PENGENALAN POLA TULISAN TANGAN DENGAN METODE K NEAREST NEIGHBOR
|
|
- Yenny Lesmono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 J-ICON, Vol. No. 1, Maret 014, pp. 65~7 65 PENGENALAN POLA TULISAN TANGAN DENGAN METODE K NEAREST NEIGHBOR Ryan Arief Misnadin 1, S. Adi. S. Mola, Adriana Fanggidae 3 1,,3 Jurusan Ilmu Komputer, Fakultas Sains dan Teknik, Universitas Nusa Cendana ABSTRAK Pola adalah komposit/ gabungan dari fitur yang merupakan sifat dari sebuah obyek. Pengenalan pola juga dapat diterapkan untuk mengenali berbagai obyek seperti karakter tulisan tangan. K Nearest Neighbor adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Pada penelitian ini citra digital tulisan tangan seseorang akan dipisahkan tiap karakternya dan diproses dengan: penapisan luas, konversi warna, edge detection, edge linking, dilasi dan erosi, setelah itu citra akan diekstaksi menggunakan metode momen invarian dan dikenali dengan metode K Nearest Neighbor. Sistem ini diuji dengan 3 data set. Dataset pertama dengan 15X36 data latih dan 5X36 data uji, dataset kedua dengan 35X36 data latih dan 15X36 data uji serta data set ketiga dengan 100X36 data latih dan 5X36 data uji selain itu digunakan 3 nilai K yaitu 1,3 dan 5. Secara keseluruhan, sistem ini memiliki akurasi sebesar 40,38%. Kata Kunci : Jaringan Syaraf Tiruan, Pengenalan Pola, Tulisan Tangan, K Nearest Neighbor. ABSTRACT Pattern is composite of feature that has characteristic from an object. Pattern recognition can also being apply to recognize any other type of objects that has particular characteristic to differentiate an object between another. Pattern recognizing can being applying for recognize any object like handwriting character. K-Nearest Neighbor is a method for classifying any objects based learning data which has nearest distance with that object. In this research people s handwriting digital image will be separated by every characters and will be processed by image cluster filtering, color conversion, edge detection, edge linking, dilation and erosion, after that image will be extracted by invariant moment method and being recognized with K-Nearest Neighbor method. This system is tested using 3 datasets. First dataset has 15X36 training data and 5X36 testing data, second dataset has 35X36 training data and 15X36 testing data, as well as third dataset has 100X36 training data and 5X36 testing data beside that three K value will be used, that is 1,3 and 5. Overall, this system has 40.38% accurately. Keywords: Artificial Neural Network, Pattern Recognition, Handwriting, K Nearest Neighbor. I. PENDAHULUAN Pola adalah komposit/ gabungan dari fitur yang merupakan sifat dari sebuah obyek, sedangkan pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu obyek (Fatta, 009). Pengenalan pola juga dapat diterapkan untuk mengenali berbagai jenis obyek yang memiliki ciri khas tertentu yang membedakan obyek yang satu dan obyek yang lainya. Seiring dengan berkembangnya teknologi, telah banyak obyek yang dapat dikenali polanya secara otomatis oleh komputer, antara lain wajah, tanda tangan, maupun sidik jari. Salah satu cabang pengenalan pola yang sering dijadikan obyek penelitian adalah pengenalan pola tulisan tangan. ISSN
2 66 ISSN II. METODE PENELITIAN.1 Deskripsi Sistem Data yang akan digunakan dalam penelitian ini adalah data citra dari tulisan tangan cetak seseorang baik citra digital maupun citra analog. Citra analog harus diakuisisi terlebih dahulu sebelum diproses. Apabila data sudah dalam bentuk citra digital maka dapat diolah melalui tahapan pemrosesan citra, ekstraksi ciri dengan metode momen invarian yang menghasilkan tujuh ciri dari tiap karakter. Tujuh ciri itu kemudian dipakai sebagai data untuk diolah dalam sistem jaringan syaraf tiruan.. Konversi Citra Citra masukan dari pengguna perlu dikonversi terlebih dahulu menjadi citra biner sebelum diolah, akan tetapi citra hasil akuisisi memiliki format RGB (Red, Green, Blue), sehingga citra perlu dikonversi terlebih dahulu menjadi citra greyscale dengan persamaan (Achmad dan Firdausy, 004)..3 Penapisan Luas Citra Untuk menapis atau menyaring obyek-obyek sampah perlu dilakukan proses penapisan luas citra. Proses ini diawali dengan proses penandaan komponen terhubung, yaitu pemberian tanda terhadap piksel-piksel yang berhubungan satu sama lain. Penandaan komponen terhubung dilakukan dengan memeriksa suatu citra, piksel per piksel untuk mengidentifikasi area piksel terhubung yaitu suatu area dari piksel berbatas yang memiliki nilai piksel yang sama (pada citra biner nilainya 1) (Putra, 010): Selanjutnya akan dilakukan penapisan terhadap jumlah dari elemen tanda baru yang telah dihitung sebelumnya, apabila jumlahnya kurang dari threshold yang ditentukan maka piksel dengan tanda terebut akan diubah nilainya menjadi 0 (putih)..4 Segmentasi Citra Segmentasi citra merupakan proses membagi citra ke dalam beberapa bagian