|
|
- Sukarno Kusnadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Adaptif Range-Constrained Otsu Untuk Pemilihan hreshold Secara Otomatis Pada Histogram Citra Dengan Variansi Kelas Yang idak Seimbang Gama Wisnu Fajarianto 1, Ahmad Hifdhul Abror 2, Nur Hayatin 3 1 Magister eknik Informatika, Fakultas eknologi Informasi, IS, Surabaya 2 Sistem Informasi, Fakultas Saintek, UIN Sunan Ampel, Surabaya 3 eknik Informatika, Fakultas eknik, Universitas Muhammadiyah Malang 1 gama.fajarianto12@mhs.if.its.ac.id, 2 abror@uinsby.ac.id, 3 noorhayatin@umm.ac.id Abstrak Image hresholding merupakan proses segmentasi untuk memisahkan foreground dan background pada citra dengan cara membagi histogram citra menjadi dua kelas. Beberapa metode thresholding seperti Otsu dan Range-constrained Otsu menggunakan nilai variansi dari histogram untuk mendapatkan titik threshold, namun ketika menangani citra yang memiliki nilai variansi kelas foreground dan background tidak seimbang titik threshold yang dihasilkan kurang tepat. Paper ini mengusulkan metode Adaptif Range-constrained Otsu untuk mengatasi permasalahan variansi kelas yang tidak seimbang dengan cara mencari kelas yang memiliki nilai variansi lebih besar, untuk mendapatkan titik threshold yang lebih tepat. Pengujian menggunakan 22 ND image dengan evaluasi misclassification error rate dan metode perankingan menunjukkan metode ini menghasilkan rerata ME Sedangkan Otsu sebesar Nilai rerata ranking 3.55, selisih.5 dibanding Kittler III. Hasil ini menunjukkan metode yang diusulkan kompetitif, terutama untuk segmentasi citra yang memiliki variansi kelas tidak sama. Kata kunci: segmentasi, thresholding, histogram, Otsu, Range-constrained. Abstract Image thresholding is segmentation process for separating foreground and background of an image by dividing image histogram into two classes. Several thresholding methods like Otsu and Rangeconstrained Otsu using the variance value of the histogram to get the threshold point, but when handling images that have unbalance class variance of the foreground and background produce less accurate threshold point. his paper proposes a method Adaptive Range-constrained Otsu to solve unbalance class variance problem by finding a class that has greater variance value to obtain more accurate threshold point. ND testing using 22 images with misclassification error rate evaluation and ranking methods shows that this method results ME average of.1153, while Otsu method results he rankings mean value is 3.55, which has the difference of.5 when compared with Kittler III. hese results show that the proposed method is competitive, especially for image segmentation with different class variance. Key word: segmentasi, thresholding, histogram, Otsu, Range-constrained. 1. Pendahuluan Segmentasi citra dengan metode thresholding menjadi efektif digunakan untuk membedakan objek dengan background jika nilai keabuan menjadi pembeda yang penting diantara keduanya (Xu, Xu, Jin, & Song, 211). hresholding Otsu Method (OM) merupakan metode thresholding yang paling populer digunakan. Berbagai penerapan pada aplikasi dengan menggunakan OM, seperti segmentasi untuk mendapatkan objek ikan (Yao, Duan, Li, & Wang, 213) mammogram (Liu, sai, Liu, Yu, & Yu, 212) dan juga aplikasi modifikasi Otsu untuk segmentasi aurora (Gao, et al., 211). OM bekerja dengan baik ketika digunakan pada citra dengan variansi kelas yang kurang lebih sama, namun akan bias jika digunakan pada citra dengan variansi kelas yang berbeda. Sehingga, OM cenderung akan memotong kelas yang lebih besar (Qiao, Hu, Qian, Luo, & Nowinski, 27). OM juga memiliki karakteristik unik, yaitu sama dengan rerata nilai mean dari dua kelas yang dibagi dengan hasil threshold itu sendiri. Padahal titik perpotongan dari distribusi objek dan background adalah threshold yang ideal sebagai nilai pemisah antara objek dengan background (Xu, Xu, Jin, & Song, 211). Untuk mengatasi kelemahan OM yang memiliki kecenderungan bias, dikembangkan Rangeconstrained Otsu Method (ROM) (Xu, Xu, Jin, & Song, 211). Ide dari metode ini adalah membatasi 6 Register: Jurnal Ilmiah eknologi Sistem Informasi, Januari 216, Volume 2, Nomor 1
2 rentang pencarian thresholding Otsu. Hasil eksperimen yang dilakukan menunjukkan bahwa algoritma ROM superior dibandingkan OM dan beberapa metode yang lain. Namun, algoritma ini memiliki kekurangan, yaitu selalu membatasi pencarian pada area piksel yang lebih gelap dari titik threshold Otsu. Sehingga metode ROM hanya sesuai untuk menangani citra yang memiliki variansi kelas lebih besar dibagian piksel terang. Paper ini mengusulkan sebuah metode Adaptif Range-constrained Otsu untuk segmentasi citra dengan variansi kelas yang tidak seimbang dan mampu beradaptasi terhadap segala perbedaan variansi kelas pada citra. Sehingga ketika dilakukan proses thresholding dapat menghasilkan titik intersection point yang lebih tepat pada lembah gray-level histogram. 