BAB 3 METODOLOGI. melakukan pengamatan dan analisis dari gambar yang didapat. Untuk bisa mendapatkan
|
|
- Adi Sanjaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah Analisis Kebutuhan Dalam melakukan analisa gambar mammogram, biasanya dokter secara langsung melakukan pengamatan dan analisis dari gambar yang didapat. Untuk bisa mendapatkan kesimpulan yang tepat, dibutuhkan gambar dengan kualitas tinggi dan ketelitian yang baik. Gambar mammogram dijital diciptakan untuk mengatasi hilangnya detail-detail pada gambar mammogram dengan cara melakukan image preprocessing. Setelah itu, diciptakan juga sebuah teknik yang bisa menganalisa gambar mammogram dijital tersebut, yang disebut juga sebagai CAD. Agar analisa dari dokter maupun CAD dapat berjalan dengan baik, secara ideal dibutuhkan gambar dijital yang mampu menampilkan semua informasi mammogram, sehingga fitur-fiturnya dapat diambil secara jelas. Setelah itu, dibutuhkan juga teknik klasifikasi yang handal untuk bisa melakukan membedakan jenis kanker berdasarkan fitur yang didapat. Khususnya untuk membedakan jenis microcalcification ke dalam jenis benign atau malignant. 36
2 Analisis Masalah Analisa yang dilakukan oleh dokter terhadap gambar mammogram tidak jarang menghasilkan kesimpulan yang merupakan false negative ataupun false positif. Di mana false negative dapat berakibat fatal bagi pasien dan false positive menyebabkan pasien harus menjalani biopsy yang tidak diperlukan. Diperkirakan, sekitar 25% dari kanker tidak terdeteksi oleh teknik analisis pada tahun Hal ini disebabkan oleh tingginya biaya untuk melakukan screening, radiologist yang kurang berpengalaman, dan kelelahan dalam melakukan pengamatan oleh manusia. Kanker payudara dapat dibedakan menjadi benign dan malignant berdasarkan mikrokalsifikasi yang ditemukan dalam gambar mammogram. Akan tetapi, proses klasifikasi ini sangat sulit untuk dilakukan secara tepat. Kenyataan yang terjadi adalah banyaknya false negative serta false positif akibat human error (kesalahan oleh dokter ataupun radiologist yang dikarenakan kelelahan, kondisi tubuh kurang fit, maupun ketidaktelitian). 3.2 Solusi Alternatif Untuk menghindari terjadinya false positive dan false negative, second opinion akan dibutuhkan untuk meyakinkan dokter dalam mengambil keputusan. Second opinion dapat diberikan oleh dokter lain atau radiologist yang berpengalaman dalam mengidentifikasi kalsifikasi pada gambar mammogram. Solusi ini kurang ideal karena menggunakan sumber daya minimal dua kali lebih banyak dalam melakukan identifikasi. Tingkat kesalahan untuk setiap dokter juga akan semakin meningkat apabila jumlah gambar mammogram yang harus diklasifikasi semakin
3 38 banyak. Hal ini bisa dipahami karena otak manusia memiliki batas kejenuhan yang bisa mempengaruhi keputusan yang diambil. 3.3 Metodologi Aplikasi Berbeda dengan otak manusia, komputer tidak memiliki titik jenuh dalam melakukan kalkulasi secara berulang-ulang. Klasifikasi gambar mammogram sudah dimungkinkan dengan berbagai macam teknik dan metode. Metode-metode yang digunakan menggunakan proses yang terdapat dalam computer vision yaitu image preprocessing seperti enchanced dan feature extraction, sedangkan klasifier yang digunakan untuk membedakan microcalcification merupakan benign atau malignant adalah SVM (Support Vector Machines).
