KLASIFIKASI TINGKAT KEMATANGAN BUAH PEPAYA (CARICA PAPAYA L) CALIFORNIA (CALLINA-IPB 9) DALAM RUANG WARNA HSV DAN ALGORITMA K-NEAREST NEIGHBORS
|
|
- Lanny Tanudjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 KLASIFIKASI TINGKAT KEMATANGAN BUAH PEPAYA (CARICA PAPAYA L) CALIFORNIA (CALLINA-IPB 9) DALAM RUANG WARNA HSV DAN ALGORITMA K-NEAREST NEIGHBORS Sigit Sugiyanto*, Feri Wibowo Program Studi Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Purwokerto Jl. Raya Dukuhwaluh, PO BOX 202 Purwokerto Telp.(0281) * ABSTRAK Permasalahan pascapanen pada buah pepaya yang diproduksi secara skala besar atau industri, salah satunya adalah dalam hal penyortiran buah pepaya, selama ini buah pepaya diidentifikasi tingkat kematangannya berdasarkan analisa warna kulit buah secara visual mata manusia yang memiliki keterbatasan. Proses identifikasi seperti ini memiliki beberapa kelemahan diantaranya yaitu membutuhkan tenaga lebih banyak untuk memilah, tingkat persepsi kematangan buah yang berbeda, tingkat kekonsitenan manusia dalam hal menilai kematangan buah tidak menjamin, karena manusia dapat mengalami kelelahan, dan manusia juga dalam menilai kematangan buah terkadang bersifat subjektif. Metode yang diusulkan untuk membantu identifikasi tingkat kematangan buah pepaya california (callina) dalam proses sortasi adalah dengan membangun sebuah aplikasi berbasis teknologi pengolahan citra digital dan menggunakan algoritma K-Nearest Neighbors (KNN). Pengujian dengan jumlah K tetangga 3 dan jumlah data citra uji sebanyak 12 data, didapatkan tingkat keakuratan algoritma KNN sebesar 75%, dengan data output yang tidak sesuai dengan target sejumlah 3 data dan yang sesuai target sejumlah 9 data. Pengujian dengan jumlah K tetangga 5 dan jumlah data citra uji sebanyak 12 data, didapatkan tingkat keakuratan algoritma KNN sebesar 83,34%, dengan data output yang tidak sesuai dengan target sejumlah 2 data dan yang sesuai target sejumlah 10 data. Kata kunci: pepaya, pengolahan citra digital, KNN. PENDAHULUAN Indonesia merupakan salah satu negara penghasil buah-buahan tropis terbesar di ASEAN, bersamasama dengan Filipina, Thailand, dan Vietnam. Buah-buahan yang dihasilkan Indonesia yang merupakan komoditas tertinggi di pasar international adalah buah pisang, nanas, pepaya, dan mangga. Dari beberapa buah komsoditas unggulan Indonesia tersebut salah satunya yaitu buah pepaya yang merupakan salah satu buah tropis yang mempunyai nilai ekonomi tinggi dan dapat dijadikan sebagai sumber pendapatan dan sumber ketersedian gizi. Buah pepaya sebagai buah yang tidak mengenal musim, produksi pepaya di Indonesia selama tiga tahun terakhir mulai dari tahun 2011, 2012, dan 2013 cenderung stabil yaitu sebesar , , dan , dalam satuan ton ( Kementrian Pertanian, 2013). Salah satu permasalahan produksi pepaya dalam skala besar adalah permasalahan pascapanen. Pascapanen pertanian meliputi 2 hal, teknologi proses dan teknologi alat dan mesin. Teknologi proses berfungsi sebagai inovasi teknologi proses untuk membantu dunia usaha menghasilkan produk yang disukai oleh konsumen. Inovasi produk pertanian yang dilakukan akan membantu menambah daya simpan, menghilangkan rasa/aroma yang tidak disukai, warna produk lebih menarik dan menambah jenis produk olahan. Teknologi alat dan mesin digunakan untuk mempermudah teknologi proses yang dihasilkan, dengan inovasi alat dan mesin dapat menghasilkan kualitas dan kuantitas produk, menghasilkan produk dengan efisien dan memberikan kenyamanan kepada operator (Darmanto, 2011). Salah satu permasalahan pascapanen pada buah pepaya yang diproduksi secara skala besar atau industri adalah dalam hal penyortiran buah pepaya, selama ini buah pepaya diidentifikasi tingkat kematangannya berdasarkan analisa warna kulit buah secara visual mata manusia yang memiliki keterbatasan. Proses identifikasi seperti ini memiliki beberapa kelemahan diantaranya yaitu membutuhkan tenaga lebih banyak untuk memilah, tingkat persepsi kematangan buah yang berbeda, tingkat kekonsitenan manusia dalam hal menilai kematangan buah tidak menjamin, karena manusia dapat mengalami kelelahan, 335