yaitu bagian yang diperlukan dan bagian yang tidak diperlukan oleh sistem (Rakhmanullah, 008). Proses segmentasi dilakukan dengan cara mencari titik terluar yaitu titik y terbesar, y terkecil, x terbesar dan x terkecil dari tiap karakter citra masukan. Proses dilanjutkan dengan memisahkan tiap huruf dalam satu citra dilakukan dengan cara menginialisasi suatu matriks baru dengan ukuran 1 x N, dimana matriks tersebut merupakan perwakilan dari citra M x N yang setiap kolomnya mewakili setiap piksel yang ada dalam satu kolom citra asli. Kemudian matriks tersebut digunakan untuk membantu proses pemisahan dari tiap huruf, dimana deretan angka 1 dianggap sebagai huruf dan akan disimpan dalam matriks baru, deretan piksel 0 di bawah 80 piksel dianggap sebagai pemisah antar huruf sedangkan deretan piksel 0 di atas 80 piksel dianggap sebagai pemisah kata atau karakter spasi..5 Edge Detection Operasi edge detection perlu dilakukan terlebih dahulu sebelum citra mengalami operasi edge linking. Operasi edge detection berfungsi untuk menentukan lokasi titik-titik yang merupakan tepi obyek. Secara umum, tepi suatu obyek dalam citra dinyatakan yang nilai awalnya berbeda cukup besar dengan titik yang ada disebelahnya. Mask yang akan digunakan untuk pendeteksian tepi adalah operator Sobel (Gonzalez dan Woods, 00). Nilai yang diperlukan dalam operasi edge detection adalah magnitudo dari vektor, yang biasanya hanya disebut dengan gradien dan dituliskan dengan f yang persamaanya: f x, y = [G x + G y ] (1) dimana f x, y G x G y : Gradien titik x,y : Nilai dari G x : Nilai dari G y J-ICON, Vol. No. 1, Maret 014 : 65~7
3 J-ICON ISSN Sebuah piksel akan dianggap sebagai tepi, jika nilai piksel tersebut memenuhi persamaan: f x, y T () dimana T adalah threshold tepi. Selain itu arah dari vektor gradien juga diperlukan dalam operasi edge detection. Jika α(x,y) menunjukan arah sudut vektor f (x,y), maka dari analisa vektor dapat dilihat pada persamaan: α x, y = tan 1 G y G x (3) dimana arah sudut diukur terhadap sumbu x..6 Edge Linking Salah satu cara yang paling sederhana untuk menghubungkan titik-titik tepi adalah dengan menganalisa karakteristik piksel-piksel di suatu area piksel tetangga kecil di setiap titik (x,y) pada citra yang sudah terdapat titik tepi yang diperoleh dengan teknik deteksi tepi. Dua unsur penting yang digunakan untuk menentukan kesamaan suatu piksel tepi dengan analisa di atas adalah nilai respon dari operator gradien yang digunakan untuk menghasilkan piksel tepi, dimana sebuah piksel tepi dengan koordinat (x 0,y 0 ) dalam suatu structuring element dari (x,y) memiliki kesamaan dalam magnitudo dengan piksel pada (x,y) jika memenuhi persamaan (Gonzalez dan Woods, 00): f x, y f(x 0, y 0 ) E (4) dimana E f x, y f(x 0, y 0 ) : Threshold gradien. : Gradien citra x,y : Gradien piksel tetangga x,y Sebuah piksel tepi pada (x 0,y 0 ) di suatu structuring element dari (x,y) mempunyai sudut yang sama dengan piksel pada (x,y) jika α x, y α x 0, y 0 < A (5) dimana A α x, y α x 0, y 0 : Threshold sudut. : Arah sudut gradien citra x,y : Arah sudut piksel tetangga x,y Arah dari tepi pada (x,y) adalah tegak lurus dengan arah vektor gradien pada titik tersebut. Unsur yang kedua yaitu arah dari gradien vektor. Sebuah titik di area tetangga dari (x,y) akan dihubungkan dengan piksel pada (x,y) jika kedua kriteria dan arah terpenuhi. Proses ini dilakukan berulang-ulang di setiap lokasi pada citra..7 Penskalaan Citra Operasi penskalaan (scaling) berfungsi untuk memperbesar dan memperkecil citra. Operasi ini dilakukan dengan cara menerapkan persamaan (Achmad dan Firdausy, 004): x = S x y = S v y (6) Apabila persamaan tersebut dibalik maka akan menghasilkan: x = x y = y S S v (7) Selain itu ukuran (resolusi) piksel baru didapat dari persamaan: w = S v w = S (8) Pengenalan Pola Tulisan Tangan Dengan Metode K Nearest Neighbor (Ryan A. Misnadin)
4 68 ISSN dimana x, y x, y S, S v w, w, : Titik koordinat x dan y baru : Titik koordinat x dan y awal : Penskalaan horizontal dan vertikal : Lebar dan tinggi citra baru : Lebar dan tinggi citra lama.8 Dilasi Citra Terkadang citra hasil akusisi tidak cukup tebal untuk diolah sehingga perlu dilakukan penebalan dengan operasi dilasi citra terlebih dahulu. Operasi ini dilakukan dengan menggabungkan (XOR) titiktitik latar (0) menjadi bagian dari obyek (1), berdasarkan structuring element S yang digunakan yang memiliki persamaan sebagai berikut (Putra, 010): D(A, S) = A S (9) dimana D S A : Hasil proses dilasi : Elemen penstruktur : Citra awal.9 Erosi Citra Operasi erosi dilakukan apabila citra hasil dari akuisisi terlalu tebal. Operasi erosi merupakan kebalikan dari operasi dilasi, apabila proses dilasi berfungsi untuk menebalkan citra, maka operasi erosi berfungsi untuk menipiskan citra. Operasi ini dilakukan dengan menghapus (XNOR) titik-titik obyek (1) menjadi bagian dari latar (0), berdasarkan structuring