4 39 Sample Image (Mammogram Image) Preprocess Preprocessed Mammogram Feature Extraction Mammogram Predefined Classes Features Training Offline Training Process Trained SVM Online Classification Process Mammogram Image Preprocess Preprocessed Mammogram Feature Extraction Features Classifying Diagnosed Mammogram Class (Normal) Diagnosed Mammogram Class (Benign) Normal Benign Abnormality Severity Abnormal Malignant Diagnosed Mammogram Class (Malignant) Gambar 3.3 Diagram Alur Aplikasi
5 Offline Training Process Pada proses ini, mula-mula dilakukan image preprocessing pada mammogram image yang dimasukkan. Setelah itu image tersebut diubah menjadi GLCM (Gray Level Co-occorence Matrix). Dari GLCM ini, kemudian diekstraklah fitur-fitur dengan tingkat diskriminator yang diinginkan. Fitur-fitur yang digunakan tidak dipilih secara acak, melainkan dipilih berdasarkan pemilihan fitur dengan pendekatan t-test sehingga didapat fitur-fitur yang dinilai mempunyai tingkat diskriminator tinggi. Pada penelitian ini, t-test tidak dilakukan karena sudah dilakukan dalam penelitian lain sebelumnya. Fitur-fitur tersebut antara lain mean of difference entropy, range of local homogeneity, dan range of difference variance. Kemudian dilakukanlah training dengan memasukkan fitur yang telah didapatkan dan class yang telah didefinisikan untuk jenis fitur tersebut sehingga kemudian didapatkanlah SVM terlatih yang dapat membedakan class dari mammogram image yang dimasukkan Online Classification Process Tahap ini tidak terlalu berbeda dengan proses training. Mula-mula dilakukan image preprocessing pada mammogram image yang dimasukkan. Lalu setelah diubah menjadi GLCM, diekstrak dan kemudian didapatkanlah fitur yang diinginkan. Setelah itu masukklah ke dalam proses pengklasifikasian yaitu dengan menggabungkan fitur yang didapat dengan SVM yang telah kita training sebelumnya. Maka kemudian akan didapatkan kelas untuk mammogram image tersebut, apakah positif kalsifikasi atau
6 41 negatif kalsifikasi. Jika positif kalsifikasi, maka akan dilakukan pengklasifikasian kembali apakah termasuk benign atau malignant Algoritma Diagnosis Load Image Image Enhancement Generate GLCM Feature Extraction Classification using SVM #1 Analyze calcification If NEGATIVE Classify as normal If POSITIVE Classification using SVM #2 Analyze Severity If BENIGN Classify as Benign If MALIGNANT Classify as Malignant Gambar Diagram Alur Algoritma
7 Image Preprocessing Proses image preprocessing pada gambar mammogram dilakukan untuk beberapa tujuan berikut ini: Meningkatkan kejelasan gambar agar feature dapat diambil dengan mudah Mengurangi ukuran gambar agar tidak membebani kerja CPU sehingga proses feature extraction dapat dilakukan dengan cepat Membuang detail gambar yang tidak diperlukan dalam proses feature extraction. Gambar yang diambil dari MIAS adalah berupa gambar grayscale 8 bit dengan 256 tingkat intensitas dengan ukuran 1024 x 1024 pixel. Tahapan preprocessing gambar mammogram yang dilakukan dapat dibagi menjadi 4 tahapan: Cropping (memilih ROI) High Pass Filtering Low Pass Filtering Histogram Equalization Image Cropping Tahapan awal dalam melakukan image preprocessing adalah dengan memotong (cropping) sebagian gambar mammogram untuk mendapatkan ROI (Region of Interest). ROI merupakan bagian yang dipilih sebagai sampel dalam dataset yang diidentifikasi untuk hasil yang lebih efektif dan efisien. Pemilihan ROI ini harus dilakukan dengan sebaik mungkin karena ROI ini sangat berperan penting dalam fitur yang akan didapatkan dan kemudian akan diekstrak pada nantinya.
8 43 Gambar Proses pemotongan gambar mammogram High Pass Filtering berikut ini: Pada tahapan High Pass Filtering, ROI dikonvolusikan dengan matriks kernel Hasil dari High Pass Filtering adalah sebuah gambar dengan penambahan ketajaman. Setelah itu, gambar tersebut ditambahkan kedalam ROI dengan bobot 50%. Berikut ini adalah ilustrasi High Pass Filtering yang digunakan:
