BAB II TINJAUAN PUSTAKA
|
|
- Hendra Kusuma
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II TINJAUAN PUSTAKA Untuk menunjang peaksanaan peneitian ini diakukan tinjauan pustaka mengenai tinjauan studi yang berisi peneitian-peneitian terkait dengan pengenaan kuaitas buah, median fitering, segmentasi menggunakan threshod, fitur warna, fitur bentuk, fitur tekstur, dan kasifikasi metode Support Vector Machine (SVM) Tinjauan Studi Peneitian pertama adaah membahas mengenai kontro otomatis kuaitas tomat yang dianaisis berdasarkan 3 metode yang berbeda, yaitu LVQ, MLP, dan SVM (Mehrdad et a, 2012). Gambar pertama kai diambi oeh kamera digita dan kemudian data tersebut diproses dengan mengurangi noise dan perbaikan kontras. Lau diakukan ekstraksi fitur pada dataset. Fitur yang digunakan adaah derajat kemerahan dan kekuningan yang diperoeh daam bentuk fuzzy, tingkat kehijauan, moment pertama, moment kedua, moment ketiga, rata-rata tiga moment yang disebutkan sebeumnya, niai kebuatan, dan uas permukaan. Fitur yang teah didapat, au digunakan pada 3 pengkasifikasi yang berbeda dan hasi akhir dibandingkan dan di evauasi. Hasi peneitian menunjukkan bahwa SVM memiiki kinerja yang ebih baik dibandingkan dengan dua metode aternatif. Peneitian kedua membahas mengenai anaisis awa dari sistem kasifikasi kuaitas untuk buah Jonagod dan Ape Goden Deicious (Unay dan Gossein, 2002)). Fitur yang digunakan adaah fitur warna, tekstur, dan waveet yang di ekstrak dari gambar ape tersebut. Lau fitur tersebut dijadikan sebgai inputan daam metode Muti Layer Perceptron - Neura Network. Peneitian ketiga membahas identifikasi dan kasifikasi dari berbagai jenis gambar buah menggunakan jaringan syaraf tiruan (Savakar, 2012). Skema untuk kasifikasi visua yang biasanya dianjutkan daam 2 tahap. Tahap pertama, fitur yang diambi mewakii gambar. Tahap kedua, diakukan kasifikasi dengan inputan yang digunakan dari hasi ekstraksi fitur. Jenis buah yang digunakan 14
2 15 adaah Ape, Chickoo, Mangga, Jeruk, dan Lemon. Metode Back Propagation Neura Network digunakan untuk mengkasifikasikan dan mengenai sampe gambar buah, menggunakan berbagai jenis fitur yaitu warna, tekstur, kombinasi dari kedua warna dan fitur tekstur. Peneitian ini mengungkapkan bahwa kombinasi fitur warna dan tekstur memiiki performa secara individu daam identifikasi dan kasifikasi dengan jenis buah yang berbeda. Peneitian keempat membahas kasifikasi buah menggunakan Mutikeas SVM (Zhang dan Wu, 2012). Langkah pertama gambar buah diakuisisi oeh kamera digita. Lau diakukan proses pengoahan citra yaitu segmentasi menggunakan agoritma spit and merge. Kemudian diakukan proses ekstraksi fitur dengan fitur bentuk, fitur tekstur, dan histogram warna. Pengurangan fitur diakukan menggunakan metode PCA. Kemudian proses kasifikasi diakukan menggunakan SVM dengan 3 mutikeas dan menggunakan kerne. Hasi yang didapatkan adaah dengan tingkat akurasi terbaik 88.2% menggunakan kerne RBF Pre-Processing Dataset Pre-processing adaah sebuah operasi awa yang digunakan untuk memproses sebuah gambar (Sonka, M, et a, 2008). Pre-processing tidak menambahkan informasi pada gambar. Tujuan dari Pre-processing adaah untuk meningkatkan informasi pada gambar yang seharusnya terdistorsi. Informasi pada gambar yang seharusnya bisa di ekstraksi terkadang terhaang oeh gangguan atau noise, sehingga informasi tersebut gaga didapatkan. Beberapa contoh masaah yang terjadi pada gambar yang menyebabkan kuaitas gambar menurun adaah contrast yang buruk, berbagai noise, distorsi geometri, dan tingkat fokus yang buruk (Menotti, et a, 2008). Pada peneitian ini, prosedur pre-processing ini diakukan pada seuruh dataset adaah sebagai berikut : 1. Menghiangkan noise menggunakan metode median fiter. 2. Menghiangkan atar beakang menggunakan metode segmentasi.
3 16 Pengurangan noise atau Noise Reduction termasuk pada kategori khusus pengoahan citra yaitu image restoration atau pemuihan citra. Citra yang dipihkan adaah citra yang rusak, yaitu citra yang niai intensitas pixenya berubah. Contohnya adaah dikarenakan bur atau buram yang disebabkan oeh sebab aamiah, tercemar oeh noise atau derau, dan distorsi geometris ensa. Noise merupakan informasi yang tidak diinginkan yang mencemari citra. Noise tersebut berbentuk titik-titik atau pixe-pixe yang memiiki intensitas berbeda yang mengganggu citra. Biasanya noise terjadi pada saat akuisisi citra, seperti sebuah kamera yang memotret, proses scan gambar, dan yang ain-ain. Terdapat banyak fiter yang dapa digunakan untuk menghiangkan noise, tetapi pada peneitian ini, fiter yang digunakan untuk menghiangkan noise adaah Median Fiter. Order-statistic fiter adaah fiter spasia yang hasinya didasarkan dari pengurutan atau perangkingan niai pixe yang merupakan isi daerah citra yang diterapkan oeh fiter. Dimana hasi rangking menentukan hasi fiter. Orderstatistic yang paing terkena adaah median fiter. Median fiter mengganti niai pixe dengan median dari eve intensitas daam tetangga pixe yang teah diakukan pengurutan. Niai pixe pada titik (x,y) dimasukkan daam komputasi median. Median fiter sangat terkena karena untuk jenis random noise tertentu memberikan kemampuan pengurangan noise yang sangat baik dengan memperhatikan pengurangan burring fiter smoothing inier pada ukuran yang sama. Median fiter efektif tertentu menunjukkan adanya noise bipoar dan unbipoar Fitur Warna Menggunakan Histogram Pada ekstraksi fitur warna, gambar RGB akan dikonversi menjadi HSV. Kemudian niai Vaue akan dihitung kemuncuannya menggunakan histogram warna.