2 dan manusia juga dalam menilai kematangan buah terkadang bersifat subjektif, sehingga dari fakta-fakta tersebut akan mempengaruhi waktu yang dibutuhkan dalam memilah dan mengidentifikasi tingkat kematangan buah pepaya. Berdasarkan deskripsi diatas dibutuhkan sebuah metode yang dapat mengidentifikasi untuk mengklasifikasikan tingkat kematangan buah pepaya california (callina)secara tepat dengan bantuan komputer, yaitu menggunakan metode pengolahan citra digital yang akan menghasilkan data fitur (ekstraksi fitur) dalam ruang warna HSV ( Hue SarutraionValue) yang akan diproses menggunaan algoritma K-Nearest Neighbor (KNN) sehingga dapat digunakan untuk menentukan tingkat kematangan buah pepaya. Sebuah citra merupakan kumpulan piksel-piksel yang disusun dalam larik ( array) dua dimensi. Sebuah piksel adalah sampel dari citra yang mengandung intensistas citra yang dinyatakan nilainya dalam bilangan bulat. Indeks baris dan kolom dari sebuah piksel (x,y) di nyatakan dalam bilangan bulat. Piksel dengan koordinat (0,0) terletak pada sudut kiri atas pada citra. Karakteristik operasi dalam pengolahan citra dapat dibedakan menjadi empat macam, yaitu operasi tingkat titik ( point level), operasi tingkat lokal ( local level), operasi tingkat global ( global level), dan operasi tingkat obyek ( object level) (Ahmad, 2005). Ruang warna RGB menggunakan tiga komponen dasar yaitu merah (R), hijau (G), dan biru (B). Setiap piksel dibentuk oleh ketiga komponen tersebut. Model warna RGB biasa disajikan dalam bentuk kubus tiga dimensi, dengan warna merah, hijau, dan biru berada pada pojok sumbu ( Kadir and Susanto, 2012)Ruang warna HSV dan HSL merupakan contoh ruang warna yang merepresentasikan warna seperti yang dilihat oleh mata manusia. H berasal dari kata hue, S berasal dari kata saturation, L berasal dari kata Luminance, I berasal dari kata Intensity, dan V berasal dari value. Ruang warna HLS terkadang disebut HLS, sedangkan HSV terkadang dinakaman HSB, dengan B berasal dari kata Brightness. Model HSV yang pertama kali diperkenalkan oleh A.R. Smith pada tahun KNN adalah metode klasifikasi yang menentukan kategori berdasarkan mayoritas kategori pada k- tetangga terdekat. Jika D adalah sekumpulan data pelatihan maka ketika data uji d disajikan, algoritma akan menghitung jarak antara setiap data dalam D dengan data uji d. penghitungan jarak dilakukan dengan menggunakan euclidian distance. Kemudian k buah data dalam D yang memiliki jarak terdekat dengan d diambil. Himpunan k merupakan k-nearest neighbor. Selanjutnya kategori data uji d ditentukan berdasarkan label mayoritas kategori dalam himpunan k-tetangga terdekat (Farsiah dkk., 2013). METODE PENELITIAN Penelitian ini merupakan penelitian pengembangan perangkat lunak komputer yang berfokus pada pengolahan citra digital dan algoritma K-Nearest Neighbor. Data input berupa data citra pepaya california (callina) yang berjumlah 25 data citra. Langkah operasional yang dilakukan dalam penelitian ini adalah sebagai berikut: 1. Mengumpulkan data yang berupa data citra pepaya california (callina) yang diambil menggunakan kamera 5MP, dan data citra yang diambil berjumlah Menentukan skema pemrosesan keanggotaan warna pada citra input, dengan skema seperti pada Gambar 1. Gambar 1. Skema pemrosesan keanggotaan warna. 336
3 3. Dari skema pemrosesan keanggotaan warna seperti pada Gambar 1, langkah pertama adalah merubah citra input warna kedalam citra biner, untuk melakukan konversi ke citra biner, melalui mekanisme seperti terlihat pada Gambar 2. Gambar 2. Mekanisme konversi ke citra biner. 4. Citra biner yang didapat digunakan untuk menjadi citra acuan permosesan, yaitu piksel bernilai 1 atau berwarna putih yang akan dilakukan pemrosesan. Jadi dengan acuan citra biner ini piksel yang akan diproses hanya piksel pada objek, sedangkan piksel pada latar belakang tidak akan diproses. Kemudian setelah mendapatkan citra biner langkah selanjutnya adalah melakukan konversi citra input warna ke dalam HSV. Formula yang digunakan untuk konversi ke bentuk HSV adalah sebagai berikut:,, (1) max,, (2) 1,, 0, , 0 0, 0,,, 5. Kemudian setelah melakukan proses konversi ke dalam ruang warna HSV, kemudian melakukan perhitungan jumlah derajat keanggotaan dengan model fuzzy untuk setiap warna dengan menghitung piksel pada citra berwarna yang nilai pada citra biner berupa 1. Langkah ini adalah langkah ekstraksi fitur, yang akan menghasilkan fitur-fitur seperti komponen Hue, Saturation dan Value yang nantinya akan dijadikan input pada algoritma KNN (K-Nearest Neighbor). 6. Kemudian apabila akan dilanjutkan untuk segmentasi sehingga pada citra input juga terlihat batas antar warna, maka segmetasi dilakukan dengan perpedoman pada susunan warna pada model fuzzy untuk dimensi Hue. Yaitu dengan cara melakukan perubahan nilai hue yang berdekatan dengan warna yang menjadi titik pusat dari fungsi keanggotaan fuzzy. Sebagai contoh warna hijau dengan hue=80 akan dibuah nilainya menjadi 85. Apabila tidak akan dilanjutkan dengan segementasi maka cukup sampai dengan langkah pada point 5. (3) (4) HASIL DAN PEMBAHASAN Tahapan pertama yang dilakukan adalah analisis sistem yang akan dibangun dan pengumpulan data. Hasil analisis sistem, ditentukan bahwa sistem yang dibangun dapat melakukan klasifikasi kematangan buah pepaya california (callina) kedalam tiga kategori kelas kematangan yaitu kategori mentah, sedang, dan matang. Pada tahap pengumpulan data, data diambil menggunakan kamera beresolusi 5MP. Pepaya california (callina) yang akan dijadikan data penelitian diambil dari beberapa pedagang buah yang ada di kota Purwokerto yang banyak di suplai dari petani pepaya di daerah kabupaten Kebumen. Pada tahap ini telah dikumpulkan sebanyak 31 citra buah pepaya california (callina) dengan rincian 19 citra refrensi yang telah di beri label keterangan tingkat kematangan, dan 12 citra untuk pengujian. Beberapa sampel citra yang telah terkumpul 337