element S yang digunakan dan memiliki persamaan sebagai berikut (Putra, 010): E A, S = A S (10) dimana E S A : Hasil proses erosi : Elemen penstruktur : Citra awal.9 Momen Invarian Momen dapat menggambarkan suatu obyek dalam hal area, posisi, orientasi dan parameter terdefinisi lainnya. Persamaan dasar dari momen suatu obyek didefinisikan sebagai berikut (Putra, 009): M ij = Σ x Σ y x i. x j. a xy (11) dimana M i,j x,y a xy : Momen : Tingkat momen : Koordinat vertical dan horizontal citra : Intensitas piksel titik x,y Dari persamaan di atas dapat dihitung pusat massa (centroid), yang menggambarkan lokasi dari obyek. Pusat massa ini didefenisikan dengan (Putra, 009): x = m 10 m 00 dan y = m 01 m 00 (1) Dengan (x, y ) merupakan pusat koordinat dari obyek. Dari nilai pusat massa pada persamaan (1) selanjutnya dihitung momen pusat µ dengan persamaan (Putra, 009): µ ij = Σ x Σ y x x i y y j a xy (13) J-ICON, Vol. No. 1, Maret 014 : 65~7
5 J-ICON ISSN Momen pusat kemudian dinormalisasi menjadi momen pusat ternormalisasi yang dinyatakan dengan (Putra, 009): η ij = µ ij (µ 00 ) λ dengan i j 1, dengan (i+j) (14) Dari momen ternormalisasi di atas, kemudian diperoleh fitur-fitur berupa 7 momen invarian (invariant moments) yang persamaannya adalah sebagai berikut (Putra, 009): (15) (16) (17) (18) (19) 6 (0) () Dimana 1 sampai 7 pada persamaan 15 sampai adalah momen invarian pertama sampai momen invarian ketujuh dan adalah momen pusat ternormalisasi..10 K-Nearest Neighbor K Nearest Neighbor adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. K-Nearest Neighbor termasuk algoritma unsupervised learning dimana hasil dari query instance yang baru akan diklasifikan berdasarkan mayoritas dari kategori pada K-Nearest Neighbor yang nantinya kelas yang paling banyak munculah yang akan menjadi kelas hasil klasifikasi. Prinsip kerja K-Nearest Neighbor adalah mencari jarak terdekat data uji terhadap K tetangga terdekat dengan persamaan N d E = x i y i i=1 () dimana d E : Jarak Euclidean data x ke y atau sebaliknya N : Jumlah ciri data latih x i : Ciri data latih ke-i y i : Ciri data uji ke-i dari data latih kemudian memberikan label / class terhadap data uji tersebut berdasarkan label / class terbanyak dalam K tetangga terdekat (Bezdek dkk., 005)..11 Pengukuran Akurasi Setelah dilalakukan pelatihan, maka sistem akan diuji kemudian diukur presentase tingkat akurasinya dengan persamaan 31. Pengenalan Pola Tulisan Tangan Dengan Metode K Nearest Neighbor (Ryan A. Misnadin)
6 70 ISSN % akurasi = Jumla data yang benar Jumla data yang diuji X 100 (31) Hal ini dilakukan untuk mendapatkan nilai kisaran presentase akurasi dalam bilangan nyata..1 Tahap Pembangunan Sistem Tahap pembangunan system merupakan tahap-tahap yang harus dikerjakan dalam membangun sebuah sistem..1.1 Identifikasi Masalah Pembuatan sistem ini diawali dengan preprocessing citra, apabila citra sudah matang (siap diolah). Maka akan diekstraksi ciri-cirinya dan dikenali (diklasifikasikan) dengan jaringan syara tiruan. a. Preprocessing Dalam proses ini citra akan diolah sedemikain rupa sehingga menemui keadaan dimana citra latih tersebut memiliki kesamaan yang semirip mungkin, proses ini meliputi: konversi warna, penapisan luas citra, segmentasi, edge detection, edge linking, penskalaan tetangga terdekat, dilasi dan juga erosi. Untuk lebih jelasnya dapat dilihat pada tabel 1. Tabel 1. Detail preprocessing citra No. Proses Variabel 1 Konversi warna T= 17 Penapisan luas citra T= 10% 3 Segmentasi - 4 Edge detection - 5 Edge linking T. Grad= 1.4, T. Alfa= 5 6 Penskalaan tetangga terdekat 100X100px 7 Dilasi/ Erosi Ketebalan= 5px b. Ekstraksi ciri Pada proses ini citra hasil preprocessing akan di ubah dari bentuk citra menjadi kumpulan angka. Dalam penelitian ini, metode ekstraksi ciri yang digunakan adalah momen invarian. c. Pengenalan pola Proses ini berfungsi untuk mengenali (mengklasifikasi) ciri data uji dengan data telah diekstraksi sebelumnya (data latih), pengenalan pola yang digunakan dalam penelitian ini adalah metode k- nearest neighbor. d. Pengukuran tingkat akurasi Proses ini dibutuhkan untuk mengetahui (mengukur) tingkat akurasi yang dimiliki oleh sistem yang telah dibuat..6. Desain Sistem Sistem akan dirancang dengan UML yang terdiri dari beberapa diagram antara lain: use case diagram, activity diagram, sequence diagram, class diagram serta desain antar muka yang sebagaimana dalam skripsi pengenalan pola tulisan tangan dengan metode k-nearest neighbor (Misnadin, 013), namun perancangan system dapat digambarkan secara umum dengan menggunakan use case diagram. a. Use case diagram Use case diagram adalah sebuah penggambaran dari sekelompok urutan kegiatan yang yang dikerjakan oleh sistem untuk menghasilkan keluaran yang dapat dilihat oleh pengguna (actor) (Booch dkk., 1999) J-ICON, Vol. No. 1, Maret 014 : 65~7
