] (21) dengan n adalah jumlah citra pada basis data, P(CS j CS)
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang ENDHULUN Saat ini kemampuan untuk dapat mengidentifikasi dan mengklasifikasi daun menadi kebutuhan yang besar bagi taksonomis dalam mengetahui keanekaragaman tanaman (Hickey et al 999).
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 terperinciPENDAHULUAN. Latar Belakang
Latar Belakang ENDHULUN Dalam ilmu biologi dan kehutanan, diketahui terdapat banyak enis daun dengan karakteristik (ciri) yang berbeda-beda. Hal tersebut menyebabkan sulitnya untuk melakukan pengenalan
Lebih 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 terperinciII TINJAUAN PUSTAKA. * adalah operasi konvolusi x dan y, adalah fungsi yang merepresentasikan citra output,
5 II INJAUAN PUSAKA.1 Fitur Scale Invariant Feature ransform (SIF) Fitur lokal ditentukan berdasarkan pada kemunculan sebuah objek pada lokasi tertentu di dalam frame. Fitur yang dimaksudkan haruslah bersifat
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengenalan Marka Jalan Marka jalan merupakan suatu penanda bagi para pengguna jalan untuk membantu kelancaran jalan dan menghindari adanya kecelakaan. Pada umumnya marka jalan
Lebih terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih 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 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 terperinciIII METODOLOGI PENELITIAN
13 III METODOLOGI PENELITIAN 3.1 Kerangka Penelitian Penelitian dilakukan dalam lima tahapan utama, yaitu ekstraksi frame video, ekstraksi fitur SIFT dari seluruh frame, pembentukan kantong kata visual
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 7 Diagram alur proses mutasi.
5 Mulai HASIL DAN PEMBAHASAN Kromosom P = rand [0,1] Ya P < Pm R = random Gen(r) dimutasi Selesai Tidak Gambar 7 Diagram alur proses mutasi. Hasil populasi baru yang terbentuk akan dievaluasi kembali dan
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 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 terperinciGambar 15 Contoh pembagian citra di dalam sistem segmentasi.
dalam contoh ini variance bernilai 2000 I p I t 2 = (200-150) 2 + (150-180) 2 + (250-120) I p I t 2 = 28400. D p (t) = exp(-28400/2*2000) D p (t) = 8.251 x 10-4. Untuk bobot t-link {p, t} dengan p merupakan
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 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 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 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 terperinciPanjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan,
Panjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan, misalnya penggabungan, +, maka panjang bin yang dihasilkan sebesar 28 bin. 2. Penggabungan operator dengan, Setiap histogram
Lebih terperinciMETODE CLUSTER SELF-ORGANIZING MAP UNTUK TEMU KEMBALI CITRA
1 METODE CLUSTER SELF-ORGANIZING MAP UNTUK TEMU KEMBALI CITRA Chita Ralina Rahardjo, Yeni Herdiyeni, Firman Ardiansyah Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian
Lebih terperinciFAKULTAS TEKNIK (FT) PROGRAM TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI 2016
DETEKSI KEMUNCULAN BULAN SABIT MENGGUNAKAN METODE CIRCULAR HOUGH TRANSFORM ARTIKEL Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program
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 terperinciHASIL DAN PEMBAHASAN. Tabel 1 Operator descriptor
Tabel 1 Operator descriptor Operator (P, R) Ukuran Blok (piksel) Kuantisasi Sudut (8, 1) 3 x 3 45 derajat (8, 2) 5 x 5 45 derajat (16, 2) 5 x 5 22.5 derajat (24, 3) 7 x 7 15 derajat Penentuan ukuran blok
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Bab ini menjelaskan mengenai tahapan analisis dan perancangan sistem yang akan dikembangkan, yaitu Sistem Identifikasi Buron. Bab ini terbagi atas 5 bagian yang
Lebih terperincipola-pola yang terdapat pada suatu daerah bagian citra. Tekstur juga dapat membedakan permukaan dari beberapa kelas.