4 seperti ditunjukkan pada Gambar 3. (a) Citra pepaya mentah (b) Citra pepaya matang (c) Citra pepaya matang Sedang Gambar 3. Citra sampel pepaya. Tahap selanjutnya yang dilakukan setelah analisis dan pengumpulan data adalah membuat desain alur sistem. Desain alur sistem yang dilakukan pada penelitian ini memiliki beberapa tahapan proses yaitu proses akuisisi citra menggunakan kamera, kemudian tahap preprocessing citra, segmentasi citra, ekstraksi fitur citra, pelabelan data citra refrensi dan proses pengujian K-nearest neighbors. Ekstraksi fitur diawali dengan konversi citra dalam ruang warna RGB ke ruang warna HSV. Citra biner yang didapat di tahap sebelumnya digunakan untuk menjadi citra acuan permosesan, yaitu piksel bernilai 1 atau berwarna putih yang akan dilakukan pemrosesan. Jadi dengan acuan citra biner ini piksel yang akan diproses konversi ke ruang warna HSV adalah hanya piksel pada objek, sedangkan piksel pada latar belakang tidak akan diproses. Kemudian setelah melakukan proses konversi ke dalam ruang warna HSV, melakukan perhitungan jumlah derajat keanggotaan dengan model fuzzy untuk setiap warna dengan menghitung piksel pada citra berwarna yang nilai pada citra biner berupa 1. Langkah ini adalah langkah ekstraksi fitur, yang akan menghasilkan fitur-fitur seperti komponen Hue, Saturation dan Value yang nantinya akan dijadikan input pada algoritma KNN (K-Nearest Neighbor). Proses klasifikasi dengan KNN ditunjukkan pada Gambar 4. Mulai Nilai fitur citra pepaya input yang didapat dari ekstraksi Tentukan nilai K Hitung jarak nilai fitur baru degan data refrensi berlabel Tentukan k labeled data yang mempunyai jarak yang paling minimal Klasifikasikan data baru ke dalam labeled data yang mayoritas Selesai Gambar 4. Diagram Alir Proses Klasifikasi dengan KNN 338
5 Tahap selanjutnya adalah menentukan struktur tabel untuk menyimpan data ekstraksi fitur citra pepaya dan tabel untuk menyimpan data nilai euclidean distance tiap citra pepaya uji. Tabel 1. Struktur tabel data ekstraksi fitur Atribut Tipe data Index Id int(11) Pk meanred double meanorange double meanyellow double meangreen Maturity Varchar(20) Tabel 2. Sturktur tabel nilai euclidean distance Atribut Tipe data index Id int(11) Pk meanred meanorange meanyellow meangreen euclideandistance Maturity Varchar(20) Tahap implementasi merupakan tahap menerjemahkan hasil analisa dan desain sistem menjadi sebuah program menggunakan bahasa pemrograman. Bahasa pemrogaman yang digunakan dalam hal ini adalah Bahasa pemrograman C# dan dibantu dengan IDE MS Visual Studio 2010, database manajemen sistem yang digunakan adalah MySQL server. a. Halaman utama aplikasi Halaman utama merupakan halaman aplikasi saat pertama dijalankan, pada halaman utama terdapat menu home. Menu home terdapat sub menu open, proses ekstraksi fitur, dan exit. b. Proses ekstrasi fitur Setelah citra pepaya di pilih, proses selanjutnya adalah melakukan proses ekstraksi fitur yang diawali dengan segmentasi citra kemudian memberikan label keterangan kematangan pepaya sesuai dengan data yang ada. Proses ekstraksi fitur ini dapat dilakukan melalui menu proses ekstraksi nilai warna seperti ditunjukkan pada Gambar 5. Gambar 5. Proses ekstraksi fitur nilai warna 339
6 c. Proses simpan data citra refrensi Proses selanjutnya setelah melakukan proses ekstraksi fitur adalah menyimpan datanya ke dalam database, hal ini dilakukan karena data ini akan di jadikan data refrensi ketika dilakukan proses klasifikasi data citra pepaya uji menggunakan algoritma K-Nearest Neighbors. d. Proses pengujian Setelah semua data citra pepaya refrensi telah tersimpan dalam database, proses selanjutnya adalah melakukan pengujian menggunakan data citra pepaya uji. Tahap proses pengujian yang dilakukan hampir sama dengan tahap sebelumnya, yaitu memilih citra pepaya uji terlebih dahulu, kemudian melakukan ekstraksi fiturnya, dan ditambah dengan proses klasifikasi menggunakan algoritma K-Nearest Neighbor dengan mengacu data citra refrensi yang telah disimpan dalam database. Pengujian akan dilakukan dengan dengan 2 kali percobaan, yang pertama dengan jumlah K tetangga sebanyak 3, dan yang kedua dengan jumlah K tetangga 5. Proses pengujian seperti ditunjukan pada Gambar 6. e. Hasil pengujian Gambar 6. Pengujian citra uji dengan jumlah