4 17 Gambar 2.1 Ruang Warna HSV Citra dengan ruang HSV (Hue Saturation Vaue) menunjukkan ruang warna daam bentuk tiga komponen utama yaitu Hue, Saturation, dan Vaue (Ford dan Roberts, 1998). Hue adaah sudut 0 sampai 360 derajat, biasanya 0 adaah merah, 60 adaah kuning, 120 adaah hijau, 180 adaah cyan, 240 adaah biru, dan 300 adaah magenta. Hue menunjukkan jenis warna ditemukan daam spectrum warna. Saturation adaah ukuran seberapa besar kemurnian warna tersebut. Vaue adaah seberapa besar kecerahan dari suatu warna atau seberapa besar cahaya dating dari suatu warna. Perhitungan konversi RGB menjadi HSV dapat dirumuskan sebagai berikut : 1. Normaisasi terebih dahuu niai r, g, dan b dengan rumus : R = G = B = r r + g + b g r + g + b b r + g + b (2.1) (2.2) (2.3) 2. Tentukan niai max dan min dari niai R, G, dan B. 3. Menentukan niai Saturation dengan rumus : S = max min max (2.4) 4. Menentukan niai Vaue dengan rumus :
5 18 5. Menentukan niai Hue dengan rumus : V = max (2.5) R = G = B = max R max min max G max min max B max min H = undifined, S = 0 H = 5 + B, R = max dan G = min H = 1 G, R = max dan G min H = H = R + 1, G = max dan B = min H = 3 B, G = max dan B min H = 3 + G, R = max { H = 5 R, otherwise (2.6) (2.7) (2.8) (2.9) H = 60 H (2.10) Histogram warna merupakan fitur yang paing banyak digunakan untuk merepresentasikan ciri warna suatu citra. Citra pada umumnya dikonversi ke daam suatu ruang warna tertentu, kemudian setiap komponen ruang warna dibuat histogramnya (Putra, 2010). Gambar 2.2 Citra 4 x 4 Contoh berikut memberikan iustrasi daam memperoeh fitur histogram warna. Gambar 2.2 Menunjukkan suatu citra 4 x 4 pixe dengan asumsi citra
6 19 tersebut mewakii suatu komponen dari suatu ruang warna. Sehingga histogramnya dapat diihat pada Gambar 2.3. Berdasarkan histogram warna pada Gambar 2.3, maka fitur warna citra tersebut adaah 150. Gambar 2.3 Histogram Warna dari Citra Gambar Fitur Tekstur Anaisis tekstur azim dimanfaatkan sebagai proses antara untuk meakukan kasifikasi dan interpretasi citra. Fitur tekstur yang digunakan adaah Entropy, Energy, Contrast, Homogeneity, Correation, Mean, dan Variance. Untuk pencarian niai Entropy, Energy, Contrast, Homogeneity, Correation, dan Variance menggunakan Matriks Kookurensi, sedangkan pencarian niai Mean menggunakan histogram citra. 1. Entropy Ciri entropy menunjukkan sifat ketidakteraturan suatu image. Ciri entropy diekstrak menggunakan persamaan : entropy = p(f n ). og p(f n ) n=0 (2.11) dengan : p ( f n ) = jumah kemuncuan suatu niai intensitas (niai histogram suatu niai intensitas keabuan).
7 20 f n = niai intensitas keabuan daam suatu image, berada dari rentang 0 hingga Energy Ciri energy menunjukkan sifat homogenitas suatu image, dibagi dengan besar dimensi image tersebut. Ciri energy diekstrak menggunakan persamaan : Energy = p(i, j) 2 i,j (2.12) dimana p(i,j) menyatakan niai pada baris i dan koom j pada matriks kookurensi. 3. Contrast Menunjukkan ukuran penyebaran (momen inersia) eemen-eemen matriks citra. Jika etaknya jauh dari diagona utama, niai kekontrasan besar. Secara visua, niai kekontrasan adaah ukuran variasi antar derajat keabuan suatu daerah citra. contrast = i j 2 p(i, j) i,j (2.13) 4. Homogeneity Secara matematis, homogenitas GLCM (Gray Leve Co-occurrence Matrix) adaah invers dari kontras GLCM, yaitu keseragaman intensitas keabuan pada citra. p(i, j) homogeneity = 1 + i j i,j (2.14) 5. Correation Menunjukkan ukuran ketergantungan inear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur inear daam citra. Correation = (i μ i )(j μ j) p(i, j) σ i σ j i,j (2.15)
8 21 σ i = σ i 2 dan σ j = σ j 2 (2.16) 6. Mean Menunjukkan ukuran dispersi dari suatu citra. μ = f n p(f n ) n (2.17) dimana fn merupakan suatu niai intensitas keabuan, sementara p(fn) menunjukkan niai histogramnya (probabiitas kemuncuan intensitas tersebut pada citra). 7. Variance Menunjukkan variasi eemen pada histogram dari suatu citra. σ i 2 = p(i, j)(1 μ i ) 2 i,j σ j 2 = p(i, j)(1 μ j ) 2 i,j (2.18) (2.19) 2.5. Fitur Bentuk Anaisis bentuk adaah bentuk suatu objek berkaitan dengan profie dan struktur fisik dari objek tersebut. Kode rantai atau Chain Code sering digunakan untuk mendeskripsikan atau mengkodekan bentuk atau counter suatu objek. Gambar 2.4 Arah Kode Rantai Urutan daam pembacaan arah satu pixe ke pixe yang ain berdasarkan arah jarum jam. Pembentukan kode rantai dimuai dengan menentukan pixe
9 22 pertama dari objek. Berdasarkan pixe tersebut kode rantai objek dibentuk dengan mengikuti aturan arah kode rantai. Berdasarkan kode rantainya, anaisis terhadap suatu objek dapat diakukan dengan menghitung keiing (perimeter) dan area. Gambar 2.5 Objek dengan Kode Rantai Perimeter menyatakan panjang dari kerangka yang dihasikan (Putra, 2010). Perimeter dapat dihitung dengan rumus sebagai berikut: P = jumah kode genap + 2 jumah kode ganji (2.20) Masuknya faktor 2 pada penentuan perimeter untuk kode ganji adaah kaena kode ganji memiiki arah diagona. Area menyatakan uas dari suatu objek (Putra, 2010). Untuk menghitung area suatu objek, maka hitung terebih dahuu area setiap kode rantai tersebut dengan aturan sebagai berikut : Kode 0 Area = Area + Y (2.21) Kode 1 Area = Area + (Y + 0.5) (2.22) Kode 2 Area = Area (2.23) Kode 3 Area = Area (Y + 0.5) (2.24) Kode 4 Area = Area Y (2.25)