9 44 Gambar Ilustrasi High Pass Filtering Tujuan dari High Pass Filtering adalah peningkatan kejelasan tekstur pada gambar mammogram. Dengan begitu, feature yang didapat nantinya bisa lebih diskriminatif Low Pass Filtering Pada tahapan Low Pass Filtering, gambar yang sebelumnya ditambahkan dengan hasil dari High Pass Filtering dikonvolusikan dengan matriks kernel berikut ini: Hasil dari Low Pass Filtering adalah sebuah gambar dengan pengurangan ketajaman. Setelah itu, gambar tersebut ditambahkan kedalam gambar sebelumnya dengan bobot 50%. Berikut ini adalah ilustrasi Low Pass Filtering yang digunakan:
10 45 Gambar Ilustrasi Low Pass Filtering Tujuan dari Low Pass Filtering adalah mendapatkan gambar yang lebih halus dan mengurangi tingkat keacakan pada GLCM akibat noise yang terjadi setelah High Pass Filtering. Dengan mengurangi noise, feature yang didapatkan nantinya akan lebih handal Histogram Equalization Pada tahapan Histogram Equalization, dilakukan penyebaran intensitas pada gambar agar feature menjadi lebih mudah terlihat. Nilai intensitas maksimum setelah Histogram Equalization adalah 255, sedangkan nilai minimumnya adalah 0. Berikut adalah ilustrasi gambar beserta histogramnya:
11 46 Gambar Ilustrasi gambar beserta histogramnya Gambar dari hasil histogram equalization menunjukkan garis batas yang lebih jelas pada gambar sel kalsifikasi yang ada di dalam ROI Feature Extraction Mammogram dijital dianalisis dengan menentukan ROI (Region of Interest) lalu mengubahnya menjadi GLCM (Gray Level Co-Occurrence Matrix) terlebih dahulu, yaitu suatu matriks yang merepresentasikan hubungan ketetanggaan antar piksel dalam gambar pada berbagai arah orientasi dan jarak spasial. Di dalam aplikasi ini, ada 4 GLCM yang digunakan dalam menentukan feature pada gambar mammogram, yaitu GLCM dengan jarak spasial 1 dan sudut 0 o, GLCM
12 47 dengan jarak spasial 1 dan sudut 45 o, GLCM dengan jarak spasial 1 dan sudut 90 o, dan GLCM dengan jarak spasial 1 dan sudut 135 o. Setelah memperoleh matriks kookurensi tersebut, dapat dihitung ciri statistik yang merepresentasikan gambar yang diamati. Berdasarkan data yang dipelajari, yang menjadi strong feature untuk deteksi kanker adalah mean of difference entropy, range of local homogeneity, dan range of difference variance. - Difference entropy dihitung dengan rumus: Lalu dihitung mean-nya (nilai rata-rata) - Local homogeneity dihitung dengan rumus: Lalu dihitung range-nya (nilai maksimum dikurangi nilai minimum) - Difference variance dihitung dengan rumus: Lalu dihitung range-nya (nilai maksimum dikurangi nilai minimum)
13 Support Vector Machine SVM yang digunakan dalam aplikasi ini diambil dari framework EMGU CV dengan memasukkan: using Emgu.CV.ML; using Emgu.CV.ML.Structure; Dengan cara ini, input yang dimasukkan berupa feature, dan output berupa kelas. Berdasarkan penelitian yang sudah dilakukan secara empiris, parameter yang dipakai untuk dimasukan ke dalam parameter SVM di emgu.cv.ml untuk mendapat hasil terbaik adalah sebagai berikut: kernel type linear svm type c_svc parameter c = 1 mcvtermcriteria(100,0.0001) Pembelajaran (training) dilakukan dengan menggunakan pasangan data input dan data output berupa sasaran yang diinginkan. Data input didapatkan dari hasil perhitungan GLCM yaitu feature mean of difference entropy, range of local homogeneity, dan range of difference variance. Data output didapatkan dari data MIAS. Untuk proses klasifikasi, hanya diperlukan feature mean of difference entropy, range of local homogeneity, dan range of difference variance dari image yang bersangkutan. Aplikasi ini memiliki 2 buah SVM yaitu abnormality untuk mengklasifikasikan ada atau tidaknya kalsifikasi dan severity untuk mengklasifikasi benign atau malignant. SVM severity akan otomatis dijalankan bila hasil dari SVM abnormality menyatakan bahwa ROI yang diambil tersebut positif mengandung kalsifikasi.