7 J-ICON ISSN (A) Pengguna 1(A) (A) 3(A) Mengatur nilai pengaturan Melakukan Pengujian Menginputkan data latih USE CASE APLIKASI PENGENALAN POLA TULISAN TANGAN 1(A) (A) 3(A) Form pengaturan (A) <<include>> Form pengujian 3(A) Form data latih 1(A) <<include>> (A) <<include>> <<include>> 3(A) Normalisasi Data Meng-update pengaturan,3(a) Aplikasi pengenalan pola tulisan tangan 1(A) Gambar 1. Use case diagram Pencarian tetangga terdekat (A) Menampilkan 1(A) nilai pengaturan,3(a) Perhitungan ekstraksi ciri b. Antarmuka Antarmuka atau interface pada sistem ini dirancang nantinya sebagai media interaksi antara pengguna sistem dengan sistem itu sendiri. Rancangan antarmuka dari aplikasi ini sebagaimana dalam skripsi pengenalan pola tulisan tangan dengan metode K-Nearest Neighbor (Misnadin, 013). Salah satu tampilan dari antarmuka aplikasi ini dapat dilihat pada gambar. Gambar. Tampilan form Pengujian III. HASIL DAN PEMBAHASAN 3.1 Pengujian Sistem Sistem ini diuji dengan 3 data set, dataset pertama dengan 15X36 data latih dan 5X36 data uji, dataset kedua dengan 35X36 data latih dan 15X36 data uji serta data set ketiga dengan 100X36 data latih dan 5X36 data uji selain itu digunakan 3 nilai K yaitu 1,3 dan 5. Proses pengujian sistem diawali dengan menginputkan tulisan tangan pada kanvas yang telah tersedia di form pengujian kemudian dilanjutkan dengan meng-klik tombol proses. 3. Analisis Pengujian Setelah ketiga data set tersebut diuji dengan berbagai nilai K dengan data belum pernah dilatih (data uji), maka didapatkan hasil sebagai berikut: Tabel. Data hasil pengujian terhadap sistem DATA SET Berhasil dikenali % akurasi pengenalan K=1 K=3 K=5 K=1 K=3 K=5 Total % Akura si I ,77 56,6 48,88 56,1 II ,04 3,77 3,77 3,53 III , ,5 IV. Pengenalan Pola Tulisan Tangan Dengan Metode K Nearest Neighbor (Ryan A. Misnadin)
8 7 ISSN Kesimpulan V. KESIMPULAN DAN SARAN a) Presentase akurasi pengenalan secara keseluruhan terhadap seluruh karakter menggunakan semua data set yang ada mencapai 40,38%. b) Hal yang menyebabkan system ini memiliki akurasi yang buruk adalah karena metode momen invarian diniliai memiliki performa yang buruk untuk dapat membedakan 36 karakter (class) secara spesifik dan konsisten sehingga terdapat banyak ciri dari berbagai data yang saling beririsan. c) Presentase pengenalan yang mencapai 90% adalah karakter C, L, T dan U. d) Tulisan tangan yang bersifat luas, bebas, dan sangat bervariasi serta dapat berubah-ubah pada berbagai kondisi tertentu yang menyebabkan pola lebih sulit untuk dikenali. 4. Saran a) Diharapkan untuk menambahkan metode pengenalan pola lainya serta memodifikasi alur pengenalan pola seperti serial ataupun pararel agar hasil dari pengenalan dapat lebih akurat. b) Diharapkan menambahkan preprocessing pada citra sehingga saat dilakukan proses ektraksi ciri, citra tulisan tangan tersebut berada pada keadaan yang paling maksimal yakni mempunyai perbedaan yang seminim mungkin. c) Diharapkan untuk menambah jumlah data latih. DAFTAR PUSTAKA [1]. Achmad, B. dan Kartika F., 004, Teknik Pengolahan Citra Digital Menggunakan Delphi, Ardi publishing, Yogyakarta. []. Bezdek, C.Dubois., Keller, J., Krisnapuram, R., Pal, N.R, 005, Fuzzy Models and Algorithms for Pattern Recognition and Image Processing. [3]. Booch, G., Rumbaugh, J. and Jacobson, I The Unified Modeling Language User Guide. Addison-Wesley, Canada [4]. Fatta, H., 009, Rekayasa Sistem Pengenalan Wajah, Andi Offset, Yogyakarta. [5]. Gonzalez, R. C. and Woods, R. E., 00, Digital Image Processing Using Matlab, Prentice- Hall,inc., New Jersey. [6]. Misnadin, R. A., 013 Pengenalan pola tulisan tangan dengan metode K-Nearest Neighbor, Skripsi, Jurusan Ilmu Komputer, Fakultas Sains Dan Teknik, Universitas Nusa Cendana, Kupang. [7]. Putra, D., 009, Pengolahan Citra Digital, Andi, Yogyakarta. [8]. Putra, D., 010, Pengolahan Citra Digital, Andi Offset, Yogyakarta. [9]. Rakhmanullah, A., Autentifikasi Pengenalan Pola Tanda Tangan Manual Menggunakan Jaringan Saraf Tiruan LVQ (Learning Vector Quantization) Dan Tanda Tangan Digital Menggunakan Algoritma RSA (Riset Shamir Adleman). Skripsi, Jurusan Teknik Informatika, Universitas Islam Negeri Maulana Malik Ibrahim, Malang, Diakses dari lib.uinmalang.ac.id/files/thesis/fullchapter/ ps, 5 Juni 011. [10]. Rumbaugh, J., Jacobson, I. and Booch, G., 005. The Unified Modeling Language Reference Manual second edition. Pearson Education, Inc., Boston. J-ICON, Vol. No. 1, Maret 014 : 65~7
ANALISIS 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 terperinciPENGARUH PEMAKAIAN EDGE DETECTION PADA SISTEM PENGENALAN HURUF KAPITAL TULISAN TANGAN
Jurnal Teknik dan Ilmu Komputer PENGARUH PEMAKAIAN EDGE DETECTION PADA SISTEM PENGENALAN HURUF KAPITAL TULISAN TANGAN (The Influence of Edge Detection Use on Capital Letter Hand Writing Recognition System)
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 terperinciOleh: Ulir Rohwana ( ) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T.