K tetangga 3. Pengujian dilakukan dengan 2 kali percobaan, yang pertama dengan jumlah K tetangga sebanyak 3, dan yang kedua dengan jumlah K tetangga 5. Pada pengujian dengan jumlah K tetangga 3 dan jumlah data citra uji sebanyak 12 data, output yang tidak sesuai dengan target sejumlah 3 data dan yang sesuai target sejumlah 9 data, maka tingkat keakuratan algoritma KNN sebesar 75%. Pengujian dengan jumlah K tetangga 5 dan jumlah data citra uji sebanyak 12 data, output yang tidak sesuai dengan target sejumlah 2 data dan yang sesuai target sejumlah 10 data, maka tingkat keakuratan algoritma KNN sebesar 83,34%. Data pengujian di sajikan pada Tabel 3 dan 4. Tabel 3 Hasil pengujian dengan K tetangga 3. No Citra Meand Mean Red Uji Orange Mean Yellow Mean Green Output Target Mentah Mentah Mentah mentah Sedang Sedang Sedang Sedang Sedang sedang Sedang Matang Matang matang Sedang 340
7 Tabel 4 Hasil pengujian dengan K tetangga 5. No Citra Mean Uji Red Meand Orange Mean Yellow Mean Green Hasil Target Mentah Mentah Mentah mentah Mentah Mentah Sedang Mentah Sedang sedang Sedang Matang Matang matang Sedang KESIMPULAN Simpulan dari penelitian ini adalah terbangunnya sebuah aplikasi berbasis pengolahan citra digital dan menggunakan algoritma K-Nearest Neighbors untuk klasifikasi otomatis tingkat kematangan buah pepaya california (callina). Pada tahapan pengujian dilakukan dengan 2 kali percobaan, yang pertama dengan jumlah K tetangga sebanyak 3, dan yang kedua dengan jumlah K tetangga 5. Pengujian dengan jumlah K tetangga 3 dan jumlah data citra uji sebanyak 12 data, didapatkan tingkat keakuratan algoritma KNN sebesar 75%, dengan data output yang tidak sesuai dengan target sejumlah 3 data dan yang sesuai target sejumlah 9 data. Pengujian dengan jumlah K tetangga 5 dan jumlah data citra uji sebanyak 12 data, didapatkan tingkat keakuratan algoritma KNN sebesar 83,34%, dengan data output yang tidak sesuai dengan target sejumlah 2 data dan yang sesuai target sejumlah 10 data. Saran dalam penelitian ini adalah data citra pepaya california (callina) yang digunakan untuk citra refrensi lebih banyak lagi, misalkan lebih dari 100 data citra untuk tiap tingkat kematangan, sehingga diharapkan aplikasi yang dibangun akan lebih akurat dalam mengklasifikasikan data citra uji. Kemudian dapat dibuatkan alat khusus untuk proses akuisisi citra, misalkan sebuah bok dari kayu yang terintegrasi dengan sebuah kamera yang terhubung dengan perangkat komputer, sehingga diharapkan proses akuisisi citra akan lebih cepat. UCAPAN TERIMA KASIH 1. Rektor Universitas Muhammadiyah Purwokerto yang telah memberikan dana dalam pelaksanaan penelitian ini. 2. Ketua LPPM yang telah memberi dorongan dan persetujuannya, sehingga penelitian ini berjalan dengan baik. 3. Dekan Fakultas Teknik yang telah memberi kesempatan dan fasilitas dalam penelitian ini. DAFTAR PUSTAKA Ahmad, U., 2005, Pengolahan Citra Digital & Teknik Pemrogramannya, Graha Ilmu, Yogyakarta. Darmanto, 2011, Dukungan Teknologi Pascapanen Terhadap Dunia Usaha Dan Pengembangan Pertanian, Prosiding seminar teknologi inovatif pascapanen pertanian ISBN: , Bogor. Farsiah, L, dkk, 2013, Klasifikasi gambar berwarna menggunakan k-nearest neghbor dan support vector machine, SNASTIKOM, Banda Aceh. Kadir, A. & Susanto, A. 2012, Teori dan Aplikasi Pengolahan citra, Penerbit Andi, Yogyakarta. Kementrian Pertanian, 2013, Basis data statistik pertanian, diakses pada tanggal 2 Maret
BAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan studi (state of the art) Berikut penelitian yang telah dilakukan sebelumnya : 1. Penelitian dilakukan oleh Sigit Sugiyanto Feri Wibowo (2015), menjelaskan tentang klasifikasi
Lebih terperinciPENDUGAAN KELAS MUTU BUAH PEPAYA BERDASARKAN CIRI TEKSTUR GLCM MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS
PENDUGAAN KELAS MUTU BUAH PEPAYA BERDASARKAN CIRI TEKSTUR GLCM MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS Feri Wibowo 1, Dimara Kusuma Hakim 2, Sigit Sugiyanto 3 1,2,3 Program Studi Teknik Informatika,
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 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 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 terperinciPengolahan Citra Berwarna
MK3383 Teknik Pengolahan Citra Pengolahan Citra Berwarna M. Zidny Naf an, M.Kom. Semester Genap 2015/2016 http://www.colormatters.com/color-and-vision/how-the-eye-sees-color Bagaimana Manusia Melihat Warna?
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 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 terperinciPENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL
Makalah Nomor: KNSI-472 PENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL Barep Wicaksono 1, Suryarini Widodo 2 1,2 Teknik Informatika, Universitas Gunadarma 1,2 Jl.