14 Pseudocode begin end load/choose image load SVM if needed flip image remove label endif select ROI (Cropping) image shrinking image enhancement convert image to GLCM calculate feature_1 = mean of difference entropy (d=1,θ =0 o, 45 o, 90 o, 135 o ) calculate feature_2 = range of local homogeneity (d=1,θ =0 o, 45 o, 90 o, 135 o ) calculate feature_3 = range of difference variance (d=1,θ =0 o, 45 o, 90 o, 135 o ) input to SVM for training and/or classifying if needed save image save SVM endif
SISTEM DIAGNOSIS MAMMOGRAM DIJITAL BERBANTUKAN KOMPUTER DENGAN MENGGUNAKAN TEKNIK EKSTRAKSI FITUR DAN SUPPORT VECTOR MACHINES
SISTEM DIAGNOSIS MAMMOGRAM DIJITAL BERBANTUKAN KOMPUTER DENGAN MENGGUNAKAN TEKNIK EKSTRAKSI FITUR DAN SUPPORT VECTOR MACHINES Hendry Kosasi Binus University, Jakarta, DKI Jakarta, Indonesia Kevin Setiawan
Lebih terperinciBAB 1 PENDAHULUAN. terjadi terhadap para wanita semenjak beberapa dekade terakhir ini. Tentunya hal ini
BAB 1 PENDAHULUAN 1.1 Latar Belakang Kanker payudara telah menjadi salah satu penyebab kematian terbesar yang terjadi terhadap para wanita semenjak beberapa dekade terakhir ini. Tentunya hal ini menjadi
Lebih terperinciBAB 3 METODOLOGI. untuk mengurangi adanya false positive dan false negative. False positive dalam hal ini
34 BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah Dalam proses diagnosis kanker payudara dibutuhkan akurasi yang tinggi untuk mengurangi adanya false positive dan false negative. False positive dalam
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. kanker payudara apakah tergolong normal atau abnormal (benign atau malignant)
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Sistem aplikasi yang kami kembangkan adalah sistem pengklasifikasian jenis kanker payudara apakah tergolong normal atau abnormal (benign atau malignant)
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 terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker merupakan proses penyakit yang terjadi karena sel abnormal mengalami mutasi genetik dari DNA seluler. Sel abnormal membentuk klon dan berproliferasi secara abnormal
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1. Implementasi Pengujian dalam penelitian ini dilakukan dengan menggunakan MATLAB 29. Citra mammogram yang digunakan dibagi menjadi tiga kelas, yaitu kelas Normal, Benign
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Kanker payudara merupakan salah satu penyebab kematian yang sering dialami oleh wanita pada usia lanjut. Tercatat bahwa pada tahun 2011, terdapat lebih
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker adalah suatu penyakit dimana terjadi pertumbuhan berlebihan atau perkembangan tidak terkontrol dari sel-sel jaringan pada bagian tubuh tertentu. Kanker payudara
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 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 terperinciKlasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM)
IJCCS, Vol.8, No.1, January 2014, pp. 59~68 ISSN: 1978-1520 59 Klasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM) Refta Listia* 1, Agus Harjoko 2 1 Prodi S2/S3 lmu
Lebih terperinciBAB 1 PENDAHULUAN. tubuh manusia. Hal itu dapat dipicu oleh berbagai faktor. Salah satunya adalah dari
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Di zaman ini, semakin banyak penyakit yang bermunculan dan terjangkit pada tubuh manusia. Hal itu dapat dipicu oleh berbagai faktor. Salah satunya adalah dari makanan
Lebih terperinciBAB III PEMBAHASAN. arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk
BAB III PEMBAHASAN Bab III merupakan pembahasan yang meliputi proses penelitian yaitu arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk klasifikasi stadium kanker payudara,
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA DETEKSI KANKER PAYUDARA PADA CITRA MIKROKALSIFIKASI MAMMOGRAFI DENGAN METODE NAIVE BAYES SKRIPSI
DETEKSI KANKER PAYUDARA PADA CITRA MIKROKALSIFIKASI MAMMOGRAFI DENGAN METODE NAIVE BAYES SKRIPSI MADHANAYU PUTRI TARISTA PROGRAM STUDI S-1 TEKNOBIOMEDIK DEPARTEMEN FISIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS
Lebih terperinciBAB IV PEMBAHASAN. Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil
BAB IV PEMBAHASAN Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil model Radial Basis Function Neural Network untuk diagnosa kanker otak, hasil klasifikasi, dan ketepatan hasil klasifikasinya.