Oleh: Ulir Rohwana (1209 100 702) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI HASIL DAN PENGUJIAN
Lebih terperinciPengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector Quantization
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3, Maret 2018, hlm. 1313-1317 http://j-ptiik.ub.ac.id Pengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector
Lebih terperinciBAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA
BAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA 3.1 Analisis Masalah Jaringan saraf tiruan hopfield merupakan salah satu Algoritma Machine Learning yang dapat mengklasifikasikan suatu objek citra berdasarkan pelatihan
Lebih terperinciPengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya
Pengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya 1 Hafidz Surahman 1, Aisyah Fuja 2, Ir.Rubandi 3, Willy 4 1,2 STMIK GI MDP; Jalan Rajawali No.14 Palembang,
Lebih terperinciAPLIKASI PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN ALGORITMA HAMMING DISTANCE
APLIKASI PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN ALGORITMA HAMMING DISTANCE Matheus Supriyanto Rumetna 1*, Marla Pieter, Monica Manurung 1 1 Fakultas Ilmu Komputer dan Manajemen, Universitas Sains
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Identifikasi Masalah Identifikasi permasalahan ini bahwasanya diambil dari sudut pandang masyarakat tentang objek (batik) yang dikenal dari segi pola dan gambar
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN SISTEM
BAB 3 ANALISA DAN PERANCANGAN SISTEM 3.1 Analisa Program Aplikasi Dalam proses identifikasi karakter pada plat nomor dan tipe kendaraan banyak menemui kendala. Masalah-masalah yang ditemui adalah proses
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
48 BAB IV HASIL DAN PEMBAHASAN 4.1 Analisis Sistem Sistem yang akan dibangun dalam penelitian ini adalah Implementasi Algoritma Template Matching dan Feature Extraction untuk Pengenalan Pola Angka Untuk
Lebih terperinciDETEKSI NOMINAL MATA UANG DENGAN JARAK EUCLIDEAN DAN KOEFISIEN KORELASI
DETEKSI NOMINAL MATA UANG DENGAN JARAK EUCLIDEAN DAN KOEFISIEN KORELASI Marina Gracecia1, ShintaEstriWahyuningrum2 Program Studi Teknik Informatika Universitas Katolik Soegijapranata 1 esthergracecia@gmail.com,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jaringan syaraf tiruan merupakan bidang ilmu yang banyak digunakan dalam melakukan pengenalan pola suatu obyek. Banyak obyek yang dapat digunakan untuk pengenalan pola
Lebih terperinciAPLIKASI PENGENALAN PLAT NOMOR KENDARAAN BERMOTOR MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION
APLIKASI PENGENALAN PLAT NOMOR KENDARAAN BERMOTOR MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION Hamsina 1, Evanita V Manullang 1, Program Studi Teknik Informatika, Fakultas Ilmu Komputer dan Manajemen,
Lebih terperinciPengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN)
Pengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN) Iman Ilmawan Muharam Manajemen Sistem Informasi Universitas Gunadarma Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat ilmawan@sta.gunadarma.ac.id
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. Dalam pengerjaan tugas akhir ini memiliki tujuan untuk mengektraksi
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Model Pengembangan Dalam pengerjaan tugas akhir ini memiliki tujuan untuk mengektraksi fitur yang terdapat pada karakter citra digital menggunakan metode diagonal
Lebih terperinciPENENTUAN KUALITAS DAUN TEMBAKAU DENGAN PERANGKAT MOBILE BERDASARKAN EKSTRASI FITUR RATA-RATA RGB MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR
PENENTUAN KUALITAS DAUN TEMBAKAU DENGAN PERANGKAT MOBILE BERDASARKAN EKSTRASI FITUR RATA-RATA RGB MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR Eko Subiyantoro, Yan Permana Agung Putra Program Studi Teknik
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 terperinciAPLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
APLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu
Lebih terperinciIDENTIFIKASI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN LEARNING VECTOR QUANTIZATION
IDENTIFIKASI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN LEARNING VECTOR QUANTIZATION RULIAH Program Studi Sistem Informasi Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru Jl. A. Yani Km. 33,3 Loktabat
Lebih terperinciPERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR
PERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR Ragil Anggararingrum Perwira Nagara¹, Adiwijaya², Ratri Dwi Atmaja³ ¹Teknik
Lebih terperinciALGORITMA LEARNING VECTOR QUANTIZATION UNTUK PENGENALAN BARCODE BUKU DI PERPUSTAKAAN UNIVERSITAS GALUH CIAMIS
ALGORITMA LEARNING VECTOR QUANTIZATION UNTUK PENGENALAN BARCODE BUKU DI PERPUSTAKAAN UNIVERSITAS GALUH CIAMIS Egi Badar Sambani 1), Neneng Sri Uryani 2), Rifki Agung Kusuma Putra 3) Jurusan Teknik Informatika,
Lebih terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
Lebih terperinciIdentifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur
Identifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur Cahya Hijriansyah 1, Achmad Solichin 2 1,2 Program Studi Teknik Informatika
Lebih terperinciIMPLEMENTASI PENTERJEMAH KODE ISYARAT TANGAN MENGGUNAKAN ANALISIS DETEKSI TEPI PADA ARM 11 OK6410B