Lebih 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 terperinciMuhammad Zidny Naf an, M.Kom. Gasal 2015/2016
MKB3383 - Teknik Pengolahan Citra Pengolahan Citra Digital Muhammad Zidny Naf an, M.Kom. Gasal 2015/2016 CITRA Citra (image) = gambar pada bidang 2 dimensi. Citra (ditinjau dari sudut pandang matematis)
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 terperinciImplementasi Algoritma Kompresi Shannon Fano pada Citra Digital
Implementasi Algoritma Kompresi Shannon Fano pada Citra Digital Muhammad Khoiruddin Harahap Politeknik Ganesha Medan choir.harahap@yahoo.com Abstrak Algoritma kompresi Shannon-Fano merupakan salah satu
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 terperinciPengolahan citra. Materi 3
Pengolahan citra Materi 3 Citra biner, citra grayscale dan citra warna Citra warna berindeks Subject Elemen-elemen Citra Digital reflectance MODEL WARNA Citra Biner Citra Biner Banyaknya warna hanya 2
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 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Pada bab pendahuluan ini akan diuraikan penjelasan mengenai latar belakang penelitian, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan
Lebih terperinciPENERAPAN METODE SOBEL DAN GAUSSIAN DALAM MENDETEKSI TEPI DAN MEMPERBAIKI KUALITAS CITRA
PENERAPAN METODE SOBEL DAN GAUSSIAN DALAM MENDETEKSI TEPI DAN MEMPERBAIKI KUALITAS CITRA HASNAH(12110738) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan Jl. Sisingamangaraja No. 338
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 terperinciLaporan Akhir Praktikum Mempelajari Karakterisitk Visual Citra Tomat Menggunakan Image Processing. Avicienna Ulhaq Muqodas F
Laporan Akhir Praktikum Mempelajari Karakterisitk Visual Citra Tomat Menggunakan Image Processing Avicienna Ulhaq Muqodas F14110108 DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN INSTITUT
Lebih terperinciSistem Deteksi Bola Berdasarkan Warna Bola Dan Background Warna Lapangan Pada Robot Barelang FC
Sistem Deteksi Bola Berdasarkan Warna Bola Dan Background Warna Lapangan Pada Robot Barelang FC Hanjaya Mandala (1).EkoRudiawan,S.ST (2).HendawanSoebhakti,ST.,MT (3). (1) (2) (3) Politeknik Negeri Batam
Lebih terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Sistem Optik dan Proses Akuisisi Citra Digital 2 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 Bisa dilihat pada slide berikut. SISTEM OPTIK MANUSIA
Lebih terperinciPENERAPAN SEGMENTASI MULTI KANAL DALAM MENDETEKSI SEL PARASIT PLASMODIUM SP. I Made Agus Wirahadi Putra 1, I Made Satria Wibawa 2 ABSTRAK
Jurnal Dinamika, April 2017, halaman 18-29 P-ISSN: 2087-889 E-ISSN: 2503-4863 Vol. 08. No.1 PENERAPAN SEGMENTASI MULTI KANAL DALAM MENDETEKSI SEL PARASIT PLASMODIUM SP. I Made Agus Wirahadi Putra 1, I
Lebih terperinciUKDW BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1 Latar Belakang Fenomena masyarakat dalam berlalu lintas terutama mengerti dan menaati rambu lalu lintas sekarang ini semakin berkurang, karena hal inilah banyak sekali kecelakaan
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciBAB I PENDAHULUAN. penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi.
BAB I PENDAHULUAN A. LATAR BELAKANG Buah-buahan merupakan salah satu kelompok komoditas pertanian yang penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi. Permintaan domestik terhadap
Lebih terperinciKLASIFIKASI HELPDESK UNIVERSITAS JENDERAL ACHMAD YANI MENGGUNAKAN CONCEPT FREQUENCY-INVERSE DOCUMENT FREQUENCY (CF-IDF) DAN K-NEAREST NEIGHBORS (K-NN)
Klasifikasi Helpdesk Universitas Jenderal Achmad ni... (Herawan dkk.) KLASIFIKASI HELPDESK UNIVERSITAS JENDERAL ACHMAD YANI MENGGUNAKAN CONCEPT FREQUENCY-INVERSE DOCUMENT FREQUENCY (CF-IDF) DAN K-NEAREST
Lebih terperinciOPTIMASI ALGORITMA IDENTIFIKASI STRABISMUS
OPTIMASI ALGORITMA IDENTIFIKASI STRABISMUS PADA MATA MANUSIA BERBASIS IMAGE PROCESSING DENGAN EUCLIDEAN DISTANCE PADA SISTEM MEKANIKAL AUTOMATED OPTICAL INSPECTION (AOI) AHMAD RIFA I RIF AN NRP. 2106 100
Lebih terperinciJurnal Electronics, Informatics, and Vocational Education (ELINVO), Volume 1, Nomor 3, November 2016
PENGOLAHAN CITRA UNTUK IDENTIFIKASI TELUR BERDASARKAN UKURAN Syahrul Awalludin Sidiq, Dessy Irmawati Prodi Teknik Elektronika, Jurusan Pendidikan Teknik Elektronika FT UNY Email: syahrul.awalludin@yahoo.com
Lebih terperinciIV. HASIL DAN PEMBAHASAN
26 IV. HASIL DAN PEMBAHASAN A. Pengukuran Parameter Mutu Jeruk Pontianak Secara Langsung Dari Hasil Pemutuan Manual Pemutuan jeruk pontianak secara manual dilakukan oleh pedagang besar dengan melihat diameter
Lebih terperinciPENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
Lebih terperinciGambar 3.1 Contoh Citra yang digunakan
BAB III DATASET DAN RANCANGAN PENELITIAN Pada bab ini dijelaskan tentang dataset citra yang digunakan dalam penelitian ini serta rancangan untuk melakukan penelitian. 3.1 DATASET PENELITIAN Penelitian
Lebih terperinciIV. RANCANG BANGUN SISTEM. Perangkat lunak bantu yang dibuat adalah perangkat lunak yang digunakan untuk