Ruang Lingkup Penelitian Ruang Lingkup penelitian ini adalah: 1. Objek citra adalah data citra daun tumbuhan obat dan citra pohon tanaman hias di Indonesia. 2. Dalam penelitian ini operator MBLBP yang
Lebih terperinciBAB 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 terperinciDeteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna
F7 bentuk [5]. Pendekatan berbasis bentuk bibir menggunakan Deteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna Shinta Puspasari, STMIK lobal Informatika MDP Abstrak Metode yang
Lebih terperinciBAB III METODELOGI PENELITIAN
BAB III METODELOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan penelitian merupakan bagian yang berisi rancangan yang akan dilakukan dalam penelitian. Dimana tahap-tahapan pembangunan sistem ini dapat dilihat
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN A. PROGRAM PENGOLAHAN CITRA BIJI KOPI Citra biji kopi direkam dengan menggunakan kamera CCD dengan resolusi 640 x 480 piksel. Citra biji kopi kemudian disimpan dalam file dengan
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA A. Temu Kembali Citra Temu kembali citra adalah salah satu metodologi untuk penemuan kembali citra berdasarkan isi (content) citra. Citra memiliki informasi karakteristik visual berupa
Lebih terperinciKONSEP DASAR PENGOLAHAN CITRA
KONSEP DASAR PENGOLAHAN CITRA Copyright @ 2007 by Emy 2 1 Kompetensi Mampu membangun struktur data untuk merepresentasikan citra di dalam memori computer Mampu melakukan manipulasi citra dengan menggunakan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Citra merupakan hasil representasi atau duplikasi dari sebuah objek ataupun merupakan imitasi dari sebuah objek atau benda. Citra memiliki beberapa karakteristik yang
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Keamanan adalah masalah penting dalam kehidupan masyarakat pada saat ini. Terjadinya banyak tindak kejahatan dan pemalsuan identitas mengindikasikan bahwa masyarakat
Lebih terperinciAPLIKASI TRANSFORMASI HOUGH UNTUK EKSTRAKSI FITUR IRIS MATA MANUSIA
Seminar Nasional Teknologi Informasi 2007 1 APLIKASI TRANSFORMASI HOUGH UNTUK EKSTRAKSI FITUR IRIS MATA MANUSIA Murinto 1) Rusydi Umar 2) Burhanuddin 3) 1,2,3) Teknik Informatika Universitas Ahmad Dahlan
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Manusia memiliki kemampuan visual dalam satu sistem yang utuh. Sistem visual manusiatersebut terdiri atas gabungan dari proses perekaman dan pendeteksian obyek. Oleh
Lebih terperinciIMPLEMENTASI METODE MODIFIED HAUSDORFF DISTANCE DALAM MENILAI KEMIRIPAN CITRA. Andi Shahreza Harahap 1 Dini Sundani 2 Dewi Agushinta R 3.
IMPLEMENTASI METODE MODIFIED HAUSDORFF DISTANCE DALAM MENILAI KEMIRIPAN CITRA Andi Shahreza Harahap 1 Dini Sundani 2 Dewi Agushinta R 3 1, 2 Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas
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 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Video Video adalah teknologi untuk menangkap, merekam, memproses, mentransmisikan dan menata ulang citra bergerak. Teknologi ini biasanya menggunakan film seluloid, sinyal elektronik,
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 terperinciGLOSARIUM Adaptive thresholding Peng-ambangan adaptif Additive noise Derau tambahan Algoritma Moore Array Binary image Citra biner Brightness
753 GLOSARIUM Adaptive thresholding (lihat Peng-ambangan adaptif). Additive noise (lihat Derau tambahan). Algoritma Moore : Algoritma untuk memperoleh kontur internal. Array. Suatu wadah yang dapat digunakan
Lebih terperinciCreated with Print2PDF. To remove this line, buy a license at:
BAB III Pelaksanaan Penelitian Pada bab ini dibahas pelaksanaan ekstraksi unsur jalan secara otomatis yang terdiri dari tahap persiapan dan pengolahan data. Tahap persiapan yang terdiri dari pengambilan
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 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 terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Banyaknya aneka ragam tanaman yang dapat dijumpai dimana saja membuat sulitnya penentuan jenis tanaman. Salah satu masalah nyata yang ditemukan di bidang biologi atau
Lebih terperincicorak lukisan dengan seni dekorasi pakaian, muncul seni batik tulis seperti yang kita kenal sekarang ini. Kain batik merupakan ciri khas dari bangsa I
Pembuatan Perangkat Lunak Untuk Menampilkan Deskripsi Mengenai Batik dan Pola Citra Batik Berdasarkan Segmentasi Objek Maulana Sutrisna, maulanasutrisna@gmail.com Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciBAB 4 HASIL PENELITIAN DAN PEMBAHASAN. Berikut ini adalah contoh tampilan hasil dari kueri:
BAB 4 HASIL PENELITIAN DAN PEMBAHASAN 4.1 Proses Retrival Berikut ini adalah contoh tampilan hasil dari kueri: 1. Kategori Gajah Gambar 4.1 Hasil kueri kategori gajah dengan histogram biasa 48 Gambar 4.2
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 terperinciModel Citra (bag. 2)
Model Citra (bag. 2) Ade Sarah H., M. Kom Resolusi Resolusi terdiri dari 2 jenis yaitu: 1. Resolusi spasial 2. Resolusi kecemerlangan Resolusi spasial adalah ukuran halus atau kasarnya pembagian kisi-kisi
Lebih terperinciSEGMENTASI CITRA. thresholding
SEGMENTASI CITRA Dalam visi komputer, Segmentasi adalah proses mempartisi citra digital menjadi beberapa segmen (set piksel, juga dikenal sebagai superpixels). Tujuan dari segmentasi adalah untuk menyederhanakan
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 terperinciPengubahan Data Image Ikan Air Tawar ke Data Vektor menggunakan Edge Detection Metode Canny
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Pengubahan Data Image Ikan Air Tawar ke Data Vektor menggunakan Edge Detection Metode Canny Fety Fatimah 1, Gibtha Fitri Laxmi 2, Puspa Eosina 3 Universitas
Lebih terperinciEKSTRAKSI CIRI MORFOLOGI DAN TEKSTUR UNTUK TEMU KEMBALI CITRA HELAI DAUN ANNISA
EKSTRAKSI CIRI MORFOLOGI DAN TEKSTUR UNTUK TEMU KEMBALI CITRA HELAI DAUN ANNISA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2009 i EKSTRAKSI CIRI
Lebih terperinciGrafik yang menampilkan informasi mengenai penyebaran nilai intensitas pixel-pixel pada sebuah citra digital.