2. Metode Penelitian Pada paper ini diusulkan sebuah metode Adaptif Range-constrained Otsu untuk segmentasi citra keabuan dengan variansi kelas yang tidak seimbang. Metode ini akan mendeteksi secara otomatis variansi kelas yang lebih besar. Sehingga bias dari metode Otsu dapat diketahui. Proses selanjutnya dilakukan thresholding untuk menghasilkan titik intersection point yang lebih tepat. Ide dari metode Adaptif Range-constrained Otsu adalah mencari lembah terdekat dari hasil thresholding Otsu yang dilakukan pada citra dengan histogram keabuan [1...L]. Dimana, L adalah nilai maksimal tingkat keabuan piksel pada citra. Langkah pertama yang dilakukan metode ini adalah melakukan thresholding Otsu pada keseluruhan piksel citra (Otsu, 1979) hingga diperoleh threshold 1. Kemudian, threshold Otsu digunakan kembali dengan rentang histogram 1 hingga 1 untuk mencari L (hreshold Left) dan dilakukan proses yang sama untuk mendapatkan R (hreshold Right) dengan rentang 1 hingga L. Persamaan 1 dan 2 digunakan untuk mencari nilai L dan R. L = R = arg max {σ 2 b ()} 1 < 1 arg max {σ 2 b ()} 1 <L Banyaknya nilai piksel pada setiap bagian histogram dinotasikan dengan N L dan N R sesuai persamaan 3 dan 4. N L = 1 i= L 1 N R = R i= Langkah selanjutnya adalah mencari variansi terbesar dari histogram dengan cara membandingkan nilai rerata piksel antara L hingga 1 dan 1 hingga R ditunjukkan pada Gambar 1e. Rerata banyaknya piksel dinotasikan dengan μ L danμ R sesuai persamaan 5 dan 6. μ L = μ R = 1 n i i= L N L R n i i= 1 +1 N R Kemudian menentukan batasan rentang a dan buntuk mencari threshold optimal 2 sesuai persamaan 7 dan 8. 1, jika μ a = { L μ R 1 + 1, jika μ L > μ R b = { 1, jika μ L μ R L, jika μ L > μ R Langkah terakhir adalah menghitung threshold Optimal 2 dengan persamaan 9. 2 = arg max {σ 2 b ()} a <b Register: Jurnal Ilmiah eknologi Sistem Informasi, Januari 216, Volume 2, Nomor 1 7 (1) (2) (3) (4) (5) (6) (7) (8) (9)
3 Hasil eksperimen Gambar 1 (c). menunjukkan bahwa ROM tidak dapat melakukan segmentasi dengan baik ditunjukkan dengan adanya beberapa objek citra yang terhapus. Berbeda dengan penerapan Adaptif Range-constrained Otsu yang bisa memilih secara otomatis area dengan variansi yang lebih besar, ketika rentang pencarian threshold optimum ( 2) dilakukan pada bagian histogramdengan rentang [ 1-L] maka hasilnya menjadi lebih bagus dibandingkan dengan Otsu ditunjukkan pada Gambar 1 (d). Gambar 1 (a) Citra plat nomer (Fan & Lei, 212), (b) Otsu menghasilkan 1=176, (c) ROM dengan rentang [1-1] menghasilkan 2=95 (d), ROM dengan rentang [ 1-L] menghasilkan 2=223, (e) histogram citra plat nomer dengan rerata tingkat keabuan area A > B 3. Hasil Penelitian dan Pembahasan Penelitian ini menggunakan metode pengujian Misclassification Error-rate (ME) sebagai evaluasi performa yang akan membandingkan hasil segmentasi sebenarnya (groundtruth) dengan hasil segmentasi dari metode yang diajukan. ME akan menghitung jumlah piksel background dari hasil segmentasi yang dapat terklasifikasi dengan benar terhadap groundtruth ( B B ) dan jumlah piksel objek dari hasil segmentasi yang dapat terklasifikasi dengan benar terhadap groundtruth ( F F ). Selanjutnya, kedua nilai tersebut dijumlahkan dan hasilnya dibagi dengan jumlah total piksel ( B F ). Nilai ME ditentukan sesuai dengan persamaan 1. B ME 1 B B F F F Data set ND image digunakan untuk uji coba terhadap metode yang diusulkan. Nilai ME akan dihitung dan dilakukan perangkingan yang bertujuan untuk mengukur dan mengevaluasi performa dari metode yang diusulkan. abel 1 menunjukkan hasil pengukuran performa dari metode yang diusulkan dibandingkan dengan beberapa metode lain yang diambil dari hasil penelitian sebelumnya (Beauchemin, 213). Hasil evaluasi performa menggunakan ME menunjukkan bahwa metode yang diusulkan menghasilkan nilai rerata ME sebesar Sedangkan metode Otsu menghasilkan nilai rerata ME sebesar Untuk pengukuran performa secara perankingan, metode yang diusulkan mendapatkan nilai rerata ranking Sedangkan metode Kittler III mendapatkan nilai rerata ranking 3.5 dan metode Otsu Dari 22 ND image yang digunakan untuk uji coba, sejumlah 6 citra menghasilkan ranking 1 dengan metode yang diusulkan, citra tersebut adalah ND image nomor 3 dengan ME sebesar.21, nomor 6 dengan ME sebesar.26, nomor 8 dengan ME sebesar.78, nomor 13 dengan ME sebesar.62, nomor 15 dengan ME sebesar.33 dan nomor 2 dengan ME sebesar.189. Sedangkan 3 citra yang lain, yaitu ND image nomor 5 menghasilkan ranking 7 dengan nilai ME sebesar.8854, nomor 19 menghasilkan ranking 8 dengan nilai ME sebesar.393 dan nomor 22 menghasilkan ranking 7 dengan nilai ME sebesar Gambar 2 menunjukkan beberapa contoh citra hasil segmentasi dengan beberapa metode. Hasil segmentasi ketiga citra yang memilki nilai ME tinggi (Nomor 5, 19, 22) dikarenakan metode yang diusulkan menggunakan threshold Otsu sebagai titik awal threshold ( 1). Sehingga ketika threshold pertama ( 1) berada diluar dua puncak histogram objek dan background, maka mengakibatkan titik threshold kedua ( 2) menjadi kurang optimal. Faktor lain yang menyebabkan hasil segmentasi menjadi kurang optimal adalah ketika input citra memiliki karakteristik dengan bentuk histogram unimodal. Dimana, nilai histogram objek sangat rendah sehingga titik awal threshold terlalu mengarah pada background citra. 8 Register: Jurnal Ilmiah eknologi Sistem Informasi, Januari 216, Volume 2, Nomor 1 (1)