10 23 Kode 5 Area = Area (Y 0.5) (2.26) Kode 6 Area = Area (2.27) Kode 7 Area = Area + (Y 0.5) (2.28) Seteah perhitungan uas area untuk setiap kode rantai seesai, maka dapat dihitung area objek tersebut dengan rumus : n A = Area (2.29) 2.6. Support Vector Machine (SVM) Support Vector Machine (SVM) pertama kai diperkenakan oeh Vapnik pada tahun 1992 sebagai rangkaian harmonis konsep-konsep ungguan daam bidang pattern recognition (Satriyo et a, 2003). Sebagai saah satu metode pattern recognition, usia SVM terbiang masih reatif muda. Waaupun demikian, evauasi kemampuannya daam berbagai apikasinya menempatkannya sebagai state of the art daam pattern recognition, dan dewasa ini merupakan saah satu tema yang berkembang dengan pesat. SVM adaah metode earning machine yang bekerja atas prinsip Structura Risk Minimization (SRM) dengan tujuan menemukan hyperpane terbaik yang memisahkan dua buah cass pada input space. Gambar 2.6 Aternatif Bidang Pemisah (kiri) dan Bidang Pemisah terbaik dengan Margin (m) Terbesar (kanan)
11 24 Lineary separabe data merupakan data yang dapat dipisahkan secara inier. Misakan {x 1,, x n } adaah dataset dan yi {+1, 1} adaah abe keas dari data xi. Pada gambar 2.6 dapat diihat berbagai aternatif bidang pemisah yang dapat memisahkan semua data set sesuai dengan keasnya. Namun, bidang pemisah terbaik tidak hanya dapat memisahkan data tetapi juga memiiki margin paing besar. Adapun data yang berada pada bidang pembatas ini disebut support vector. Daam contoh di atas, dua keas dapat dipisahkan oeh sepasang bidang pembatas yang sejajar. Bidang pembatas pertama membatasi keas pertama sedangkan bidang pembatas kedua membatasi keas kedua, sehingga diperoeh: x i. w + b +1 untuk y i = +1 (2.30) x i. w + b 1 untuk y i = 1 (2.31) w adaah norma bidang dan b adaah posisi bidang reatif terhadap pusat koordinat. Niai margin (jarak) antara bidang pembatas (berdasarkan rumus jarak garis ke titik pusat) adaah D = b 1 b 1 w d = 1 w = 2 w (2.32) (2.33) Niai margin ini dimaksimakan dengan tetap memenuhi (2.32). Dengan mengaikan b dan w dengan sebuah konstanta, akan dihasian niai margin yang dikaikan dengan konstanta yang sama. Oeh karena itu, konstrain (2.32) merupakan scaing constraint yang dapat dipenuhi dengan rescaing b dan w. Seain itu, karena memaksimakan 1 w sama dengan meminimumkan w 2 dan jika kedua bidang pembatas pada (2.30) dan (2.31) di representasikan daam pertidaksamaan (2.34) : y i (x i. w + b) 1 0 (2.34) Maka pencarian bdang pemisah terbaik dengan niai margin terbesar dapat dirumuskan menjadi masaah optimasi konstrain, yaitu min w 2 (2.35)
12 25 subject to y i (x i. w + b) 1 0 (2.36) Persoaan ini akan ebih mudah diseesaikan jika diubah ke daam formua agrangian yang menggunakan agrange mutipier. Lagrangian L harus diminimakan dengan memandang prima variabe w dan b dan memaksimajan dengan ke dua variabe i, dengan kata ain poin penentu harus sudah ditentukan. Pernyataan bahwa pada poin penentu, yang derivative dari L dengan prima variabe harus dihiangkan : Mengarah ke : L b = 0 (2.37) L w = 0 (2.38) i y i = 0 (2.39) w = α i y i x i (2.40) Sehingga proses perhitungan dua probemnya adaah sebagai berikut : L(w, b, α) = 1 2 w 2 α i (y i (x i. w + b) 1) (2.41) = 1 2 (w. w) ( α iy i x i w + x i y i b α i ) (2.42) = 1 2 ( α iy i x i. α j y j x j ) ( α i y i (x i. α j y j x j ) + 0 α i ) (2.43) j=1 j=1 = 1 2 ( α iα j y i y j x i. x j ) ( α i α j y i y j x i. x j + 0 α i ) (2.44) i,j=1 i,j=1 = 1 2 α iα j y i y j x i. x j α i α j y i y j x i. x j + α i i,j=1 i,j=1 (2.45)
13 26 Sehingga didapatkan rumus dua probem adaah L(w, b, α) = α i 1 2 α iα j y i y j x i. x j i,j=1 (2.46) Dengan demikian, dapat diperoeh niai i yang nantinya digunakan untuk menemukan w. terdapat niai i untuk setiap data peatihan. Data peatihan yang memiiki niai i > 0 adaah support vector sedangkan sisanya memiiki niai i = 0. Dengan demikian fungsi keputusan yang dihasikan hanya dipengaruhi oeh support vector. Formua pencarian bidang pemisah terbaik ini adaah permasaahan quadratic programming, sehingga niai maksimum goba dari i seau dapat ditemukan. Dengan menggunakan Quadratic Programming didapatkan niai apha ( ). Bia data x i memiiki niai = 0, maka data tersebut bukanah support vector. Sedangkan bia > 0, maka data tersebut merupakan support vector. Apabia niai teah diperoeh, maka w dan b dapat diperoeh dengan menggunakan persamaan (2.47) dan (2.48). Seteah itu, dapat meakukan proses testing dengan persamaan (2.49). w = α i y i x i (2.47) b = 1 2 (w. x 1 + w. x +1 ) (2.48) n f(t) = sgn ( α i y i t. x i + b) (2.49),x i SV 2.7. Metode Kerne SVM Banyak teknik data mining atau machine earning yang dikembangkan dengan asumsi keinieran. Sehingga agoritma yang dihasikan terbatas untuk kasus-kasus yang inier. Karena itu, bia suatu kasus kasifikasi memperihatkan