IV. RANCANG BANGUN SISTEM 4.1 Analisis dan Spesifikasi Sistem Perangkat lunak bantu yang dibuat adalah perangkat lunak yang digunakan untuk menyisipkan label digital, mengekstraksi label digital, dan dapat
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciScientific Journal of Informatics Vol. 2, No. 1, Mei 2015
Scientific Journal of Informatics Vol. 2, No. 1, Mei 2015 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 JUDUL ARTIKEL Identifikasi Kualitas Beras dengan Citra Digital Arissa
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 terperinciIMPLEMENTASI ALGORITMA CONNECTED-LABELLING UNTUK MENDETEKSI OBJEK BINTANG PADA CITRA DIGITAL
Seminar Nasional Sistem Informasi Indonesia, 6 November 2017 IMPLEMENTASI ALGORITMA CONNECTED-LABELLING UNTUK MENDETEKSI OBJEK BINTANG PADA CITRA DIGITAL Ericks Rachmat Swedia 1), M. Ridwan Dwi Septian
Lebih terperinciBAB I PENDAHULUAN. mulai menopang kehidupan manusia. Teknologi merupakan sebuah hasil
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini kebutuhan akan teknologi semakin meningkat seiring dengan kemajuan dan perkembangan ilmu pengetahuan dan teknologi itu sendiri. Kemajuan teknologi dengan perkembangan
Lebih terperinciGLOSARIUM Adaptive thresholding Peng-ambangan adaptif Additive noise Derau tambahan Algoritma Moore Array Binary image Citra biner Brightness
753 GLOSARIUM Adaptive thresholding (lihat Peng-ambangan adaptif). Additive noise (lihat Derau tambahan). Algoritma Moore : Algoritma untuk memperoleh kontur internal. Array. Suatu wadah yang dapat digunakan
Lebih 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 terperinciFERY ANDRIYANTO
SISTEM ANALISA IMAGE PROCESSING UNTUK MENCARI KEMIRIPAN PADA TEKSTUR WARNA KULIT MANUSIA MENGGUNAKAN HISTOGRAM WARNA SKRIPSI Oleh : FERY ANDRIYANTO 0734010123 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Citra atau gambar merupakan salah satu komponen penting dalam dunia multimedia karena memiliki peranan penting dalam hal menyajikan suatu informasi dalam bentuk gambar
Lebih terperinciDeteksi Warna. Resty Wulanningrum,S.Kom Universitas Nusantara PGRI Kediri
Thresholding Resty Wulanningrum,S.Kom Universitas Nusantara PGRI Kediri Deteksi Warna Mendeteksi adanya warna-warna tertentu Menentukan posisi pixel dengan warna yang ditentukan Aplikasi: Deteksi rambu-rambu
Lebih terperinci5. IDENTIFIKASI JENIS TANAMAN. Pendahuluan
5. IDENTIFIKASI JENIS TANAMAN Pendahuluan Tujuan aplikasi berbasis sensor adalah melakukan penyemprotan dengan presisi tinggi berdasarkan pengamatan real time, menjaga mutu produk dari kontaminasi obat-obatan
Lebih terperinciStudi Digital Watermarking Citra Bitmap dalam Mode Warna Hue Saturation Lightness
Studi Digital Watermarking Citra Bitmap dalam Mode Warna Hue Saturation Lightness Evan 13506089 Program Studi Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung E-mail : if16089@students.if.itb.ac.id
Lebih terperinciBAB II TEORI PENUNJANG
BAB II TEORI PENUNJANG 2.1 Computer Vision Komputerisasi memiliki ketelitian yang jauh lebih tinggi bila dibandingkan dengan cara manual yang dilakukan oleh mata manusia, komputer dapat melakukan berbagai
Lebih 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 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab landasan teori ini akan diuraikan mengenai teori-teori yang terkait dengan Content Based Image Retrieval, ekstraksi fitur, Operator Sobel, deteksi warna HSV, precision dan
Lebih terperinciPENGEMBANGAN APLIKASI PEMILIHAN BUAH TOMAT UNTUK BIBIT UNGGUL BERDASARKAN WARNA DAN UKURAN MENGGUNAKAN HSV DAN THRESHOLDING
PENGEMBANGAN APLIKASI PEMILIHAN BUAH TOMAT UNTUK BIBIT UNGGUL BERDASARKAN WARNA DAN UKURAN MENGGUNAKAN HSV DAN THRESHOLDING Ahmad Zaky Maula 1, Cahya Rahmad 2, Ulla Delfana Rosiani 3 Program Studi Teknik
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Digital 2.1.1 Pengertian Citra Digital Secara umum, citra digital merupakan gambar 2 dimensi yang disusun oleh data digital dalam bentuk sebuah larik (array) yang berisi
Lebih terperinciPENGOLAHAN CITRA DIGITAL MENGGUNAKAN TEKNIK FILTERING ADAPTIVE NOISE REMOVAL PADA GAMBAR BERNOISE
PENGOLAHAN CITRA DIGITAL MENGGUNAKAN TEKNIK FILTERING ADAPTIVE NOISE REMOVAL PADA GAMBAR BERNOISE Aeri Rachmad Jurusan Teknik Informatika Fakultas Teknologi Informasi Institut Teknologi Adhi Tama Surabaya
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 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 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Citra (image) atau yang secara umum disebut gambar merupakan representasi spasial dari suatu objek yang sebenarnya dalam bidang dua dimensi yang biasanya ditulis dalam
Lebih terperinciANALISIS CONTRAST STRETCHING MENGGUNAKAN ALGORITMA EUCLIDEAN UNTUK MENINGKATKAN KONTRAS PADA CITRA BERWARNA
ANALISIS CONTRAST STRETCHING MENGGUNAKAN ALGORITMA EUCLIDEAN UNTUK MENINGKATKAN KONTRAS PADA CITRA BERWARNA Nurliadi 1 *, Poltak Sihombing 2 & Marwan Ramli 3 1,2,3 Magister Teknik Informatika, Universitas
Lebih terperinciDAFTAR ISI. DAFTAR ISI... vii. DAFTAR GAMBAR... x. DAFTAR TABEL... xii I. PENDAHULUAN Latar Belakang Rumusan Masalah...