4 Dari analisa hasil pengujian tersebut dapat disimpulkan bahwa metode yang diusulkan mampu melakukan segmentasi citra lebih baik dibanding dengan hasil segmentasi metode Otsu, dengan nilai rerata ME sebesar Nilai rerata tersebut lebih kecil dibandingkan dengan nilai rerata Otsu. Semakin kecil nilai rerata ME, maka performa metode semakin baik. Dari hasil perankingan,metode yang diusulkan memiliki rerata ranking satu level dibawah metode Kittler III. Dengan selisih ranking sebesar.5. ini membuktikan bahwa metode yang diusulkan cukup kompetitif, terutama untuk segmentasi citra yang memiliki variansi kelas yang tidak sama. abel 1 Perbandingan hasil evaluasi performa dengan ME No. Metode [ Ranking (ME) ] Citra ND Abutaleb Otsu Kittler-III. Kapur et al. sai Li& Lee Pham Proposed 1 5 (.73) 3 (.63) 1 (.12) 1 (.7) 7 (.2) 6 (.9) 8 (.67) 2 (.136) 2 4 (.23) 7.5 (.49) 1 (.) 3 (.3) 5 (.24) 7 (.49) 6 (.46) 2 (.1) 3 5 (.31) 6 (.53) 2 (.3) 3 (.4) 4 (.17) 7 (.55) 8 (.56) 1 (.21) 4 5 (.26) 6 (.33) 2 (.21) 1 (.11) 4 (.19) 7 (.37) 8 (.51) 3 (.187) 5 5 (.78) 2 (.64) 8 (.91) 6 (.85) 3 (.65) 4 (.68) 1 (.52) 7 (.8854) 6 3 (.23) 7 (.43) 6 (.37) 4 (.28) 5 (.35) 8 (.45) 2 (.21) 1 (.26) 7 8 (.15) 4 (.2) 3 (.15) 6 (.38) 7 (.14) 2 (.14) 1 (.4) 5 (.372) 8 8 (.24) 5 (.12) 2 (.28) 6 (.14) 7 (.23) 4 (.11) 3 (.52) 1 (.78) 9 7 (.24) 3 (.12) 1 (.3) 5 (.47) 6 (.56) 3 (.12) 3 (.12) 4 (.35) 1 8 (.24) 5 (.66) 1 (.4) 7 (.15) 6 (.14) 3.5 (.52) 3.5 (.52) 2 (.236) 11 8 (.21) 3 (.29) 4 (.36) 7 (.56) 5 (.41) 1 (.11) 2 (.27) 6 (.469) 12 7 (.44) 2 (.8) 8 (.51) 6 (.4) 3 (.11) 4 (.16) 1 (.2) 5 (.174) 13 4 (.24) 3 (.22) 2 (.8) 5 (.36) 6 (.29) 7 (.71) 8 (.76) 1 (.62) 14 8 (.48) 2 (.1) 7 (.27) 6 (.22) 5 (.11) 3 (.4) 1 (.) 4 (.16) 15 5 (.37) 4 (.29) 3 (.19) 2 (.7) 8 (.43) 6 (.37) 7 (.38) 1 (.33) 16 7 (.88) 4 (.48) 2 (.7) 1 (.3) 4 (.48) 4 (.48) 5 (.58) 6 (.7835) 18 8 (.25) 4 (.36) 2 (.25) 7 (.22) 6 (.84) 1 (.21) 5 (.48) 3 (.267) 19 6 (.32) 2.5 (.15) 1 (.54) 7 (.35) 5 (.2) 4 (.18) 2.5 (.15) 8 (.393) (.62) 4 (.7) 3 (.28) 7.5 (.62) 6 (.28) 2 (.2) 5 (.25) 1 (.189) 21 4 (.11) 7 (.3) 8 (.47) 2 (.18) 5 (.18) 6 (.27) 1 (.1) 3 (.374) 22 5 (.71) 1 (.15) 3 (.3) 6 (.12) 4 (.58) 2 (.21) 8 (.16) 7 (.1252) 23 8 (.99) 2.5 (.3) 7 (.75) 6 (.23) 4 (.1) 1 (.) 2.5 (.3) 5 (.225) Rerata 6.16 (.2493) 3.98 (.1746) 3.5 (.957) 4.89 (.1298) 5.23 (.1843) 4.23 (.285) 4.16 (.2217) 3.55 (.1153) Gambar 2 Perbandingan citra hasil. (a) ND 1, (b) groundtruth ND1, (c) ND 1 dengan ROM, (d) ND 1 dengan metode yang diusulkan, (e) ND 2, (f) groundtruth ND2, (g) ND 2 dengan OM, (h) ND 2 dengan metode yang diusulkan 4. Kesimpulan Pada paper ini diusulkan metode Adaptif Range-constrained Otsu yang merupakan metode perbaikan dari metode ROM untuk segmentasi citra yang memiliki variansi kelas tidak sama. Idenya adalah mencari lembah terdekat terhadap threshold hasil metode Otsu ( 1) untuk mendapatkan threshold optimum ( 2). Metode ini akan melakukan dua kali hresholding Otsu. Kemudian menghitung nilai rerata masing-masing kelas. Dimana threshold optimum akan didapatkan pada area kelas yang memiliki Register: Jurnal Ilmiah eknologi Sistem Informasi, Januari 216, Volume 2, Nomor 1 9
5 nilai rerata kecil. Hasil pengujian menggunakan 22 ND image dengan evaluasi misclassification error rate dan metode perankingan menunjukkan bahwa metode ini menghasilkan rerata ME Sedangkan Otsu sebesar Nilai rerata ranking 3.55, selisih.5 dibanding Kittler III. Metode yang diajukan ini memiliki keunggulan dalam hal kompleksitas seperti metode Otsu yang memiliki nilai kompleksitas rendah sehingga memiliki running time yang relatif cepat. Hasil ini menunjukkan metode yang diusulkan kompetitif terutama untuk segmentasi citra yang memiliki variansi kelas tidak sama. Kombinasi dengan metode density clustering yang memperhatikan jarak ketetanggaan piksel dan konsentrasi nilai keabuan piksel pada histogram dapat dijadikan pengembangan lebih lanjut terhadap metode ini. Sehingga lebih baik dalam melakukan segmentasi terhadap citra yang memiliki karakteristik dengan bentuk histogram selain bimodal. 5. Ucapan erima Kasih Kami mengucapkan terima kasih kepada Dr. Agus Zainal Arifin, S.Kom, M.Kom, dosen pascasarjana eknik Informatika Institut eknologi Sepuluh Nopember (IS) Surabaya, selaku dosen pembimbing dalam penelitian ini. idak lupa pula kami berterima kasih kepada IS yang telah memberikan beasiswa Fresh Graduate untuk melanjutkan studi S2 di pascasarjana IS. 6. Referensi Beauchemin, M. (213). Image hresholding Based on Semivariance. Pattern Recognition Letters, 34(5), Fan, J. L., & Lei, B. (212). A Modified Valley-Emphasis Method for Automatic hresholding. Pattern Recognition Letters, 33(6), Gao, X., Fu, R., Li, X., ao, D., Zhang, B., & Yang, H. (211). Aurora Image Segmentation by Combining Patch and exture hresholding. Computer Vision and Image Understanding, 115(3), Hou, Z., Hu, Q., & Nowinski, W. ( ). On Minimum Variance hresholding. Pattern Recognition Letters, 27(14), 26. Liu, C. C., sai, C. Y., Liu, J., Yu, C. Y., & Yu, S. S. (212). A Pectoral Muscle Segmentation Algorithm for Digital Mammograms Using Otsu hresholding and Multiple Regression Analysis. Computers & Mathematics with Applications, 64(5), Otsu, N. (1979). hresholds Selection Method form Grey-Level Histograms. IEEE rans. On Systems, Man and Cybernetics, 9(1), Qiao, Y., Hu, Q., Qian, G., Luo, S., & Nowinski, W. L. (27). hresholding Based on Variance and Intensity Contrast. Pattern Recognition, 4(2), Xu, X., Xu, S., Jin, L., & Song, E. (211). Characteristic Analysis of Otsu hreshold and Its Applications. Pattern Recognition Letters, 32(211), Yao, H., Duan, Q., Li, D., & Wang, J. (213). An improved K-means Clustering Algorithm for Fish Image Segmentation. Mathematical and Computer Modelling, 58(3-4), Register: Jurnal Ilmiah eknologi Sistem Informasi, Januari 216, Volume 2, Nomor 1