14 27 ketidakinieran, agoritma seperti perceptron tidak bias mengatasinya. Secara umum, kasus-kasus dunia nyata adaah kasus yang tidak inier. Sebagai contoh, perhatikan Gambar 2.7. Data tersebut suit dipisahkan secara inier. Metode kerne adaah saah satu sousinya. Dengan metode kerne suatu data x di input space di mapping ke feature space D dengan dimensi yang ebih tinggi meaui map φ sebagai berikut φ: x_ φ(x). Karena itu data x di input space menjadi φ(x) di feature space. Sering kai fungsi φ(x) tidak tersedia atau tidak bias dihitung. Tetapi dot product dari dua vector dapat di hitung baik di daam input space maupun di feature space. Dengan kata ain, sementara φ(x) mungkin tidak diketahui, dot product < φ(x1), φ(x2) > masih dapat dihitung pada feature space. Untuk dapat menggunakan metode kerne, pembatas (constraint) peru diekspresikan daam bentuk dot product dari vector data x i. Sebagai konsekuensi, pembatas yang menjeaskan permasaahan daam kasifikasi harus diformuasikan kembai sehingga menjadi bentuk dot product. Daam feature space ini, dot product <. > menjadi < φ(x), φ(x) >. Suatu fungsi kerne, K(x, x ), bias untuk menggantikan dot product < φ(x), φ(x) >. Kemudian di feature space, dapat membuat suatu fungsi pemisah yang inier yang mewakii fungsi noninier di input space. Gambar 2.7 mendeskripsikan suatu contoh feature mapping dari ruang 2 dimensi ke feature space 2 dimensi. Gambar 2.7 Contoh Feature Mapping
15 28 Daam input space, data tidak dapat dipisahkan secara inier, tetapi dapat dipisahkan di feature space. Karena itu, dengan memetakan data ke feature space menjadikan tugas kasifikasi menjadi ebih mudah. Terdapat beberapa fungsi kerne yang biasa digunakan : Kerne Linier : K(x, x ) = x T x (2.50) Kerne Homogeneous Poynomia : K(x, x ) = (x x ) d (2.51) Kerne Gaussian Radia Basis : K( x, x ) = exp ( x x 2 2σ 2 ) (2.52) Kerne Hyperboic Tangent : K(x, x ) = tanh (κx x + c) (2.53) Sepanjang fungsi kernenya egitimate, SVM akan beroperasi secara benar meskipun tidak diketahui seperti apa map yang digunakan. Fungsi kerne yang egitimate diberikan oeh Teori Mercer, dimana fungsi tersebut harys memenuhi syarat, yaitu continuous dan positive definite. Lebih mudah menemukan fungsi kerne daripada mencari map φ. Pada penerapan metode kerne, tidak peru mengetahui map apa yang digunakan untuk satu per satu data, tetapi ebih penting mengetahui bahwa dot product dua titik di feature space bias digantikan oeh fungsi kerne. Gambar 2.8 Representasi Data Kerne
Deteksi Tumor Otak dengan Ektrasi Ciri & Feature Selection mengunakan Linear Discriminant Analysis (LDA) dan Support Vector Machine (SVM)
Deteksi Tumor Otak dengan Ektrasi Ciri & Feature Seection mengunakan Linear Discriminant Anaysis (LDA) dan Support Vector Machine (SVM) rain Tumor s Detection With Feature Extraction & Feature Seection
Lebih terperinciANALISIS ALGORITMA PREDIKSI UNTUK MENGHASILKAN PREDIKSI BEBAN LISTRIK JANGKA PENDEK
JURNAL ILMU PENGETAHUAN VOL. 3. NO. 1 AGUSTUS 2017 ANALISIS ALGORITMA PREDIKSI UNTUK MENGHASILKAN PREDIKSI BEBAN LISTRIK JANGKA PENDEK Veti Apriana 1 ; Rani Irma Handayani 2 1 Komputerisasi Akuntansi AMIK
Lebih terperinciAPLIKASI METODE CROSS ENTROPY UNTUK SUPPORT VECTOR MACHINES
APLIKASI METODE CROSS ENTROPY UNTUK SUPPORT VECTOR MACHINES Tiananda Widyarini, Budi Santosa Jurusan Teknik Industri Institut Teknoogi Sepuuh Nopember (ITS) Surabaya Kampus ITS Sukoio Surabaya 60111 Emai:
Lebih terperinciPENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN
PENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN 1008605032 JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciFOURIER Oktober 2014, Vol. 3, No. 2,
FOURIER Oktober 2014, Vo. 3, No. 2, 98 116 PENYELESAIAN MATCHING GRAF DENGAN MENGGUNAKAN METODE HUNGARIAN DAN PENERAPANNYA PADA PENEMPATAN KARYAWAN DI SUATU PERUSAHAAN Auia Rahman 1, Muchammad Abrori 2,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengenalan Wajah Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem keamanan selain pengenalan retina mata, pengenalan sidik jari
Lebih terperinciAnalisis 9 Saham Sektor Industri di Indonesia Menggunakan Metode SVR
Anaisis 9 Saham Sektor Industri di Indonesia Menggunakan Metode SVR Nur Adhi Nugroho1,a, Acep Purqon1,b 1 Laboratorium Fisika Bumi, Keompok Keahian Fisika Bumi dan Sistem Kompeks, Fakutas Matematika dan
Lebih terperinciAPLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira 50408896 Dr. Karmilasari Kanker Latar Belakang Kanker
Lebih terperinciMULTICRITERIA DECISION MAKING (MCDM)_3 PRASETYANINGRUM
MULTICRITERIA DECISION MAKING (MCDM)_3 IRA PRASETYANINGRUM PENDEKATAN KEPUTUSAN KELOMPOK Metoda Dephi Peniaian keompok, diakukan sharing dipandu moderator Masaah Daftar Anggota Ahi Masaah disampaikan ke