Lebih terperinciBAB 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 terperinciPENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH
PENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH Rikko Ismail Hardianzah 1), Bambang Hidayat 2), Suhardjo 3) 1),2) Fakultas Teknik
Lebih 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 IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini, eksperimen dilakukan terhadap 3 metode NMF, yaitu normal NMF, Local NMF, dan nsnmf.untuk setiap metode NMF, eksperimenakan dilakukan
Lebih terperinciBAB 1 PENDAHULUAN Latar belakang masalah
BAB 1 PENDAHULUAN 1.1. Latar belakang masalah Saluran pernapasan pada manusia terdiri dari rongga hidung, faring, laring, trakea, percabangan bronkus dan paru-paru (bronkiolus, alveolus). Paru-paru merupakan
Lebih terperinciEKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX. Abstrak
EKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX Karina Auliasari, Bastian, Bella Fardani, Zulkifli, Ivandi Jurusan Teknik Informatika Fakultas Teknik
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini dilakukan eksperimen sebanyak dua kali. Eksperimen pertama dilakukan untuk menguji keberhasilan klasifikasi ROI ke dalam jenis keabnormalan,
Lebih terperinciBAB 1 PENDAHULUAN. di bidang pendidikan, keamanan, perkantoran, bahkan pada bidan g
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarangini dunia berada di era digital. Era dimana hampir setiap aspek dalamkehidupan manusia sangat berhubungan erat dengan teknologi komputasi baik di bidang pendidikan,
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2008 Express Edition. Proses perancangan menggunakan pendekatan Object Oriented
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini, eksperimen dilakukan dua kali, dimana setiap eksperimen memiliki perbedaan pada pembagian dari kelas-kelas kanker. Eksperimen pertama
Lebih terperinciBAB 4 PENGUJIAN DAN ANALISIS SISTEM
BAB 4 PENGUJIAN DAN ANALISIS SISTEM Bab ini akan membahas mengenai proses pengujian dari sistem yang dirancang terhadap beberapa citra dijital replika kulit. Pengujian terhadap sistem ini dilakukan untuk
Lebih terperinciBAB 3 METODOLOGI. 3.1 Rancangan Program Pemilihan Metode. Dalam perancangan program mammogram, telah ditemukan banyak
BAB 3 METODOLOGI 3.1 Rancangan Program 3.1.1 Pemilihan Metode Dalam perancangan program mammogram, telah ditemukan banyak sekali metode yang dapat digunakan. Metode-metode yang ada mencakup program yang
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 5, No. 1 (2016) 158-163 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone IDENTIFIKASI JENIS PENYAKIT DAUN TEMBAKAU MENGGUNAKAN METODE GRAY LEVEL
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker merupakan penyakit penyebab kematian paling tinggi di dunia, berdasarkan data World Health Organization (WHO) pada tahun 2012 terdapat sekitar 14 juta kasus
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 terperinciEKSTRAKSI FITUR DAN KLASIFIKASI MENGGUNAKAN METODE GLCM DAN SVM PADA CITRA MAMMOGRAM UNTUK IDENTIFIKASI KANKER PAYUDARA
EKSTRAKSI FITUR DAN KLASIFIKASI MENGGUNAKAN METODE GLCM DAN SVM PADA CITRA MAMMOGRAM UNTUK IDENTIFIKASI KANKER PAYUDARA Bebby Dwi Junita Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas
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 terperinciAPLIKASI PENGKLASIFIKASIAN MOTIF BATIK TULIS LASEM MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM) DAN SUPPORT VECTOR MACHINE (SVM)
APLIKASI PENGKLASIFIKASIAN MOTIF BATIK TULIS LASEM MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Sebagai Salah Satu Syarat Untuk Memperoleh
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 terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
Lebih terperinciDeteksi Senyum Menggunakan Fitur Gabor dan Histograms of Oriented Gradients pada Bagian Mulut, Hidung, dan Mata
Deteksi Senyum Menggunakan Fitur Gabor dan Histograms of Oriented Gradients pada Bagian Mulut, Hidung, dan Mata Berty Chrismartin Lumban Tobing Fakultas Ilmu Komputer Universitas Indonesia Depok berty.chrismartin@ui.ac.id
Lebih terperinciIDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN)
IDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN) SKRIPSI Disusun Oleh : THOMI LUTHFIANTO 1203030010 PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS
Lebih terperinciKLASIFIKASI JENIS KUALITAS KEJU DENGAN MENGGUNAKAN METODE GRAY LEVEL COOCCURRENCE MATRIX (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) PADA CITRA DIGITAL
e-proceeding of Engineering : Vol.4, No.2 Agustus 207 Page 2035 KLASIFIKASI JENIS KUALITAS KEJU DENGAN MENGGUNAKAN METODE GRAY LEVEL COOCCURRENCE MATRIX (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) PADA CITRA
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengenalan Wajah Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem keamanan selain pengenalan retina mata, pengenalan sidik jari
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1. Evaluasi Pada penelitian ini, algoritma untuk identifikasi sidik jari tersusun dari 3 tahapan proses yakni tahap preprocessing fingerprint image, minutiae extraction, dan
Lebih terperinciKlasifikasi Tingkat Keparahan Non- ProliferativeI Diabetic Retinopathy Bedarsarkan Hard Exudate Menggunakan Extreme Learning Machine
JURNAL SAINS DAN SENI POMITS Vol. 6, No.2, (2017) 2337-3520 (2301-928X Print) A 89 Klasifikasi Tingkat Keparahan Non- ProliferativeI Diabetic Retinopathy Bedarsarkan Hard Exudate Menggunakan Extreme Learning
Lebih terperinciBAB 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 terperinciHistogram. Peningkatan Kualitas Citra
Histogram Peningkatan Kualitas Citra Representasi Image 1 bit 8 bits 24 bits Apakah itu histogram? (3, 8, 5) Histogram memberikan deskripsi global dari penampakan sebuah image. Histogram dari image digital
Lebih terperinciBAB 1 PENDAHULUAN. Perkembangan pengetahuan dibidang kecerdasan buatan sedemikian
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan pengetahuan dibidang kecerdasan buatan sedemikian pesatnya, seperti penelitian segmentasi dokumen. Segmentasi dokumen membuat pengguna menjadi mudah
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 terperinciKonvolusi. Esther Wibowo Erick Kurniawan
Konvolusi Esther Wibowo esther.visual@gmail.com Erick Kurniawan erick.kurniawan@gmail.com Filter / Penapis Digunakan untuk proses pengolahan citra: Perbaikan kualitas citra (image enhancement) Penghilangan
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 terperinciPERANCANGAN DAN PENGEMBANGAN SISTEM DETEKSI RINTANGAN MENGGUNAKAN METODE HAAR-LIKE FEATURE PADA BRAIN-CONTROLLED WHEELCHAIR
PERANCANGAN DAN PENGEMBANGAN SISTEM DETEKSI RINTANGAN MENGGUNAKAN METODE HAAR-LIKE FEATURE PADA BRAIN-CONTROLLED WHEELCHAIR Aristian Jovianto Yunus NRP : 1322022 e-mail : aristian_jovianto@yahoo.com ABSTRAK
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 terperinciterdapat tiga tahapan pemeriksaan secara dini yaita (1) pemeriksaan sendiri, (2) pemeriksaan yang dilakukan oleh tenaga medis yang bertujuan untuk men
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciIDENTIFIKASI MACAN TUTUL DENGAN METODE GREY LEVEL COOCURENT MATRIX ( GLCM) Zuly Budiarso Fakultas teknologi Informasi, Univesitas Stikubank Semarang
IDENTIFIKASI MACAN TUTUL DENGAN METODE GREY LEVEL COOCURENT MATRIX ( GLCM) Zuly Budiarso Fakultas teknologi Informasi, Univesitas Stikubank Semarang Abstrak Tekstur (Textures) adalah sifat-sifat atau karakteristik
Lebih terperinciPerancangan Konversi Braille Ke Teks Berbasis Android
Perancangan Konversi Braille Ke Teks Berbasis Android Intan Sulviyani 1, Ledya Novamizanti 2, Ratri Dwi Atmaja 3 Teknik Telekomunikasi, Telkom University 1,2,3 intansviany@gmail.com Abstrak Komunikasi
Lebih 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 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 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 1 PENDAHULUAN 1.1 Latar Belakang Universitas Sumatera Utara
BAB 1 PENDAHULUAN Pada bab ini dijelaskan tentang latar belakang penelitian dibuat, rumusan masalah, batasan masalah yang akan dibahas, tujuan penelitian, manfaat penelitian, metodologi penelitian yang
Lebih terperinciUKDW 1. BAB 1 PENDAHULUAN Latar Belakang Masalah
1. BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Universitas yang baik dan terpercaya selalu memperhatikan perkembangan dan kondisi yang terjadi di universitas tersebut, salah satunya dengan memantau kinerja
Lebih terperinciBAB III PEMBAHASAN. A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium
BAB III PEMBAHASAN A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium Kanker Payudara Fuzzy Neural Network (FNN) adalah gabungan sistem fuzzy dengan Artificial Neural Network (ANN).