DAFTAR ISI Halaman DAFTAR ISI... vii DAFTAR GAMBAR... x DAFTAR TABEL... xii I. PENDAHULUAN... 1 1.1 Latar Belakang... 1 1.2 Rumusan Masalah... 2 1.3 Batasan Masalah... 2 1.4 Tujuan... 3 1.5 Manfaat...
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
61 BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis 3.1.1 Analisis Permasalahan Proses Segmentasi citra dapat dilakukan dengan berbagai cara, antara lain dengan metode konvensional secara statistik maupun
Lebih terperincicorak lukisan dengan seni dekorasi pakaian, muncul seni batik tulis seperti yang kita kenal sekarang ini. Kain batik merupakan ciri khas dari bangsa I
Pembuatan Perangkat Lunak Untuk Menampilkan Deskripsi Mengenai Batik dan Pola Citra Batik Berdasarkan Segmentasi Objek Maulana Sutrisna, maulanasutrisna@gmail.com Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Darah di dalam tubuh manusia memiliki fungsi yang sangat penting sebagai alat untuk transportasi oksigen dan zat-zat yang dibutuhkan oleh tubuh. Darah merupakan cairan
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 terperinciPengolahan Citra untuk Bidang Pertanian(Menentukan Kematangan Buah) Oleh Nama:Wahyu Abid A. NRP : Kelas :2D4 IT(B)
Pengolahan Citra untuk Bidang Pertanian(Menentukan Kematangan Buah) Oleh Nama:Wahyu Abid A. NRP :2110151042 Kelas :2D4 IT(B) Latar Belakang Buah pisang dan alpukat sangatlah familiar dengan warga asia,
Lebih terperinciAnalisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital
Analisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital Nurul Fuad 1, Yuliana Melita 2 Magister Teknologi Informasi Institut Saint Terapan & Teknologi
Lebih terperinciBAB 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f(x,y) dua dimensi, dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
Lebih terperinciPembentukan Citra. Bab Model Citra
Bab 2 Pembentukan Citra C itra ada dua macam: citra kontinu dan citra diskrit. Citra kontinu dihasilkan dari sistem optik yang menerima sinyal analog, misalnya mata manusia dan kamera analog. Citra diskrit
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. TEMPAT DAN WAKTU Kegiatan penelitian dilakukan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP), Departemen Teknik Pertanian, Fakultas Teknologi Pertanian,
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 terperinciUJI COBA PERBEDAAN INTENSITAS PIKSEL TIAP PENGAMBILAN GAMBAR. Abstrak
UJI COBA PERBEDAAN INTENSITAS PIKSEL TIAP PENGAMBILAN GAMBAR Teady Matius Surya Mulyana tmulyana@bundamulia.ac.id, teadymatius@yahoo.com Teknik Informatika Universitas Bunda Mulia Abstrak Kebutuhan binarisasi
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem yaitu dengan melakukan pengambilan data berupa foto fisik dari permukaan buah manggis kemudian melakukan sampling data
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Digital Istilah citra biasanya digunakan dalam bidang pengolahan citra yang berarti gambar. Suatu citra dapat didefinisikan sebagai fungsi dua dimensi, di mana dan adalah
Lebih terperinciGrafik Komputer dan Pengolahan Citra. Pengolahan Citra : Representasi Citra. Universitas Gunadarma Pengolahan Citra : Representasi Citra 1/16
Pengolahan Citra : Representasi Citra Universitas Gunadarma 006 Pengolahan Citra : Representasi Citra /6 Representasi Citra dalam File (/3) Pertama-tama seperti halnya jika kita ingin melukis sebuah gambar,
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI
84 BAB IV IMPLEMENTASI DAN EVALUASI Pada bab ini akan dibahas mengenai implementasi sistem yaitu spesifikasi sistem dan cara menggunakan aplikasi segmentasi citra dengan menggunakan metode Fuzzy C- Means
Lebih terperinciDrawing, Viewport, dan Transformasi. Pertemuan - 02
Drawing, Viewport, dan Transformasi Pertemuan - 02 Ruang Lingkup Definisi Drawing Viewport Transfomasi Definisi Bagian dari grafik komputer meliputi: 1. Citra (Imaging) : mempelajari cara pengambilan dan
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 I PENDAHULUAN. digunakan untuk identitas citra adalah nama file, tanggal pengambilan,
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Seiring berkembangnya teknologi, makin banyak pulalah hasil-hasil citra digital di berbagai aspek. Citra tersebut bisa merupakan hasil digitalisasi foto-foto analog,
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Penggunaan citra yang semakin meningkat menimbulkan kebutuhan retrival citra yang juga semakin meningkat. Diperlukan suatu metode retrival citra yang efektif