Review Paper. Image segmentation by histogram thresholding using hierarchical cluster analysis
Review Paper Image segmentation by histogram thresholding using hierarchical cluster analysis Agus Zainal Arifin a,*, Akira Asano b a Graduate School of Engineering, Hiroshima University, 1-4-1 Kagamiyama,
Lebih terperinciPERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA
PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA Naser Jawas Sistem Komputer STMIK STIKOM Bali Jl Raya Puputan No.86 Renon, Denpasar, Bali 80226
Lebih terperinciJUDUL THRESHOLDING DENGAN PEMILIHAN WINDOW SECARA ADAPTIVE BERBASIS PENGUKURAN TINGKAT KETAJAMAN CITRA
PRESENTASI TESIS JUDUL THRESHOLDING DENGAN PEMILIHAN WINDOW SECARA ADAPTIVE BERBASIS PENGUKURAN TINGKAT KETAJAMAN CITRA OLEH I Made Darma Susila 5108.201.014 PEMBIMBING Dr. Agus Zainal, SKom., M.Kom. Isye
Lebih terperinciBINERISASI CITRA DOKUMEN DENGAN FILTERISASI HOMOMORPHIC
BINERISASI CITRA DOKUMEN DENGAN FILTERISASI HOMOMORPHIC Naser Jawas STMIK STIKOM BALI naser.jawas@stikom-bali.ac.id Abstrak Binerisasi citra dokumen adalah sebuah langkah awal yang sangat penting dalam
Lebih terperinciSEGMENTASI CITRA PANORAMIK GIGI MENGGUNAKAN SIMILARITAS ANTAR GRAY LEVEL BERDASARKAN INDEX OF FUZZINESS
Pratamasunu, Arifin, Yuniarti, Wijaya, Khotimah, dan Navastara Segmentasi Citra Panoramik Gigi Menggunakan Similaritas antar Gray Level erdasarkan Index of Fuzziness SEGMENTASI CITRA PANORAMIK GIGI MENGGUNAKAN
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN PENGHAPUSAN TEKSTUR DAN K-MEANS DENGAN BATASAN RUANG
SEGMENTASI CITRA MENGGUNAKAN PENGHAPUSAN TEKSTUR DAN K-MEANS DENGAN BATASAN RUANG Gama Wisnu Fajarianto 1, Handayani Tjandrasa 2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi
Lebih terperinciAnalisis Pengaruh Automatic Thresholding dalam Pemrosesan Citra Batupasir Berea
Analisis Pengaruh Automatic Thresholding dalam Pemrosesan Citra Batupasir Berea Chris Evan Sebastian 1,a), Chandra Winardhi 1,b), Fourier Dzar Eljabbar Latief 1,c) 1 Laboratorium Fisika Batuan, Kelompok
Lebih terperinciModifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram
Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram Shabrina Mardhi Dalila (5109100049) Dosen Pembimbing 1 Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D. Dosen
Lebih terperinciModifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-5 1 Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram Shabrina Mardhi Dalila, Handayani Tjandrasa, dan Nanik
Lebih terperinciAlgoritma Thresholding Adaptif Citra Medis Berbasis Pengukuran Tingkat Ketajaman Citra
Algoritma Thresholding Adaptif Citra Medis Berbasis engukuran Tingkat Ketaaman Citra I Made Darma Susila, Agus Zainal Arifin, Isye Arieshanti Vision and Image rocessing Laboratory, Jurusan Teknik Informatika,
Lebih terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
Lebih terperinciImplementasi Metode Watershed Transformation Dalam Segmentasi Tulisan Aksara Bali Berbasis Histogram
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Implementasi Metode Watershed Transformation Dalam Segmentasi Tulisan Aksara Bali Berbasis Histogram Komang Budiarta,
Lebih terperinciPENENTUAN THRESHOLD CITRA MULUT DENGAN METODE NORMAL PROBABILITY DENSITY FUNCTION (NPDF) GUNA MENDETEKSI MULUT PEMELAJAR
ISSN cetak 087-76 ISSN online 548-777 ILKOM Jurnal Ilmiah Volume Nomor Agustus 07 PENENTUAN THRESHOLD CITRA MULUT DENGAN METODE NORMAL PROBABILITY DENSITY FUNCTION (NPDF) GUNA MENDETEKSI MULUT PEMELAJAR
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 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 terperinciPengenalan Karakter Sintaktik menggunakan Algoritma Otsu dan Zhang-Suen
Pengenalan Karakter Sintaktik menggunakan Algoritma Otsu dan Zhang-Suen Yusfia Hafid Aristyagama (23214355) Electrical Engineering, Digital Media and Game Technology Institut Teknologi Bandung Bandung,
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 IMPLEMENTASI KD-TREE K-MEANS CLUSTERING PADA KLASTERISASI DOKUMEN (Kata kunci: KD-Tree K-Means Clustering, Klasterisasi Dokumen, K- Dimensional Tree, K-Means Clustering)
Lebih terperinci1BAB I. 2PENDAHULUAN
1BAB I. 2PENDAHULUAN 2.1. Latar Belakang Pelacak objek (object tracking) pada saat ini merupakan penelitian yang menarik dalam bidang computer vision. Pelacak objek merupakan langkah awal dari berbagai
Lebih terperinciIDENTIFIKASI FOKUS MIKROSKOP DIGITAL MENGGUNAKAN METODE OTSU
Berkala Fisika ISSN : 1410-9662 Vol. 17, No.4, Oktober 2014, hal 139-144 IDENTIFIKASI FOKUS MIKROSKOP DIGITAL MENGGUNAKAN METODE OTSU Ari Bawono *, Kusworo Adi dan Rahmat Gernowo Jurusan Fisika, Universitas
Lebih terperinciPENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS
PENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS Disusun oleh: Juan Elisha Widyaya (0822014) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri, MPH, no. 65, Bandung, Indonesia
Lebih terperinciTraffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel
1 Traffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel Andi Muhammad Ali Mahdi Akbar, Arief Kurniawan, Ahmad Zaini Jurusan Teknik Elektro, Fakultas Teknik Industri Institut
Lebih terperinciSYSTEMIC Vol. 1, No. 1, Agustus 2015, PENGENALAN CATATAN PENJUALAN MENGGUNAKAN PENGENALAN ANGKA BERBASIS KORELASI.