PSNR Histogram Nilai perbandingan antara intensitas maksimum dari intensitas citra terhadap error citra. Grafik yang menampilkan informasi mengenai penyebaran nilai intensitas pixel-pixel pada sebuah citra
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 terperinciCreated with Print2PDF. To remove this line, buy a license at:
BAB IV. Analisis Pada bab ini dibahas mengenai analisis terhadap citra aproksimasi dan hasil ekstraksi jalan pada citra aproksimasi tersebut untuk mendapatkan gambaran mengenai keterkaitan antara proses
Lebih terperinciOleh: Riza Prasetya Wicaksana
Oleh: Riza Prasetya Wicaksana 2209 105 042 Pembimbing I : Dr. I Ketut Eddy Purnama, ST., MT. NIP. 196907301995121001 Pembimbing II : Muhtadin, ST., MT. NIP. 198106092009121003 Latar belakang Banyaknya
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 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 2 LANDASAN TEORI
5 BAB 2 LANDASAN TEORI 2.1 Digital Image 2.1.1 Definisi Digital Image Menurut Gonzalez dan Woods (1992, p6), digital image adalah image f(x,y) yang telah dibedakan berdasarkan koordinat tata letak dan
Lebih terperincidengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan
dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang dapat diolah oleh komputer (Sutoyo & Mulyanto, 2009). Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Metode Perancangan Perancangan sistem didasarkan pada teknologi computer vision yang menjadi salah satu faktor penunjang dalam perkembangan dunia pengetahuan dan teknologi,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Penelitian ini merupakan penelitian di bidang pemrosesan citra. Bidang pemrosesan citra sendiri terdapat tiga tingkatan yaitu operasi pemrosesan citra tingkat rendah,
Lebih terperinciAplikasi Pengenalan Wajah Menggunakan Hough Transform Based Feature Extraction
Aplikasi Pengenalan Wajah Menggunakan Hough Transform Based Feature Extraction Septian Triadi 1, Leo Willyanto Santoso 2, Rudy Adipranata 3 Program Studi Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciBAB 4 PENGUJIAN DAN EVALUASI. teknik pemrosesan citra dengan menggunakan logika samar dan dengan teknikteknik
BAB 4 PENGUJIAN DAN EVALUASI 4.1 Pengujian Pengujian yang akan dilakukan buertujuan untuk melakukan perbandingan antara teknik pemrosesan citra dengan menggunakan logika samar dan dengan teknikteknik konvensional.