IMPLEMENTASI PENTERJEMAH KODE ISYARAT TANGAN MENGGUNAKAN ANALISIS DETEKSI TEPI PADA ARM 11 OK6410B Heri Setiawan, Iwan Setyawan, Saptadi Nugroho IMPLEMENTASI PENTERJEMAH KODE ISYARAT TANGAN MENGGUNAKAN
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN
Jurnal Teknik Informatika Vol. 1 September 2012 1 PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN Wahyu Saputra Wibawa 1, Juni Nurma Sari 2, Ananda 3 Program Studi
Lebih terperinciBAB II TINJAUAN PUSTAKA
7 BAB II TINJAUAN PUSTAKA Penelitian maupun pembuatan aplikasi mengenai pengenalan karakter / pengenalan pola ataupun yang berhubungan dengan Jaringan Syaraf Tiruan terlebih dengan metode Backpropagation
Lebih terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih terperinciPENGENALAN AKSARA BALI MENGGUNAKAN METODE MODIFIED DIRECTION FEATURE DAN ALGORITMA GENERALIZED LEARNING VECTOR QUANTIZATION (GLVQ)
PENGENALAN AKSARA BALI MENGGUNAKAN METODE MODIFIED DIRECTION FEATURE DAN ALGORITMA GENERALIZED LEARNING VECTOR QUANTIZATION (GLVQ) KOMPETENSI KOMPUTASI SKRIPSI NI WAYAN DEVIYANTI SEPTIARI NIM. 1108605004
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 terperinciAPLIKASI PENGENALAN KARAKTER HURUF HIJAIYAH UNTUK PENDIDIKAN ANAK USIA DINI (PAUD) SKRIPSI
APLIKASI PENGENALAN KARAKTER HURUF HIJAIYAH UNTUK PENDIDIKAN ANAK USIA DINI (PAUD) SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Guna Memperoleh Gelar Sarjana Komputer ( S.Kom ) Pada Program Studi
Lebih terperinciIDENTIFIKASI TANDA TANGAN DENGAN DETEKSI TEPI DAN KOEFISIEN KORELASI
IDENTIFIKASI TANDA TANGAN DENGAN DETEKSI TEPI DAN KOEFISIEN KORELASI Harry Santoso Program Studi Teknik Informatika, Unika Soegijapranata Semarang harrysantoso888@gmail.com Abstract Signature is a proof
Lebih terperinciAPLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK
APLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK Wiratmoko Yuwono Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya-ITS Jl. Raya ITS, Kampus ITS, Sukolilo Surabaya 60111
Lebih terperinciPENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN. Disusun oleh : Mario Herryn Tambunan ( )
PENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN Disusun oleh : Mario Herryn Tambunan (1022056) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinci1.2 Rumusan Masalah Berdasarkan latar belakang yang telah dibuat diatas, rumusan masalah yang dapat diambil adalah :
BAB I PENDAHULUAN 1.1 Latar Belakang Tanda tangan adalah sebuah bentuk khusus dari tulisan tangan yang mengandung karakter khusus dan bentuk-bentuk tambahan yang sering digunakan sebagai bukti vertifikasi
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 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 II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih terperinciDETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ. Muhammad Imron Rosadi 1
DETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ Muhammad Imron Rosadi 1 Prodi Teknik Informatika, Universitas Yudharta Pasuruan Purwosari 67162 Pasuruan Jawa Timur 1 Email : Imron_uyp@yahoo.com ABSTRAK
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDESAIN KARTU UCAPAN
PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDESAIN KARTU UCAPAN Rudy Adipranata 1, Liliana 2, Gunawan Iteh Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas Kristen Petra Jl. Siwalankerto
Lebih terperinciDeteksi Tepi pada Citra Digital menggunakan Metode Kirsch dan Robinson
Deteksi Tepi pada Citra Digital menggunakan Metode Kirsch dan Robinson Veronica Lusiana Program Studi Teknik Informatika, Universitas Stikubank email: verolusiana@yahoo.com Abstrak Segmentasi citra sebagai
Lebih terperinciIMPLEMENTASI METODE CANNY DAN SOBEL UNTUK MENDETEKSI TEPI CITRA
Hal : -29 IMPLEMENTASI METODE CANNY DAN SOBEL UNTUK MENDETEKSI TEPI CITRA Asmardi Zalukhu Mahasiswa Teknik Informatika STMIK Budi Darma Medan Jl. Sisingamangaraja No. 338 Simpang Limun Medan ABSTRAK Deteksi
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA
SEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA Kamil Malik Jurusan Teknik Informatika STT Nurul Jadid Paiton nomor1001@gmail.com Andi Hutami Endang Jurusan Teknik Informatika
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 terperinciRancang Bangun Sistem Pengujian Distorsi Menggunakan Concentric Circle Method Pada Kaca Spion Kendaraan Bermotor Kategori L3 Berbasis Edge Detection
JURNAL TEKNIK POMITS Vol., No., (22) -6 Rancang Bangun Sistem Pengujian Distorsi Menggunakan Concentric Circle Method Pada Kaca Spion Kendaraan Bermotor Kategori L3 Berbasis Edge Detection Muji Tri Nurismu
Lebih terperinciMuhammad Nasir. Jurusan Teknik Elektro Politeknik Negeri Lhokseumawe Jl. Banda Aceh Medan Km Lhokseumawe
KLASIFIKASI DAN PNGNALAN SIDIK JAI TTUMPUK BBASIS MTOD LANING VCTO QUANTIZATION Muhammad Nasir Jurusan Teknik lektro Politeknik Negeri Lhokseumawe Jl. Banda Aceh Medan Km. 280. Lhokseumawe 21 mail : masnasir_poli@yahoo.com
Lebih terperinciPENGENALAN SESEORANG MENGGUNAKAN CITRA GARIS TANGAN
PENGENALAN SESEORANG MENGGUNAKAN CITRA GARIS TANGAN Bagus Fadzerie Robby 1), Resty Wulanningrum 2) 1), 2) Universitas Nusantara PGRI Kediri 1), 2) Jl. KH. Achmad Dahlan 76, Kediri, Jawa Timur 64112 Email
Lebih terperinciOleh: Angger Gusti Zamzany( ) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.