SYSTEMIC Vol. 1, No. 1, Agustus 2015, 14-19 PENGENALAN CATATAN PENJUALAN MENGGUNAKAN PENGENALAN ANGKA BERBASIS KORELASI Ahmad Yusuf 1) 1) Fakultas Sains dan Teknologi, Universitas Islam Negeri Sunan Ampel
Lebih terperinciIMPLEMENTASI THRESHOLDING CITRA MENGGUNAKAN ALGORITMA HYBRID OPTIMAL ESTIMATION
IMPLEMENTASI THRESHOLDING CITRA MENGGUNAKAN ALGORITMA HYBRID OPTIMAL ESTIMATION M Hafidh Fauzi 1, Prof.Ir.Handayani Tjandrasa, M.Sc., Ph.D 2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut
Lebih terperinciAutomatic Gridding Citra Microarray dengan Menggunakan Image Thresholding
Automatic Gridding Citra Microarray dengan Menggunakan Image Thresholding Joko Siswantoro Departemen Matematika dan Ilmu Pengetahuan Alam Universitas Surabaya oko_siswantoro@ubaya.ac.id Abstrak Citra microarray
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 terperinciAplikasi Image Thresholding untuk Segmentasi Objek Menggunakan Metode Otsu s Algorithm. Erick Hartas/
Aplikasi Image Thresholding untuk Segmentasi Objek Menggunakan Metode Otsu s Algorithm Erick Hartas/0322002 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof. Drg. Suria Sumantri
Lebih terperinciSISTEM TEMU KEMBALI CITRA UNTUK E- COMMERCE MENGGUNAKAN PROSEDUR PENCARIAN DUA FASE DENGAN FITUR HISTOGRAM MULTI TEKSTON
SISTEM TEMU KEMBALI CITRA UNTUK E- COMMERCE MENGGUNAKAN PROSEDUR PENCARIAN DUA FASE DENGAN FITUR HISTOGRAM MULTI TEKSTON Nurissaidah Ulinnuha 1), Halimatus Sa dyah 2) Fakultas Sains dan Teknologi, Universitas
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 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 terperinciSegmentasi Bagian Paru-Paru di Citra 2D CT-Scan
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Segmentasi Bagian Paru-Paru di Citra 2D CT-Scan Naser Jawas STIKOM Bali Jl. Raya Puputan no.86 Renon Denpasar e-mail: naser.jawas@stikom-bali.ac.id
Lebih terperinciImplementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari)
Implementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari) Amalfi Yusri Darusman Jurusan Teknik Informatika Institut Teknologi Bandung, jalan Ganesha 10 Bandung, email : if17023@students.if.itb.a.c.id
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 6, No. 2 (2017) Hal: 99-107 Journal of Control and Network Systems Situs Jurnal: http://jurnal.stikom.edu/index.php/jcones PERBAIKAN CITRA DOKUMEN TERDEGRADASI DENGAN METODE PENGATURAN KONTRAS
Lebih terperinciBAB 2 LANDASAN TEORI. metode yang digunakan sebagai pengawasan kendaraan yang menggunakan pengenalan
BAB 2 LANDASAN TEORI 2.1 Automatic Number Plate Recognition Automatic Number Plate Recognition atau yang disingkat dengan ANPR adalah metode yang digunakan sebagai pengawasan kendaraan yang menggunakan
Lebih terperinciBAB III PERANCANGAN SISTEM. Pada dewasa sekarang ini sangat banyak terdapat sistem dimana sistem tersebut
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Pada dewasa sekarang ini sangat banyak terdapat sistem dimana sistem tersebut sudah terintegrasi dengan komputer, dengan terintegrasinya sistem tersebut
Lebih terperinciPERBAIKAN CITRA UNTUK PENGENALAN WAJAH PADA CITRA WAJAH DENGAN PENCAHAYAAN TIDAK MERATA
PERBAIKAN CITRA UNTUK PENGENALAN WAJAH PADA CITRA WAJAH DENGAN PENCAHAYAAN TIDAK MERATA Naser Jawas STMIK STIKOM Bali Jl Raya Puputan no.86, Renon, Denpasar 80226 Email : naser.jawas@stikom-bali.ac.id1)
Lebih terperinciPENGENALAN ABJAD SISTEM ISYARAT BAHASA INDONESIA (SIBI) BERBASIS KAMERA DEPTH
ISSN 1858-4667 JURNAL LINK VOL 24/No. 1/Februari 2016 PENGENALAN ABJAD SISTEM ISYARAT BAHASA INDONESIA (SIBI) BERBASIS KAMERA DEPTH Cucun Very Angkoso 1, Muhammad Fuad 2, Dian Rusydi Hadiwineka 3 Program
Lebih terperinciSegmentasi Gambar Berwarna menggunakan Metode Hibrida Modifikasi Sauvola dan Fuccy C-Means (SMFCM)
Segmentasi Gambar Berwarna menggunakan Metode Hibrida Modifikasi Sauvola dan Fuccy C-Means (SMFCM) Irawan Dwi Wahyono 1, Gilang Bayu Adhi 2 1 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Brawijaya
Lebih terperinciImplementasi Deteksi Mata Otomatis Menggunakan Pemfilteran Intensitas dan K-Means Clustering
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Deteksi Mata Otomatis Menggunakan Pemfilteran Intensitas dan K-Means Clustering Ahmad Kadiq, Arya Yudhi Wijaya,