Lebih terperinciFrekuensi Alami Rangka Batang Semi-Kaku dengan Efek Gaya Aksial Ruly Irawan 1,a*
Frekuensi Aami Rangka Batang Semi-Kaku dengan Efek Gaya Aksia Ruy Irawan 1,a* 1 Program Studi Teknik Sipi,Fakutas Teknik, Universitas Sarjanawiyata Tamansiswa a nawari007@yahoo.com Abstrak Artike ini menyajikan
Lebih terperinciBAB III METODE PENELITIAN
42 BAB III METODE PENELITIAN 3. Teknik Peneitian Peneitian dengan metode perbandingan eksperimenta berisikan kegiatan yang direncanakan dan diaksanakan oeh peneiti, maka dapat diperoeh bukti-bukti yang
Lebih terperinciMANAJEMEN KINERJA. Pokok Bahasan: Proses Manajemen Kinerja
MANAJEMEN KINERJA Pokok Bahasan: Proses Manajemen Kinerja Manajemen kinerja sebagai proses manajemen Preses manajemen kinerja menurut Wibowo (2007:19) mencakup suatu proses peaksanaan kinerja dan bagaimana
Lebih terperinciT E K U K A N. Gambar 7.1. Pembebanan Normal Negatif
1/5/016 T E K U K N 7.1. Terjadinya Tekukan Tekukan terjadi apabia batang tekan memiiki panjang tertentu yang yang jauh ebih besar dibandingkan dengan penampang intangnya. Perhatikan Gambar 7.1 di bawah,
Lebih terperinciIMLPEMENTASI MINISASI l 1 -l 0 UNTUK RESTORASI CITRA YANG MENGALAMI DEGRADASI OLEH DERAU GAUSSIAN CAMPURAN
IMLPEMEASI MIISASI 1 - UUK RESORASI CIRA YAG MEGALAMI DEGRADASI OLEH DERAU GAUSSIA CAMPURA Suci Istachoti Jannah 1, Yudhi Purananto, Ruy Soeaiman 3 eknik Informatika, Fakutas eknoogi Informasi, IS emai
Lebih terperinciOutline. Pengertian Dasar Arsitektur Tugas Data Mining Contoh Penggunaan Data Mining
Outine Pengertian Dasar Arsitektur Tugas Data Mining Contoh Penggunaan Data Mining Latar Beakang 3 Mengapa harus Data Mining? Definisi Data Mining Pengertian Yang Saah Imu Data Mining Arsitektur Data Mining
Lebih terperinciPEMODELAN TARIKAN PERJALANAN PADA RUMAH SAKIT DI KOTA PADANG
No. Vo. Thn. XIV Apri 00 ISSN: 84-84 PEMODELAN TARIKAN PERJALANAN PADA RUMAH SAKIT DI KOTA PADANG Hendra Gunawan ),Titi Kurniati ),Dedi Arnadi ) )Staf Pengajar Jurusan Teknik Sipi Universitas Andaas )Mahasiswa
Lebih terperinci(b) Tekuk Gambar 7.1. Pembebanan Normal Negatif
BB VII T E K U K N 7.1. Terjadinya Tekukan Tekukan terjadi apabia batang tekan memiiki panjang tertentu yang yang jauh ebih besar dibandingkan dengan penampang intangnya. Perhatikan Gambar 7.1 di bawah,
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN
4 BAB HASIL DAN PEMBAHASAN Ada tiga tahap utama yang dilakukan pada percobaan ini yaitu ektraksi ciri, pelatihan dan pengujian JST. Percobaan dilakukan dengan mengkombinasikan data hasil ekstraksi ciri
Lebih terperinciSistem Pengenalan Plat Nomor Mobil Dengan Metode Principal Components Analysis
Sistem Pengenaan Pat Nomor Mobi Dengan Metode Principa Components Anaysis [Resmana Lim, et a.] Sistem Pengenaan Pat Nomor Mobi Dengan Metode Principa Components Anaysis Resmana Lim, Lukman Vendy W. 2,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
71 BAB IV HASIL DAN PEMBAHASAN 4.1 Pembuatan Basis Data Langkah pertama daam membangun apikasi adaah meakukan instaasi apikasi server yaitu menggunakan SQLite manager yang di insta pada browser Mozia Firefox.
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 5, No. 1 (2016) 158-163 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone IDENTIFIKASI JENIS PENYAKIT DAUN TEMBAKAU MENGGUNAKAN METODE GRAY LEVEL
Lebih terperincisistem InformasI GgeoGgrafIs Widiastuti
sistem InformasI GgeoGgrafIs Widiastuti Universitas Gunadarma 2015 Pertemuan Ketiga Komponen Sistem Informasi Geografis Data dan Informasi.. Data menjadi Informasi Data Pemrosesan, Pengoahan, Konversi
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 terperinciBAB 2 LANDASAN TEORI. dari sudut pandang matematis, citra merupakan fungsi kontinyu dari intensitas cahaya
5 BAB 2 LANDASAN TEORI 2.1 Citra Secara harfiah citra atau image adalah gambar pada bidang dua dimensi. Ditinjau dari sudut pandang matematis, citra merupakan fungsi kontinyu dari intensitas cahaya pada
Lebih terperinciGambar 3.1 Lokasi Museum Konperensi Asia Afrika Sumber :
BAB III METODOLOGI PENELITIAN A. Lokasi dan Objek Peneitian Lokasi peneitian ini diaksanakan di Museum Konperensi Asia Afrika berokasi di Gedung Merdeka, jaan Asia Afrika No. 65 Bandung, Keurahan Braga,
Lebih terperinciPREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION
PREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION Lisa Yui Kurniawati 1*), Handayani Tjandrasa 2), Isye Arieshanti 3) 1,2,3) Teknik Informatika, Fakutas Teknoogi Informasi Institut
Lebih terperinciDAFTAR ISI HALAMAN PERSETUJUAN... III PERNYATAAN... IV PRAKATA... V DAFTAR ISI... VI DAFTAR GAMBAR... IX DAFTAR TABEL... XII INTISARI...
DAFTAR ISI HALAMAN PERSETUJUAN... III PERNYATAAN... IV PRAKATA... V DAFTAR ISI... VI DAFTAR GAMBAR... IX DAFTAR TABEL... XII INTISARI... XIV ABSTRACT...XV BAB 1 PENDAHULUAN... 1 1.1. Latar Belakang Masalah...