Lebih terperinciBAB 3 METODE PERANCANGAN
BAB 3 METODE PERANCANGAN 3.1 Konsep dan Pendekatan Tujuan utama yang ingin dicapai dalam pengenalan objek 3 dimensi adalah kemampuan untuk mengenali suatu objek dalam kondisi beragam. Salah satu faktor
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
Lebih terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Histogram dan Operasi Dasar Pengolahan Citra Digital 3 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 MAMPIR SEB EN TAR Histogram Histogram citra
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra 2.1.1 Definisi Citra Secara harfiah, citra adalah gambar pada bidang dwimatra (dua dimensi). Jika dipandang dari sudut pandang matematis, citra merupakan hasil pemantulan
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 terperinciPrincipal Component Analysis
Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA) Pembimbing: Dr.Ir.Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) Nimas Setya Yaniar 2208.100.616 POSE (posisi
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 terperinciAplikasi Citra Mosaik Panoramik
Aplikasi Citra Mosaik Panoramik Reyza Rizki Mahaputra dan Karmilasari Jurusan Sistem Informasi, Fakultas Ilmu Komputer dan Tekonologi Informasi, Universitas Gunadarma, Depok - Indonesia, [reyza riz, karmila]@staff.gunadarma.ac.id
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 terperinciImplementasi Metode Hough Transform Pada Citra Skeletonisasi Dengan Menggunakan MATLAB 7.6. Intan Nur Lestari
Implementasi Metode Hough Transform Pada Citra Skeletonisasi Dengan Menggunakan MATLAB 7.6 Intan Nur Lestari Fakultas Teknologi Industri Universitas Gunadarma Jl. Margonda Raya, 100, Pondok Cina, Depok
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 terperinciLatar Belakang 7/3/2014
DETEKSI FITUR DAN PENENTUAN POSISI HUMANOID SOCCER ROBOT DALAM LAPANGAN STANDAR ROBOCUP BEBASIS SENSOR ORIENTASI DAN PENANDA TIDAK UNIK OLEH : ACH HADI DAHLAN 2210100180 DOSEN PEMBIMBING : 1. PROF. DR.
Lebih terperinciPENDAHULUAN. Latar belakang
Latar belakang PENDAHULUAN Indonesia merupakan negara megabiodiversity yang memiliki kekayaan tumbuhan obat. Indonesia memiliki lebih dari 38.000 spesies tanaman (Bappenas 2003). Sampai tahun 2001 Laboratorium
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur maupun metode
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2. Penelitian Terdahulu Beberapa penelitian mengenai pengenalan tulisan tangan telah banyak dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur
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 terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Pengukuran Precision & Recall Pada penelitian ini, eksperimen dilakukan terhadap 1000 gambar corel yang terdiri dari 10 kategori gambar (setiap kategori terdiri atas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Digital Istilah citra biasanya digunakan dalam bidang pengolahan citra yang berarti gambar. Suatu citra dapat didefinisikan sebagai fungsi dua dimensi, di mana dan adalah
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 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 terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra digital merupakan sebuah fungsi intensitas cahaya, dimana harga x dan y merupakan koordinat spasial dan harga fungsi f tersebut pada setiap titik merupakan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Citra Citra merupakan salah satu komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Meskipun sebuah citra kaya akan informasi, namun sering
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Teori Umum 2.1.1. Warna Dengan menggunakan 3 buah reseptor manusia dapat membedakan banyak warna. Warna tricromatic RGB dalam sistem grafis umumnya menggunakan 3 byte (2 8 ) 3,
Lebih terperinciBAB II TEORI PENUNJANG
BAB II TEORI PENUNJANG 2.1 Computer Vision Komputerisasi memiliki ketelitian yang jauh lebih tinggi bila dibandingkan dengan cara manual yang dilakukan oleh mata manusia, komputer dapat melakukan berbagai
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 3 Contoh data Shorea hasil kodefikasi
8 disajikan contoh data Shorea hasil kodefikasi dari beberapa karakter yang bernilai nominal. Tabel 2 Karakter daun yang bernilai nominal Karakter Nilai Kode Bentuk tulang Tidak menempel 1 daun Permukaan
Lebih terperinciDeteksi Kepala Janin Pada Gambar USG Menggunakan Fuzzy C-Means (FCM) Dengan Informasi Spasial Dan Iterative Randomized Hough Transform (IRHT)
Deteksi Kepala Janin Pada Gambar USG Menggunakan Fuzzy C-Means (FCM) Dengan Informasi Spasial Dan Iterative Randomized Hough Transform (IRHT) Dwi Puspitasari 1 *, Handayani Tjandrasa 2 Jurusan Teknik Elektro,
Lebih terperinciAnalisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital
Analisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital Nurul Fuad 1, Yuliana Melita 2 Magister Teknologi Informasi Institut Saint Terapan & Teknologi
Lebih terperinciBAB 4 ANALISA DAN BAHASAN
BAB 4 ANALISA DAN BAHASAN 4.1 Spesifikasi Sistem Sistem pengenalan objek 3 dimensi terbagi atas perangkat keras dan perangkat lunak. Spesifikasi sistem baik perangkat keras maupun lunak pada proses perancangan
Lebih terperinciBAB 5 PEMBAHASAN. 39 Universitas Indonesia
BAB 5 PEMBAHASAN Dua metode penelitian yaitu simulasi dan eksperimen telah dilakukan sebagaimana telah diuraikan pada dua bab sebelumnya. Pada bab ini akan diuraikan mengenai analisa dan hasil yang diperoleh
Lebih terperinci