Lebih terperinciPEMBANGUNAN SISTEM CONTENT-BASED IMAGE RETRIEVAL MENGGUNAKAN KODE FRAKTAL DARI DOKUMEN CITRA TESIS ARIF RAHMAN NIM :
PEMBANGUNAN SISTEM CONTENT-BASED IMAGE RETRIEVAL MENGGUNAKAN KODE FRAKTAL DARI DOKUMEN CITRA TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar Magister dari Institut Teknologi Bandung
Lebih terperinciANALISA LETAK PAPAN REKLAME IKLAN PRODUK BERDASARKAN SALIENT REGION DETECTION
ANALISA LETAK PAPAN REKLAME IKLAN PRODUK BERDASARKAN SALIENT REGION DETECTION Abdul Rokhim 1 dan Lukman Zaman 2 1 Manajemen Informatika STMIK Yadika Bangil 2 Teknik Informatika Sekolah Tinggi Teknik Surabaya
Lebih terperinciPERBANDINGAN PERFORMANCE IMAGE MATCHING MENGGUNAKAN KESAMAAN LANGSUNG DAN KESAMAAN SETELAH SEGMENTASI
Seminar asional Ilmu Komputer dan eknologi Informasi 003 PERBADIGA PERFORMACE IMAGE MACHIG MEGGUAKA KESAMAA LAGSUG DA KESAMAA SEELAH SEGMEASI AA RAMADIJAI, ACHMAD BASUKI Jurusan eknologi Informasi Lab
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Identifikasi Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang 1.1.1. Identifikasi Masalah Penggunaan citra digital telah menjadi semakin popular akhir-akhir ini. Hal ini menyebabkan program pengolah grafis untuk memanipulasi citra
Lebih terperinciPERBANDINGAN RUANG WARNA PADA PENGOLAHAN INFORMASI WARNA UNTUK SEGMENTASI CITRA MENGGUNAKAN NEUTROSOPHIC SET
PERBANDINGAN RUANG WARNA PADA PENGOLAHAN INFORMASI WARNA UNTUK SEGMENTASI CITRA MENGGUNAKAN NEUTROSOPHIC SET Monica Widiasri Teknik Informatika, Fakultas Teknik, Universitas Surabaya monica@ubaya.ac.id
Lebih terperinciKLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS
Ikhwan Ruslianto KLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS IKHWAN RUSLIANTO Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan
Lebih terperinciKlasifikasi kelompok usia berdasarkan citra wajah menggunakan algoritma neural network dengan fitur face anthropometry dan kedalam kerutan
Klasifikasi kelompok usia berdasarkan citra wajah menggunakan algoritma neural network dengan fitur face anthropometry dan kedalam kerutan Nur Hayatin Teknik Informatika, Universitas Muhammadiyah Malang
Lebih terperinciPertemuan 3 Perbaikan Citra pada Domain Spasial (1) Anny Yuniarti, S.Kom, M.Comp.Sc
Pertemuan 3 Perbaikan Citra pada Domain Spasial (1), S.Kom, M.Comp.Sc Tujuan Memberikan pemahaman kepada mahasiswa mengenai berbagai teknik perbaikan citra pada domain spasial, antara lain : Transformasi
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 IMPLEMENTASI DETEKSI TITIK POTONG PEMBULUH DARAH PADA CITRA FUNDUS RETINA MENGGUNAKAN ALGORITMA COMBINED CROSS POINT NUMBER Kata Kunci: Citra Fundus Retina, Segmentasi Citra,
Lebih terperinciANALISIS DAN PERANCANGAN PERANGKAT LUNAK IMAGE THINNING DENGAN METODE ZHANG SUEN SKRIPSI SUCI INDAH SYAHPUTRI
ANALISIS DAN PERANCANGAN PERANGKAT LUNAK IMAGE THINNING DENGAN METODE ZHANG SUEN SKRIPSI SUCI INDAH SYAHPUTRI 091421022 PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA
Lebih terperinciSegmentasi Gambar Warna Menggunakan Sauvola Modifikasi Fuzzy C-Means (SMFCM)
Segmentasi Gambar Warna Menggunakan Sauvola Modifikasi Fuzzy C-Means (SMFCM) Gilang Bayu Adhi 1, Irawan Dwi Wahyono 2 Institut Teknologi Sepuluh Nopember Jalan ITS Raya 60111, Surabaya e-mail: gilangbayu.adhi@gmail.com
Lebih terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL
1 SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (Human Face Detection System on Digital Images) Setyo Nugroho 1, Agus Harjoko 2 Program Studi Ilmu Komputer Program Pascasarjana Universitas Gadjah
Lebih terperinciKOMBINASI METODE MORPHOLOGICAL GRADIENT DAN TRANSFORMASI WATERSHED PADA PROSES SEGMENTASI CITRA DIGITAL
KOMBINASI METODE MORPHOLOGICAL GRADIENT DAN TRANSFORMASI WATERSHED PADA PROSES SEGMENTASI CITRA DIGITAL Rudy Adipranata Universitas Kristen Petra Jl. Siwalankerto 121-131, Surabaya. Telp. (031) 8439040
Lebih terperinciii
KLASIFIKASI PENDAFTAR BEASISWA BIDIKMISI UNIVERSITAS SEBELAS MARET MENGGUNAKAN ALGORITMA C4.5 SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Program Studi Informatika Disusun
Lebih terperinciPERBAIKAN DAN EVALUASI KINERJA ALGORITMA PIXEL- VALUE DIFFERENCING ( PVD) ROJALI
PERBAIKAN DAN EVALUASI KINERJA ALGORITMA PIXEL- VALUE DIFFERENCING ( PVD) ROJALI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya
Lebih terperinciPengukuran Blok Window Terbaik Berdasarkan MSE...