Oleh: Angger Gusti Zamzany(1210100 073) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI PENGUJIAN
Lebih terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
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 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 terperinciPengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2)
Pengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2) ISSN : 1693 1173 Abstrak Pengenalan obyek pada citra merupakan penelitian yang banyak dikembangkan. Salah satunya pengenalan
Lebih 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 terperinciSISTEM KLASIFIKASI JENIS BERAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION
SISTEM KLASIFIKASI JENIS BERAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION Pradityo Utomo Program Studi D3 Manajemen Informatika Universitas Merdeka Madiun pradityou@gmail.com ABSTRACT Information
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciBAB I PENDAHULUAN. ke karakteristik tertentu pada manusia yang unik dan berbeda satu sama lain.
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah keamanan (security) merupakan salah satu isu yang sangat penting akhir-akhir ini. Salah satu teknik yang diunggulkan bisa diterapkan untuk permasalahan tersebut
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1 Pengenalan Tulisan Tangan Huruf Latin Bersambung Secara Real Time Menggunakan Algoritma Learning Vector Quantization Ulir Rohwana dan M Isa Irawan
Lebih terperinciPendeteksian Tepi Citra CT Scan dengan Menggunakan Laplacian of Gaussian (LOG) Nurhasanah *)
Pendeteksian Tepi Citra CT Scan dengan Menggunakan Laplacian of Gaussian (LOG) Nurhasanah *) *) Jurusan Fisika, FMIPA Universitas Tanjungpura Abstrak CT scan mampu menghasilkan citra organ internal (struktur
Lebih terperinciABSTRAK. Kata kunci : CBIR, GLCM, Histogram, Kuantisasi, Euclidean distance, Normalisasi. v Universitas Kristen Maranatha
ABSTRAK Content-Based Image Retrieval (CBIR) adalah proses untuk mendapatkan suatu citra berdasarkan konten-konten tertentu, konten yang dimaksud dapat berupa tekstur, warna, bentuk. CBIR pada dasarnya
Lebih terperinciIDENTIFIKASI NOMOR POLISI KENDARAAN BERMOTOR MENGGUNAKAN JARINGAN SYARAF TIRUAN SELF ORGANIZING MAPS (SOMS)
Powered by TCPDF (www.tcpdf.org) IDENTIFIKASI NOMOR POLISI KENDARAAN BERMOTOR MENGGUNAKAN JARINGAN SYARAF TIRUAN SELF ORGANIZING MAPS (SOMS) Inung Wijayanto¹, Iwan Iwut Tritoasmoro², Koredianto Usman³
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Sistem Analisis sistem adalah penguraian dari suatu sistem yang utuh ke dalam bagian-bagian komponennya dengan tujuan mengidentifikasikan dan mengevaluasi
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 terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
Lebih terperinciPENGENALAN POLA HURUF HIJAIYAH TULISAN TANGAN MENGGUNAKAN FUZZY FEATURE EXTRACTION DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA HURUF HIJAIYAH TULISAN TANGAN MENGGUNAKAN FUZZY FEATURE EXTRACTION DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Helsi Tia Vermala 1, Diyah Puspitaningrum 2, Yudi Setiawan 3 123 Program Studi
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 terperinciAnalisa Perbandingan Metode Edge Detection Roberts Dan Prewitt
Analisa Perbandingan Metode Edge Detection Roberts Dan Prewitt Romindo Polikteknik Ganesha Medan Jl. Veteran No. 190 Pasar VI Manunggal romindo4@gmail.com Nurul Khairina Polikteknik Ganesha Medan Jl. Veteran
Lebih terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
Lebih terperinciBAB III METODE PENELITIAN. Tujuan tugas akhir ini akan membangun suatu model sistem yang
BAB III METODE PENELITIAN 3.1 Model Pengembangan Tujuan tugas akhir ini akan membangun suatu model sistem yang melakukan proses data mulai dari pengolahan citra otak hingga menghasilkan output analisa
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 terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Nama Mahasiswa : Gigih Prasetyo Cahyono NRP : 1206 100 067 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Prof.
Lebih terperinciTujuan Penelitian Tujuan penelitian ini adalah untuk melakukan deteksi penyakit pada daun rose dengan menggunakan metode ANN.
Laporan Akhir Projek PPCD Deteksi Penyakit Daun Menggunakan Artificial Neural Network (ANN) TRI SONY(G64130020), GISHELLA ERDYANING (G64130040), AMALIYA SUKMA RAGIL PRISTIYANTO (G64130044), MUHAMMAD RIZQI
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Sebagai tinjauan pustaka, berikut beberapa contoh penelitian telapak kaki yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai
Lebih terperinciPENDETEKSIAN TEPI OBJEK MENGGUNAKAN METODE GRADIEN
PENDETEKSIAN TEPI OBJEK MENGGUNAKAN METODE GRADIEN Dolly Indra dolly.indra@umi.ac.id Teknik Informatika Universitas Muslim Indonesia Abstrak Pada tahap melakukan ekstraksi ciri (feature extraction) faktor
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN MOMENT INVARIANT DAN ALGORITMA BACK PROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN MOMENT INVARIANT DAN ALGORITMA BACK PROPAGATION Nasep Muhamad Ramdan (0522135) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jalan Prof. Drg.