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 terperinciBAB III OBJEK DAN METODE PENELITIAN
37 BAB III OBJEK DAN METODE PENELITIAN 3.1 Objek Peneitian Peneitian ini menggunakan pendekatan manajemen pemasaran khususnya mengenai pengaruh service exceence terhadap kepuasan konsumen. Adapun yang
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 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 terperinciKlasifikasi K-NN Dan Naive Bayes Terhadap Pelacakan Ujung Jari Berbasis Camera Smartphone
POLITEKNOSAINS, Vo. XVI, No 1, Maret 2017 13 Kasifikasi K-NN Dan Naive Bayes Terhadap Peacakan Ujung Jari Berbasis Camera Smartphone Sudarno 1, Agus Kristanto 2, Taman Ginting 3 1 Teknik Eektro, Poiteknik
Lebih terperinciBab III Metode Akuisisi dan Pengolahan Data
Bab III Metode Akuiii dan Pengoahan ata III.1 Pembuatan Mode Fii Bagian paing penting dari peneitian ini iaah pemodean fii auran fuida yang digunakan. Mode auran ini digunakan ebagai medium airan fuida
Lebih terperinciPENENTUAN CADANGAN PREMI MENGGUNAKAN METODE FACKLER PADA ASURANSI JIWA DWI GUNA
Buetin Imiah Mat. Stat. dan Terapannya (Bimaster) Voume 02, No. 2 (203), ha 5 20. PENENTUAN CAANGAN PREMI MENGGUNAKAN METOE FACKLER PAA ASURANSI JIWA WI GUNA Indri Mashitah, Neva Satyahadewi, Muhasah Novitasari
Lebih terperinciOPTIMALISASI JUMLAH BUS TRAYEK MANGKANG- PENGGARON DENGAN PENDEKATAN COMPROMISE PROGRAMMING
OPTIMALISASI JUMLAH BUS TRAYEK MANGKANG- PENGGARON DENGAN PENDEKATAN COMPROMISE PROGRAMMING Diana Puspita Sari, Arfan Backtiar, Heny Puspasri Industria Engineering Department, Diponegoro University Emai
Lebih terperinciPENGATURAN FUNGSI PENYERAPAN DARI MODEL DIFUSI KADAR AIR PENYIMPANAN PADI DENGAN METODE BEDA HINGGA SKEMA IMPLISIT
JIMT Vo. 12 No. 1 Juni 2015 (Ha. 92 103) Jurna Imiah Matematika dan Terapan ISSN : 2450 766X PENGATURAN FUNGSI PENYERAPAN DARI MODEL DIFUSI KADAR AIR PENYIMPANAN PADI DENGAN METODE BEDA HINGGA SKEMA IMPLISIT
Lebih terperinciKata kunci: Fuzzy Adaptif, Air Fuel Ratio, duty cycle, sensor lambda.
KONTROL AIR FUEL RATIO PADA SPARK IGNITION ENGINE SISTEM EFI SEKUENSIAL MENGGUNAKAN KONTROL FUZZY ADAPTIF DAPAT MENEKAN BEAYA OPERASIONAL KENDARAAN Abdu Hamid, Ari Santoso Jurusan Teknik Eektro-FTI ITS
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan dan Praproses Data Kegiatan pertama dalam penelitian tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data sekunder
Lebih terperinciAl Azhar 1 Jondri 2 Untari Novia Wisesty 2
Prediksi Perkembangan Kondisi Pasien Terapi HIV dengan Menggunakan Representasi ALE-index sebagai Invariant Nuceotida sequence dan Support Vector Machine A Azhar 1 Jondri 2 Untari Novia Wisesty 2 1,2,3
Lebih terperinciNUMERICAL APPROACH OF BOUNDED STATE AND CRITICAL PHENOMENON OF YUKAWA POTENTIAL AT TWO NUCLEON INTERACTION USING FINITE DIFFERENCE METHOD
Pendekatan Numerik Keadaan Terikat. (Arif Gunawan) 179 PENDEKATAN NUMERIK KEADAAN TERIKAT DAN FENOMENA KRITIS POTENSIAL YUKAWA PADA INTERAKSI DUA NUKLEON MENGGUNAKAN METODE BEDA HINGGA (FINITE DIFFERENCE
Lebih terperinciANALISIS DANA TABARRU ASURANSI JIWA SYARIAH MENGGUNAKAN PERHITUNGAN COST OF INSURANCE
Buetin Imiah Math. Stat. dan Terapannya (Bimaster) Voume 05, No. (206), ha 53-60. ANALISIS DANA TABARRU ASURANSI JIWA SYARIAH MENGGUNAKAN PERHITUNGAN COST OF INSURANCE Amanah Fitria, Neva Satyahadewi,
Lebih terperinciKLASIFIKASI JENIS DAGING BERDASARKAN TEKSTUR MENGGUNAKAN METODE GRAY LEVEL COOCURENT MATRIX
KLASIFIKASI JENIS DAGING BERDASARKAN TEKSTUR MENGGUNAKAN METODE GRAY LEVEL COOCURENT MATRIX Nurul Lihayati 1, Ratri Enggar Pawening 2, Mohammad Furqan 3 1,2, 3 Jurusan Teknik Informatika, STT Nurul Jadid
Lebih terperinciRANCANGAN ANIMASI INTERAKTIF PENGENALAN ALAT-ALAT TRANSPORTASI UNTUK SISWA TAMAN KANAK-KANAK ISLAM AL AZZAM CILEDUK TANGERANG
SNIPTEK 2016 ISBN: 978-602-72850-3-3 RANCANGAN ANIMASI INTERAKTIF PENGENALAN ALAT-ALAT TRANSPORTASI UNTUK SISWA TAMAN KANAK-KANAK ISLAM AL AZZAM CILEDUK TANGERANG Indah Puspitorini AMIK BSI Bekasi J. Raya
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Rancangan Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau informasi
Lebih terperinciLEMBAR PENGESAHAN TUGAS AKHIR...
DAFTAR ISI HALAMAN SAMPUL... i HALAMAN JUDUL... ii PERNYATAAN... iii LEMBAR PENGESAHAN TUGAS AKHIR... iv BERITA ACARA TUGAS AKHIR... v KATA PENGANTAR... vi ABSTRAK... vii ABSTRACT... viii DAFTAR ISI...