Lebih terperinciPERBANDINGAN METODE UNTUK PERBAIKAN KUALITAS CITRA MAMMOGRAM
PERBANDINGAN METODE UNTUK PERBAIKAN KUALITAS CITRA MAMMOGRAM Hanifah Rahmi Fajrin Program Studi Teknik Elektromedik, Program Vokasi Universitas Muhammadiyah Yogyakarta Email: hanifahfajrin@gmail.com ABSTRAK
Lebih terperinciBAB I PENDAHULUAN. beberapa dekade ini. Kanker paru merupakan pertumbuhan sel-sel abnormal yang
BAB I PENDAHULUAN A. Latar Belakang Kanker paru telah menjadi salah satu kanker yang sering terjadi dalam beberapa dekade ini. Kanker paru merupakan pertumbuhan sel-sel abnormal yang tak terkendali pada
Lebih terperinciPENENTUAN JENIS FRAKTUR BATANG (DIAFISIS) PADA TULANG PIPA BERBASIS PENGOLAHAN CITRA DIGITAL DAN SUPPORT VECTOR MACHINE
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi pengolahan citra digital terus mengalami kemajuan yang sangat pesat. Teknologi tersebut dapat digunakan untuk memudahkan dan menyelesaikan masalah
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 terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
Lebih 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 terperinciPengolahan Citra Digital: Peningkatan Mutu Citra Pada Domain Spasial
Pengolahan Citra Digital: Peningkatan Mutu Citra Pada Domain Spasial Dr. Aniati Murni (R.1202) Dina Chahyati, M.Kom (R.1226) Universitas Indonesia DC - OKT 2003 1 Tujuan Peningkatan Mutu Citra Sumber Pustaka:
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Analisis dan perancangan sistem ini ditujukan untuk memberikan gambaran secara umum mengenai aplikasi yang akan dibuat. Hal ini berguna untuk menunjang pembuatan
Lebih terperinciCucun Very Angkoso ~
Klasifikasi Tumor dan Kista pada Citra Panoramik Gigi Manusia Menggunakan Metode Support Vector Machine (SVM) Dosen Pembimbing : Prof. Dr. Ir. Mauridhi Hery Purnomo, M.Eng Dr. I Ketut Eddy Purnama, S.T.,
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Bab ini membahas langkah-langkah dari implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi aktivitas menggunakan algoritma k-nearest neighbor
Lebih terperinci1. Pendahuluan. 1.1 Latar belakang
1. Pendahuluan 1.1 Latar belakang Keamanan data pribadi merupakan salah satu hal terpenting bagi setiap orang yang hidup di era dimana Teknologi Informasi (TI) berkembang dengan sangat pesat. Setiap orang
Lebih terperinciBAB 4 PEMROSESAN CITRA DAN IMPLEMENTASI Pemrosesan Citra dan Rancangan Eksperimen untuk Fusi Citra
BAB 4 PEMROSESAN CITRA DAN IMPLEMENTASI 4.1. Pemrosesan Citra dan Rancangan Eksperimen untuk Fusi Citra Pada fusi data citra fluorescent hijau dan fluorescent merah penulis melakukan Pixel Level Fusion
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih terperinciPEMBIMBING : Dr. Cut Maisyarah Karyati, SKom, MM, DSER.
PROSES PENYARINGAN PENGOLAHAN CITRA DENGAN MENGGUNAKAN METODE GAUSSIAN, LOW PASS FILTERING DAN HIGH PASS FILTERING NAMA : DWI PUTRI ANGGRAINI NPM : 12112301 PEMBIMBING : Dr. Cut Maisyarah Karyati, SKom,
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 terperinciPERBANDINGAN KINERJA METODE MEDIAN FILTER DAN MIDPOINT FILTER UNTUK MEREDUKSI NOISE PADA CITRA DIGITAL ABSTRAK
PERBANDINGAN KINERJA METODE MEDIAN FILTER DAN MIDPOINT FILTER UNTUK MEREDUKSI NOISE PADA CITRA DIGITAL Okada Arle Sandi, T. Sutojo, S.Si, M.Kom Teknik Informatika S1 Fakultas Ilmu Komputer Universitas
Lebih terperinciKlasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt
Klasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt Ardi Satrya Afandi Fakultas Teknologi Industri Universitas Gunadarma Depok, Indonesia art_dhi@yahoo.com Prihandoko,
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 terperinciSimulasi Teknik Image Enhancement Menggunakan Matlab Yustina Retno Wahyu Utami 3)
Simulasi Teknik Image Enhancement Menggunakan Matlab Yustina Retno Wahyu Utami 3) ISSN : 1693 1173 Abstrak Penelitian ini menekankan pada pentingnya teknik simuasi pada pengolahan citra digital. Simulasi
Lebih terperinciEKSTRAKSI JALAN SECARA OTOMATIS DENGAN DETEKSI TEPI CANNY PADA FOTO UDARA TESIS OLEH: ANDRI SUPRAYOGI NIM :
EKSTRAKSI JALAN SECARA OTOMATIS DENGAN DETEKSI TEPI CANNY PADA FOTO UDARA (Menggunakan Transformasi Wavelet Untuk Penghalusan Citra ) TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar
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 terperinci3 BAB III METODE PENELITIAN
20 3 BAB III METODE PENELITIAN 3.1 Metode penelitian Penenelitian ini merupakan penelitian eksperimen, dengan melalui beberapa tahapan sebagai berikut : 1. Pengumpulan data Tahapan ini merupakan langkah
Lebih terperinciBAB III METODE PENELITIAN. sekunder berupa citra Magnetic Resonansi Image (MRI) yang diperoleh dari
BAB III METODE PENELITIAN Metode penelitian yang dilakukan pada penelitian ini adalah teknik pengumpulan data dan teknik analisis data. A. Teknik Pengumpulan Data Data yang digunakan pada penelitian ini
Lebih terperinci1 BAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi dibidang transportasi darat khususnya kendaraan bermotor, semakin membantu masyarakat penggunanya, sehingga menjadikan kendaraan bermotor sebagai
Lebih terperinciDAFTAR ISI BAB II TINJAUAN PUSTAKA...4
DAFTAR ISI HALAMAN JUDUL...i PERNYATAAN BEBAS PLAGIARISME...ii HALAMAN PENGESAHAN...iii HALAMAN TUGAS...iv HALAMAN MOTTO...vi KATA PENGANTAR...vii DAFTAR ISI...ix DAFTAR TABEL...xiii DAFTAR GAMBAR...xv
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pendarahan Otak adalah suatu kondisi dimana terdapat darah di jaringan otak baik itu di dalam otak (Intracerebral) maupun diantara lapisan-lapisan pelindung otak (Cranial
Lebih terperinciDedi Argya Nugroho Effendi 1,Erna Zuni Astuti 2 1,2
37 Pengelompokan Jenis Tekstur Kayu Menggunakan K- Nearest Neighbor dan Ekstraksi Fitur Histogram Wood Texture Classification Using K-Nearest Neighbor and Histogram Feature Extraction Dedi Argya Nugroho
Lebih terperinciSTMIK AMIKOM PURWOKERTO PENGOLAHAN CITRA ABDUL AZIS, M.KOM
PENGOLAHAN CITRA 1 Prinsip Enhancement Pemrosesan sebuah image sehingga hasil yang didapat bersifat lebih sesuai untuk digunakan pada aplikasi tertentu dibandingkan dengan image a s l i n y a. Kesesuaian
Lebih terperinciPERBANDINGAN EKSTRAKSI CIRI PADA DATA MAMMOGRAM UNTUK IDENTIFIKASI MIKROKALSIFIKASI
PERBANDINGAN EKSTRAKSI CIRI PADA DATA MAMMOGRAM UNTUK IDENTIFIKASI MIKROKALSIFIKASI Endang Supriyati Fakultas Teknik, Program Studi Teknik Informatika Universitas Muria Kudus Email: esupriyati@gmail.com
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 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 terperinciReduksi Fitur Untuk Optimalisasi Klasifikasi Tumor Payudara Berdasarkan Data Citra FNA
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Reduksi Fitur Untuk Optimalisasi Klasifikasi Tumor Payudara Berdasarkan Data Citra FNA Made Satria Wibawa 1), Kadek Dwi
Lebih terperinciWEBSITE PERANCANGAN SCRAPBOOK DENGAN PEMOTONGAN GAMBAR OTOMATIS
WEBSITE PERANCANGAN SCRAPBOOK DENGAN PEMOTONGAN GAMBAR OTOMATIS C. Pickerling Teknik Informatika,Sekolah Tinggi Teknik Surabaya e-mail: pickerling@stts.edu ABSTRAK Scrapbook merupakan salah satu kegemaran
Lebih terperinciKlasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor
Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor Puspa Rizky Trisnaningtyas 1, Maimunah 2 Program Studi Teknik Komputer Universitas Islam 45 Bekasi, Indonesia
Lebih terperinciDIAGNOSIS KANKER PAYUDARA PADA MAMMOGRAM MENGGUNAKAN METODE TRANSFORMASI CURVELET DAN CBIR
DIAGNOSIS KANKER PAYUDARA PADA MAMMOGRAM MENGGUNAKAN METODE TRANSFORMASI CURVELET DAN CBIR TRI ADHI WIJAYA [5108100510] Surabaya, 19 Juli 2010 / Ruang Sidang S2 Gedung Teknik Informatika ITS Latar Belakang
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 I PENDAHULUAN. terkontrol pada jaringan paru. Munculnya kanker ditandai dengan
BAB I PENDAHULUAN A. Latar Belakang Kanker paru adalah penyakit pertumbuhan jaringan yang tidak dapat terkontrol pada jaringan paru. Munculnya kanker ditandai dengan pertumbuhan sel yang tidak normal,
Lebih terperinciKLASIFIKASI MOTIF KAIN TRADISIONAL BATIK BOMBA KAILI BERDASARKAN FITUR TEKSTUR CITRA DIGITAL
KLASIFIKASI MOTIF KAIN TRADISIONAL BATIK BOMBA KAILI BERDASARKAN FITUR TEKSTUR CITRA DIGITAL Nuraedah 1), Muhammad Bakri 2) 1) Jurusan Pendidikan Sejarah, Fakultas Ilmu Pendidikan dan Keguruan, Universitas
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 terperinci