Lebih terperinciKLASIFIKASI POLA UKIR KAYU JEPARA BERDASARKAN DETEKSI TEPI BERBASIS JARINGAN SYARAF TIRUAN
LAPORAN SKRIPSI KLASIFIKASI POLA UKIR KAYU JEPARA BERDASARKAN DETEKSI TEPI BERBASIS JARINGAN SYARAF TIRUAN VAHRUL MEILANI NIM.2012-51-115 DOSEN PEMBIMBING Endang Supriyati, M.Kom Alif Catur Murti, S.Kom,
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6 1
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6 1 Identifikasi Cacat Peluru dengan Menggunakan Pengolahan Citra Digital Berbasis Learning Vector Quantization (LVQ) Angger Gusti Z dan Dwi Ratna S
Lebih terperinciIDENTIFIKASI JENIS BATU AKIK MENGGUNAKAN METODE LEARNING VEKTOR QUANTIZATION (LVQ)
IDENTIFIKASI JENIS BATU AKIK MENGGUNAKAN METODE LEARNING VEKTOR QUANTIZATION (LVQ) SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S. Kom.) Pada Program Studi Teknik
Lebih terperinciPEMANFAATAN PENGOLAHAN CITRA DIGITAL DALAM MENENTUKAN KEMATANGAN BUAH KAKAO MENGGUNAKAN METODE EUCLIDEAN DISTANCE SKRIPSI
Artikel Skripsi PEMANFAATAN PENGOLAHAN CITRA DIGITAL DALAM MENENTUKAN KEMATANGAN BUAH KAKAO MENGGUNAKAN METODE EUCLIDEAN DISTANCE SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana
Lebih terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
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 terperinciSISTEM PENGENALAN BUAH MENGGUNAKAN METODE DISCRETE COSINE TRANSFORM dan EUCLIDEAN DISTANCE
SISTEM PENGENALAN BUAH MENGGUNAKAN METODE DISCRETE COSINE TRANSFORM dan EUCLIDEAN DISTANCE Bagus Aditya *), Achmad Hidayatno, and Ajub Ajulian Zahra Jurusan Teknik Elektro, Universitas Diponegoro Semarang
Lebih terperinciPENDETEKSI TEMPAT PARKIR MOBIL KOSONG MENGGUNAKAN METODE CANNY
PENDETEKSI TEMPAT PARKIR MOBIL KOSONG MENGGUNAKAN METODE CANNY Minati Yulianti 1, Cucu Suhery 2, Ikhwan Ruslianto 3 [1] [2] [3] Jurusan Sistem Komputer, Fakultas MIPA Universitas Tanjungpura Jl. Prof.
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 terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK ABSTRAK Dwi Putra Alexander (0722067) Jurusan Teknik
Lebih terperinciSegmentasi Dan Pelabelan Pada Citra Panoramik Gigi
Segmentasi Dan Pelabelan Pada Citra Panoramik Gigi Nur Nafi iyah 1, Yuliana Melita, S.Kom, M.Kom 2 Program Pascasarjana Sekolah Tinggi Teknik Surabaya Email: nafik_unisla26@yahoo.co.id 1, ymp@stts.edu
Lebih terperinciPertemuan 2 Representasi Citra
/29/23 FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 2 Representasi Citra Representasi Citra citra Citra analog Citra digital Matrik dua dimensi yang terdiri
Lebih 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 Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Bertambahnya jumlah mahasiswa dari tahun ke tahun di IT Telkom mengakibatkan semakin banyak buku buku Tugas Akhir yang dibuat. Dengan semakin banyaknya buku
Lebih terperinciPENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Alfa Ceria Agustina (1) Sri Suwarno (2) Umi Proboyekti (3) sswn@ukdw.ac.id othie@ukdw.ac.id Abstraksi Saat ini jaringan saraf tiruan
Lebih terperinciBAB 3 PERANCANGAN PERANGKAT LUNAK
A 3 PERANCANGAN PERANGKAT LUNAK Pada bab ini diuraikan mengenai perancangan perangkat lunak untuk implementasi aplikasi pengenalan obyek tiga dimensi dengan metode Subclass Discriminant Analysis (SDA).
Lebih terperinciARTIKEL APLIKASI KLASIFIKASI JENIS JENIS BUAH JERUK MENGGUNAKAN METODE K-NEAREST NEIGHBOR
ARTIKEL APLIKASI KLASIFIKASI JENIS JENIS BUAH JERUK MENGGUNAKAN METODE K-NEAREST NEIGHBOR Oleh: RIDHO ARY SUMARNO 13.1.03.02.0092 Dibimbing oleh : 1. Hermin Istiasih M.T., M.M. 2. Mochammad Bilal S.kom.,
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
Lebih terperinciPENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA
PENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA Dina Indarti Pusat Studi Komputasi Matematika, Universitas Gunadarma Jl. Margonda Raya no. 100, Depok 16424, Jawa Barat
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 terperinciPengenalan Jenis Ikan Air Laut dengan Metode Learning Vector Quantization (LVQ) Berbasis Citra
Pengenalan Jenis Ikan Air Laut dengan Metode Learning Vector Quantization (LVQ) Berbasis Citra Icha Maimunah, Nerfita Nikentari, Nurul Hayaty icha.umrah@gmail.com, nerfita.nikentari@umrah.ac.id Program
Lebih terperinci