Pengukuran Blok Window Terbaik Berdasarkan MSE... (Dwiyanto dkk.) PENGUKURAN BLOK WINDOW TERBAIK BERDASARKAN MSE UNTUK SEGMENTASI CITRA SIDIK JARI BERBASIS MEAN DAN VARIANS Dwiyanto *, Agus Bejo, Risanuri
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 terperinciPENGELOMPOKAN CITRA WAJAH DENGAN TEKNIK SUBSPACE CLUSTERING MENGGUNAKAN ALGORITMA LSA SC (LOCAL SUBSPACE AFFINITY SPECTRAL CLUSTERING)
PENGELOMPOKAN CITRA WAJAH DENGAN TEKNIK SUBSPACE CLUSTERING MENGGUNAKAN ALGORITMA LSA SC (LOCAL SUBSPACE AFFINITY SPECTRAL CLUSTERING) Disusun oleh : Febryan Setiawan (0922081) Jurusan Teknik Elektro,
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 terperinciSEGMENTASI CITRA MEDIK MRI (MAGNETIC RESONANCE IMAGING) MENGGUNAKAN METODE REGION THRESHOLD
SEGMENTASI CITRA MEDIK MRI (MAGNETIC RESONANCE IMAGING) MENGGUNAKAN METODE REGION THRESHOLD Murinto, Resa Fitria Rahmawati Program Studi Teknik Informatika Fakultas Teknologi Industri Universitas Ahmad
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 terperinciPENGARUH PENCAHAYAAN TERHADAP KINERJA SEGMENTASI
PENGARUH PENCAHAYAAN TERHADAP KINERJA SEGMENTASI Iman H. Kartowisatro Computer Engineering Department, Faculty of Engineering, BINUS University Jln. K.H. Syahdan No. 9, Palmerah, Jakarta Barat 11480 imanhk@binus.edu
Lebih terperinciSEGMENTASI OBYEK PADA CITRA DIGITAL MENGGUNAKAN METODE OTSU THRESHOLDING
Jurnal Informatika, Vol. 13, No. 1, Mei 2015, 1-8 ISSN 1411-0105 DOI: 10.9744/informatika.13.1.1-8 SEGMENTASI OBYEK PADA CITRA DIGITAL MENGGUNAKAN METODE OTSU THRESHOLDING Slamet Imam Syafi i 1*, Rima
Lebih terperinciDETEKSI EMBRIO AYAM BERDASARKAN CITRA GRAYSCALE MENGGUNAKAN K-MEANS AUTOMATIC THRESHOLDING Paulus Harsadi 1)
ISSN : 1693 1173 DETEKSI EMBRIO AYAM BERDASARKAN CITRA GRAYSCALE MENGGUNAKAN K-MEANS AUTOMATIC THRESHOLDING Paulus Harsadi 1) Abstract Image segmentation is a basic operation for the next image analysis
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB 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 NOTASI BALOK MENGGUNAKAN SEGMENTASI DAN JARINGAN SYARAF TIRUAN UNTUK MENGHASILKAN NADA BERIRAMA BERBASIS IOS
TESIS PENGENALAN NOTASI BALOK MENGGUNAKAN SEGMENTASI DAN JARINGAN SYARAF TIRUAN UNTUK MENGHASILKAN NADA BERIRAMA BERBASIS IOS OZZI SURIA No. Mhs : 135302011/PS/MT PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA
Lebih terperinciSegmentasi pada Citra Panoramik Gigi dengan Metode Two-Stage SOM dan T-CLUSTER
Segmentasi pada Citra Panoramik Gigi dengan Metode Two-Stage SOM dan T-CLUSTER Khoirul Umam 1, Fidi Wincoko Putro 2, Gulpi Qorik Oktagalu Pratamasunu 3 Program Studi Magister Teknik Informatika, Jurusan
Lebih terperinciDeteksi Citra Objek Lingkaran Dengan Menggunkan Metode Ekstraksi Bentuk Circularity
54 Integer Journal, Vol 1, No 1, Maret 2016: 54-59 Deteksi Citra Objek Lingkaran Dengan Menggunkan Metode Ekstraksi Bentuk Circularity Hendro Nugroho Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciCOUNTING SPERMA AKTIF MENGGUNAKAN METODE OTSU THRESHOLD DAN LOCAL ADAPTIVE THRESHOLD
Teknika : Engineering and Sains Journal Volume 1, Nomor 1, Juni 017, 47-54 ISSN 579-54 online ISSN 580-4146 print COUNTING SPERMA AKTIF MENGGUNAKAN METODE OTSU THRESHOLD DAN LOCAL ADAPTIVE THRESHOLD Moch.
Lebih terperinciPerbandingan Metode K Nearest Neighbor dan K Means Clustering dalam Segmentasi Warna pada Citra ABSTRAK
Perbandingan Metode K Nearest Neighbor dan K Means Clustering dalam Segmentasi Warna pada Citra Hanri Paskal/0322114 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri 65, Bandung 40165,
Lebih terperinciOTOMASI PEMBENTUKAN LOCAL WINDOW DENGAN METODE SOM PADA BINERISASI DOKUMEN
Vol. 2, No. 2 Desember 2011 ISSN 2088-2130 OTOMASI PEMBENTUKAN LOCAL WINDOW DENGAN METODE SOM PADA BINERISASI DOKUMEN Wahyu Andhyka K. 1), Tri Adhi W., Kun Nursyaiful Priyo P. 1) Fakultas Teknologi Informasi,
Lebih terperinciPENERAPAN METODE DETEKSI TEPI CANNY UNTUK SISTEM PENGENALAN PLAT NOMOR KENDARAAN TUGAS AKHIR
PENERAPAN METODE DETEKSI TEPI CANNY UNTUK SISTEM PENGENALAN PLAT NOMOR KENDARAAN (STUDI KASUS PADA TEMPAT PARKIR NYI AGENG SERANG) TUGAS AKHIR Diajukan sebagai salah satu syarat untuk memperoleh gelar
Lebih terperinciPENGGUNAAN METODE TEMPLATE MATCHING UNTUK KLASIFIKASI GAMBAR WAJAH
PENGGUNAAN METODE TEMPLATE MATCHING UNTUK KLASIFIKASI GAMBAR WAJAH TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang Oleh: Slamet Heri
Lebih terperinciDEKOMPOSISI MORFOLOGI BENTUK BINER DUA DIMENSI MENJADI POLIGON KONVEKS DENGAN PENDEKATAN HEURISTIK
DEKOMPOSISI MORFOLOGI BENTUK BINER DUA DIMENSI MENJADI POLIGON KONVEKS DENGAN PENDEKATAN HEURISTIK Nanik Suciati, Rosdiana Rahmawati Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinciKombinasi Teknik Ekstraksi Fitur pada Sistem Temu Kembali Citra Mammogram
Kombinasi Teknik Ekstraksi Fitur pada Sistem Temu Kembali Citra Mammogram Diana Purwitasari Teknik Informatika - FTIF, Institut Teknologi Sepuluh Nopember diana@if.its.ac.id Anugrah Nahari Teknik Informatika
Lebih terperinciPENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2016, pp. 590~595 PENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION 590 Indra Gunawan
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 terperinciOleh : Rahanimi Pembimbing : Dr. M Isa Irawan, M.T
PERAMALAN JUMLAH MAHASISWA PENDAFTAR PMDK JURUSAN MATEMATIKA MENGGUNAKAN METODE AUTOMATIC CLUSTERING DAN RELASI LOGIKA FUZZY (STUDI KASUS di INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA) Oleh : Rahanimi