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 terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Sistem Optik dan Proses Akuisisi Citra Digital 2 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 Bisa dilihat pada slide berikut. SISTEM OPTIK MANUSIA
Lebih terperinciBAB. 6 DINAMIKA ROTASI DAN KESETIMBAGAN BENDA TEGAR A. MOMEN GAYA DAN MOMEN INERSIA
BAB. 6 DINAMIKA OTASI DAN KESETIMBAGAN BENDA TEGA A. MOMEN GAYA DAN MOMEN INESIA 1. Momen Gaya Benda hanya dapat mengaami perubahan gerak rotasi jika pada benda tersebut diberi momen gaya, dengan adanya
Lebih terperinciIMPLEMENTASI APLIKASI PENGENALAN JENIS KELAMIN BERDASARKAN CITRA WAJAH DENGAN METODE SUPPORT VECTOR MACHINE SECARA REAL TIME
IMPLEMENTASI APLIKASI PENGENALAN JENIS KELAMIN BERDASARKAN CITRA WAJAH DENGAN METODE SUPPORT VECTOR MACHINE SECARA REAL TIME Implementation of Gender Recognition Applications Based on Face Image with Support
Lebih terperinciKOMPRESI CITRA MEDIS MENGGUNAKAN DISCRETE WAVELET TRANSFORM (DWT) DAN EMBEDDED ZEROTREE WEVELET(EZW) Jl. Prof. H. Soedarto, S.H., Tembalang Semarang
KOMPRESI CITRA MEDIS MENGGUNAKAN DISCRETE WAVELET TRANSFORM (DWT) DAN EMBEDDED ZEROTREE WEVELET(EZW) Khairi Anwar 1, Aris Sugiharto dan Priyo Sidik Sasongko 3 1,, 3 Jurusan Matematika FMIPA UNDIP J Prof
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan studi (state of the art) Berikut penelitian yang telah dilakukan sebelumnya : 1. Penelitian dilakukan oleh Sigit Sugiyanto Feri Wibowo (2015), menjelaskan tentang klasifikasi
Lebih terperinciIDENTIFIKASI MACAN TUTUL DENGAN METODE GREY LEVEL COOCURENT MATRIX ( GLCM) Zuly Budiarso Fakultas teknologi Informasi, Univesitas Stikubank Semarang
IDENTIFIKASI MACAN TUTUL DENGAN METODE GREY LEVEL COOCURENT MATRIX ( GLCM) Zuly Budiarso Fakultas teknologi Informasi, Univesitas Stikubank Semarang Abstrak Tekstur (Textures) adalah sifat-sifat atau karakteristik
Lebih terperinciBAB 4 PENGUJIAN DAN ANALISIS SISTEM
BAB 4 PENGUJIAN DAN ANALISIS SISTEM Bab ini akan membahas mengenai proses pengujian dari sistem yang dirancang terhadap beberapa citra dijital replika kulit. Pengujian terhadap sistem ini dilakukan untuk
Lebih terperinci2.Landasan Teori. 2.1 Konsep Pemetaan Gambar dan Pengambilan Data.
6 2.Landasan Teori 2.1 Konsep Pemetaan Gambar dan Pengambilan Data. Informasi Multi Media pada database diproses untuk mengekstraksi fitur dan gambar.pada proses pengambilan, fitur dan juga atribut atribut
Lebih terperinciANALISIS FOURIER. Kusnanto Mukti W./ M Jurusan Fisika Fakultas MIPA Universitas Sebelas Maret. Abstrak
ANALISIS FOURIER Kusnanto Mukti W./ M0209031 Jurusan Fisika Fakutas MIPA Universitas Sebeas Maret Abstrak Anaisis fourier adaah cara matematis untuk menentukan frekuensi dan ampitudo harmonik. Percobaan
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 terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Analisis dan perancangan sistem ini ditujukan untuk memberikan gambaran secara umum mengenai aplikasi yang akan dibuat. Hal ini berguna untuk menunjang pembuatan
Lebih terperinciPEMBUATAN WEB SERVICE SEBAGAI LAYANAN PENDETEKSI KONTEN PORNOGRAFI PADA CITRA DIGITAL DENGAN METODE IMAGE ZONING
PEMBUATAN WEB SERVICE SEBAGAI LAYANAN PENDETEKSI KONTEN PORNOGRAFI PADA CITRA DIGITAL DENGAN METODE IMAGE ZONING Oleh: Lourensius Bisma (5210100155) Dosen Pembimbing: Dr.Eng. Febriliyan Samopa, S.Kom.,
Lebih terperinciModel Optimasi Penjadwalan Proses Slitting Material Roll dengan Multi Objective Programming
Mode Optimasi Penjadwaan Proses Sitting Materia Ro dengan Muti Objective Programming Dina Nataia Prayogo Jurusan Teknik Industri, Universitas Surabaya Jaan Raya Kairungkut, Surabaya, 60293 Te: (031) 2981392,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih terperinciPERHITUNGAN CADANGAN PADA ASURANSI JIWA BERJANGKA MENGGUNAKAN METODE FACKLER DENGAN PRINSIP PROSPEKTIF
PERHITUNGAN ADANGAN PADA ASURANSI JIWA BERJANGKA MENGGUNAKAN METODE FAKLER DENGAN PRINSIP PROSPEKTIF Riaman, Kankan Parmikanti 2, Iin Irianingsih 3, Sudradjat Supian 4 Departemen Matematika, Fakutas MIPA,
Lebih terperinciJurnal Akademis dan Gagasan matematika Edisi Ke Dua Tahun 2015 Halaman 1 hingga 8
Jurna Akademis dan Gagasan tetika Edisi Ke Dua Tahun 2015 Haan 1 hingga 8 PEMBELAJARAN MATEMATIKA MENGGUNAKAN NUMBERED HEADS TOGETHER (NHT) DENGAN MEDIA POWERPOINT DAN BAGAN DITINJAU DARI KEMAMPUAN MEMORI
Lebih terperinciKlasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor
Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor Puspa Rizky Trisnaningtyas 1, Maimunah 2 Program Studi Teknik Komputer Universitas Islam 45 Bekasi, Indonesia
Lebih terperinciManajemen Kinerja Pertemuan ke-lima. Pokok Bahasan: Penilaian Kinerja