Lebih 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 terperinciBAB 1 PENDAHULUAN. Sistem penglihatan manusia merupakan suatu system yang sangat kompleks,
BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG PERMASALAHAN Sistem penglihatan manusia merupakan suatu system yang sangat kompleks, tetapi sangat dapat diandalkan. Sistem ini memberikan sarana pengenalan obyek yang
Lebih terperinciBAB I PENDAHULUAN. Pada zaman sekarang ini bagi sebagian masyarakat kendaraan bermotor
BAB I PENDAHULUAN 1.1 Latar Belakang Pada zaman sekarang ini bagi sebagian masyarakat kendaraan bermotor jenis mobil ataupun sepeda motor tidak lagi menjadi kebutuhan sekunder, melainkan telah menjadi
Lebih terperinciCOMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA
Seminar Nasional Teknologi Terapan SNTT 2013 (26/10/2013) COMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA Isnan Nur Rifai *1 Budi Sumanto *2 Program Diploma Elektronika & Instrumentasi Sekolah
Lebih terperinciBAB I PENDAHULUAN. Buah pepaya (Carica papaya L.) terkadang dipandang. dengan sebelah mata, padahal buah ini identik dengan pola
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Buah pepaya (Carica papaya L.) terkadang dipandang dengan sebelah mata, padahal buah ini identik dengan pola hidup sehat. Pepaya adalah salah satu jenis buah
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Pengerjaan tugas akhir ini ditunjukkan dalam bentuk blok diagram pada gambar 3.1. Blok diagram ini menggambarkan proses dari sampel citra hingga output
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seiring dengan perkembangan teknologi informasi dan semakin luasnya pemanfaatan teknologi komputer di berbagai bidang kehidupan, kebutuhan akan efisiensi pengelolaan
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 terperinciMuhammad Zidny Naf an, Lc., S.Kom., M.Kom. Genap 2015/2016
MKB3383 - Teknik Pengolahan Citra Operasi Ketetanggaan Piksel Muhammad Zidny Naf an, Lc., S.Kom., M.Kom. Genap 2015/2016 Outline Konsep Operasi Ketetanggaan Aplikasi Operasi Ketetanggaan pada Filtering
Lebih terperinciSISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON
30 BAB IV SISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON 4.1 Gambaran Umum Sistem Diagram sederhana dari program yang dibangun dapat diilustrasikan dalam diagram konteks berikut. Gambar
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN 41 Analisa Analisa merupakan tahap paling utama dalam melakuakan penelitian Tahapan analisa digunakan untuk menganalisa permasalahan yang berhubungan dengan penelitian yang
Lebih terperinciPengenalan Tulisan Tangan Dengan Menggunakan Metode Diagonal Feature Extraction dan K-Nearest Neighbour. Yustar Pramudana
Pengenalan Tulisan Tangan Dengan Menggunakan Metode Diagonal Feature Extraction dan K-Nearest Neighbour Yustar Pramudana Program Studi Teknik Informatika, Departemen Informatika Telkom University Jl. Telekomunikasi
Lebih terperinciTEKNIK PENGOLAHAN CITRA MENGGUNAKAN METODE KECERAHAN CITRA KONTRAS DAN PENAJAMAN CITRA DALAM MENGHASILKAN KUALITAS GAMBAR
TEKNIK PENGOLAHAN CITRA MENGGUNAKAN METODE KECERAHAN CITRA KONTRAS DAN PENAJAMAN CITRA DALAM MENGHASILKAN KUALITAS GAMBAR Zulkifli Dosen Tetap Fakultas Ilmu Komputer Universitas Almuslim Email : Zulladasicupak@gmail.com
Lebih terperinciTEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD
Jurnal Teknik Komputer Unikom Komputika Volume 3, No.2-2014 TEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD Selvia Lorena Br Ginting 1), Wendi Zarman
Lebih terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
Lebih terperinciIMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH
IMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH Fitri Afriani Lubis 1, Hery Sunandar 2, Guidio Leonarde Ginting 3, Lince Tomoria Sianturi 4 1 Mahasiswa Teknik Informatika, STMIK Budi Darma
Lebih terperinciCOLOR SPACE. Achmad Basuki Politeknik Elektronika Negeri Surabaya
COLOR SPACE Achmad Basuki Politeknik Elektronika Negeri Surabaya Materi: 1. Konsep Warna 2. Standard Color Space RGB dan CMYK HSV CIE Lab, Luv, Yuv dan YCrCb 3. Color Gamut 4. Konversi Color Spaces KONSEP
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Digital [3] Citra atau gambar didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y), di mana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap
Lebih terperinciBAB 2 LANDASAN TEORI
5 BAB 2 LANDASAN TEORI 2.1 Digital Image 2.1.1 Definisi Digital Image Menurut Gonzalez dan Woods (1992, p6), digital image adalah image f(x,y) yang telah dibedakan berdasarkan koordinat tata letak dan
Lebih terperinci