Lebih terperinciPENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM)
PENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM) Rima Tri Wahyuningrum *) Program Studi Teknik Informatika,
Lebih terperinciPeningkatan Kualitas Citra. Domain Spasial
Peningkatan Kualitas Citra Domain Spasial 2 Tujuan Perbaikan Citra Tujuan dari teknik peningkatan mutu citra adalah untuk melakukan pemrosesan terhadap citra agar hasilnya mempunyai kwalitas relatif lebih
Lebih terperinciHYBRID GENETIC ALGORITHM DAN ANT COLONY OPTIMIZATION UNTUK OPTIMISASI METODE MULTILEVEL IMAGE THRESHOLDING
HYBRID GENETIC ALGORITHM DAN ANT COLONY OPTIMIZATION UNTUK OPTIMISASI METODE MULTILEVEL IMAGE THRESHOLDING Gede Aditra Pradnyana, I Putu Gede Hendra Suputra Jurusan Ilmu Komputer, Fakultas MIPA, Universitas
Lebih terperinciDETEKSI WAJAH BERBASIS SEGMENTASI WARNA KULIT MENGGUNAKAN RUANG WARNA YCbCr & TEMPLATE MATCHING
DETEKSI WAJAH BERBASIS SEGMENTASI WARNA KULIT MENGGUNAKAN RUANG WARNA YCbCr & TEMPLATE MATCHING Rony Wijanarko *, Nugroho Eko Fakultas Teknik Universitas Wahid Hasyim Semarang Jl. Menoreh Tengah X/22 Semarang
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan metode penelitian sebagai berikut: 1) Pengumpulan Data Tahap ini dilakukan sebagai langkah awal dari suatu penelitian. Mencari
Lebih terperinciLAPORAN SKRIPSI PERBANDINGAN DETEKSI TEPI (PREWITT DAN SOBEL) PADA CITRA DAUN TEMBAKAU BERDASARKAN PERBAIKAN KUALITAS CITRA
LAPORAN SKRIPSI PERBANDINGAN DETEKSI TEPI (PREWITT DAN SOBEL) PADA CITRA DAUN TEMBAKAU BERDASARKAN PERBAIKAN KUALITAS CITRA Oleh : NOVITA RUKMI 2010-51-078 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT UNTUK
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 terperinciPENGENALAN WAJAH MENGGUNAKAN METODE INDEPENDENT COMPONENT ANALYSIS ABSTRAK
PENGENALAN WAJAH MENGGUNAKAN METODE INDEPENDENT COMPONENT ANALYSIS Rudy Hova / 0222165 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia Email : rudy_hova@yahoo.com
Lebih terperinciPENGENALAN DAN PEWARNAAN PADA CITRA GRAY-SCALE ABSTRAK
PENGENALAN DAN PEWARNAAN PADA CITRA GRAY-SCALE NOVIANI KRISNADI/0322064 Email Address: s103novi@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri 65, Bandung 40165, Indonesia
Lebih terperinciMILIK UKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan Thinning atau penipisan citra adalah suatu operasi untuk mereduksi citra biner dalam suatu objek menjadi rangka (skeleton) yang menghampiri sumbu objek.
Lebih terperinciEkstraksi Keyframe dengan Entropy Differences untuk Temu Kembali Konten Video berbasis Speeded-Up Robust Feature
Ekstraksi Keyframe dengan Entropy Differences untuk Temu Kembali Konten Video berbasis Speeded-Up Robust Feature M Misbachul Huda Institut Teknologi Sepuluh Nopember (ITS) Surabaya misbachul.h@gmail.com
Lebih terperinciPelacakan Obyek Gambar Video Berdasarkan Segmentasi Citra Dan Pola Pencocokan
263 Pelacakan Obyek Gambar Video Berdasarkan Segmentasi Citra Dan Pola Pencocokan Kemal Farouq Mauladi 1, Yuliana Melita 2 Jurusan Teknik Informatika Universitas Islam Lamongan Jurusan Teknologi Informasi,
Lebih terperinciMengenal Lebih Jauh Apa Itu Point Process
Mengenal Lebih Jauh Apa Itu Point Process Faisal Ridwan FaizalLeader99@yahoo.com Lisensi Dokumen: Copyright 2003-2007 IlmuKomputer.Com Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi
Lebih terperinciModel Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi
ISSN: 2089-3787 1181 Model Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi Soegiarto 1, Bahar 2 Program Studi Teknik Informatika, STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru
Lebih terperinciANALISIS KOMPARASI METODE PERBAIKAN KONTRAS BERBASIS HISTOGRAM EQUALIZATION PADA CITRA MEDIS
ANALISIS KOMPARASI METODE PERBAIKAN KONTRAS BERBASIS HISTOGRAM EQUALIZATION PADA CITRA MEDIS Aditya Akbar Riadi Fakultas Teknik, Program Studi Teknik Informatika Universitas Muria Kudus Email: aditya.akbar@umk.ac.id
Lebih terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Lebih terperinciPENGKLASIFIKASIAN DAUN MANGGA, SALAM DAN SAWO DENGAN MENGGUNAKAN METODE NAIVE BAYES
PENGKLASIFIKASIAN DAUN MANGGA, SALAM DAN SAWO DENGAN MENGGUNAKAN METODE NAIVE BAYES Andrian Riza Hermawan 1, Andriano E. Wibowo 2, Dhio Alfanda F. 3, Dwi Fetiria Ningrum 4, Naldo Sancho Liman 5 1,2,3,4,5
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN MODIFIED HAUSDORFF DISTANCE ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN MODIFIED HAUSDORFF DISTANCE Daniel Halomoan (0822056) Jurusan Teknik Elektro Universitas Kristen Maranatha email: daniel170390@gmail.com
Lebih terperinciAnalisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra
Analisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra Meirista Wulandari Jurusan Teknik Elektro, Universitas Tarumanagara, Jakarta, Indonesia meiristaw@ft.untar.ac.id Diterima 10 Desember 016
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 terperinciDETEKSI DAN SEGMENTASI OTOMATIS DERET PADA CITRA METERAN AIR
DETEKSI DAN SEGMENTASI OTOMATIS DERET PADA CITRA METERAN AIR Naser Jawas STIKOM Bali Jl. Raya Puputan, No.86, Renon, Denpasar, Bali Email: naser.jawas@gmail.com ABSTRAK Meter air adalah sebuah alat yang
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciIMPLEMENTASI PERHITUNGAN KECEPATAN OBJEK BERGERAK BERBASIS WEBCAM DAN PENGOLAHAN CITRA DIGITAL
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2009 IMPLEMENTASI PERHITUNGAN KECEPATAN OBJEK BERGERAK BERBASIS WEBCAM DAN PENGOLAHAN CITRA DIGITAL Bambang Hermanto¹, Koredianto Usman², Iwan Iwut Tirtoasmoro³
Lebih terperinci