Manajemen Kinerja Pertemuan ke-ima Pokok Bahasan: Peniaian Kinerja Manajemen Kinerja, 2 sks CHAPTER 5 PENILAIAN KINERJA 1 Pokok Bahasan: Pengertian peniaian kinerja Proses peniaian kinerja Faktor-faktor
Lebih terperinciSVM untuk Regresi Ordinal
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
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 terperinciOBJECTIVES PENGANTAR-1
6//0 MINIMALISASI BIAYA MENGGUNAKAN GOLDEN SECTION AND HOOK JEEVES METHODS OBJECTIVES Understand why and where optimization occurs in engineering probem soving. Understand the major eements of the genera
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Tembakau Sebagai produk yang memiliki nilai jual pada daunnya, maka perlu diperhatikan pada kesehatan daun tembakau tersebut. Penurunan kualitas daun tembakau akan mempengaruhi
Lebih terperinciPERBANDINGAN TINGKAT AKURASI JENIS CITRA KEABUAN, HSV, DAN L*a*b* PADA IDENTIFIKASI JENIS BUAH PIR
PERBANDINGAN TINGKAT AKURASI JENIS CITRA KEABUAN, HSV, DAN L*a*b* PADA IDENTIFIKASI JENIS BUAH PIR Mulia Octavia 1), Jesslyn K 2), Gasim 3) 1), 2),3) Program Studi Teknik Informatika STMIK GI MDP Jl. Rajawali
Lebih terperinciManajemen Kinerja Pokok Bahasan:
Manajemen Kinerja Pokok Bahasan: Manajemen Kinerja: Peatihan dan Penghargaan Sub Pokok Bahasan Pengertian Peatihan Proses pembeajaran dan pengembangan individu Jenis-jenis peatihan karyawan Manfaat peatihan
Lebih terperinciBAB III METODE PENELITIAN. tangan dengan menggunakan metode Support Vector Machine (SVM).
BAB III METODE PENELITIAN 3.1 Desain Penelitian Di dalam desain penelitian ini akan menggambarkan proses pengenalan tulisan tangan dengan menggunakan metode Support Vector Machine (SVM). Praproses Input
Lebih terperinciSupport Vector Machine Teori dan Aplikasinya
UNS Sebeas Maret, 28 Agustus 2017 Support Vector Machine Teori dan Apikasinya Dr. Anto Satriyo Nugroho Emai : anto.satriyo@bppt.go.id h:p://asnugroho.net Pusat Teknoogi Informasi & Komunikasi Badan Pengkajian
Lebih terperinciOPTIMISASI MULTIOBJEKTIF UNTUK PEMBENTUKAN PORTOFOLIO. Abdul Hoyyi 1, Dwi Ispriyanti 1. Abstract
Optimisasi (Abdu H) OPTIMISASI MULTIOBJEKTIF UNTUK PEMBENTUKAN PORTOFOLIO Abdu Hoyyi 1, Dwi Ispriyanti 1 1 Staf Pengajar Jurusan Statistika FSM UNDIP Abstract Investing in asset such as stock; besides
Lebih terperinciPengantar Support Vector Machine
Pengantar Support Vector Machine Anto Satriyo Nugroho February 8, 2007 1 Pengantar Pattern Recognition (PR) didefinisikan sebagai proses pemetaan suatu data ke dalam konsep tertentu yang telah didefinisikan
Lebih terperinciKLASIFIKASI KEBUTUHAN NON-FUNGSIONAL MENGGUNAKAN FSKNN DENGAN PENGEMBANGAN SINONIM DAN HIPERNIM BERBASIS ISO/IEC 9126
pissn: 2442-3386 eissn: 2442-4293 Vo 1 No 2 Jui 2015, 1-6 1-8 KLASIFIKASI KEBUTUHAN NON-FUNGSIONAL MENGGUNAKAN FSKNN DENGAN PENGEMBANGAN SINONIM DAN HIPERNIM BERBASIS ISO/IEC 9126 Denni Adi Ramadhani 1,
Lebih terperinciKLASIFIKASI MOTIF KAIN TRADISIONAL BATIK BOMBA KAILI BERDASARKAN FITUR TEKSTUR CITRA DIGITAL
KLASIFIKASI MOTIF KAIN TRADISIONAL BATIK BOMBA KAILI BERDASARKAN FITUR TEKSTUR CITRA DIGITAL Nuraedah 1), Muhammad Bakri 2) 1) Jurusan Pendidikan Sejarah, Fakultas Ilmu Pendidikan dan Keguruan, Universitas
Lebih terperinciBAB III ANALISA DAN PERANCANGAN
BAB III ANALISA DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan yang paling awal dalam pembuatan sistem aplikasi ini. Analisis sistem dilakukan dengan tujuan untuk mengetahui dan
Lebih terperinciPERAMALAN DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN SUPPORT VECTOR REGRESSION
PERAMALAN DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN SUPPORT VECTOR REGRESSION Budi Santosa, Riza Nugraha Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo
Lebih terperinciBAB IV Persamaan Matematika IV.1 Model Perkiraan Limpasan Permukaan
68 BAB IV Persamaan Matematika IV.1 Mode Perkiraan Limpasan Permukaan Sudjono (1995) menguraikan konsep runoff yang teah diubah secara idea pada segmen keci, berdasar pada prinsip keseimbangan air. Mode
Lebih terperinciBAB II LANDASAN TEORI. titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
BAB II LANDASAN TEORI 2. Citra/Image Citra atau yang lebih sering dikenal dengan gambar merupakan kumpulan dari titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
Lebih terperinciBAB III ANALISA DAN PERANCANGAN
BAB III ANALISA DAN PERANCANGAN 3.1. Analisis Sistem Tahapan analisis merupakan tahapan yang paling awal dalam pembuatan sistem aplikasi ini. Analisis sistem dilakukan dengan tujuan untuk mengetahui dan
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. tanaman tembakau yang termasuk dalam genus Nicotiana. Secara umum
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Tembakau adalah hasil produk pertanian yang diproses dari daun tanaman tembakau yang termasuk dalam genus Nicotiana. Secara umum masyarakat hanya mengetahui
Lebih terperinciPANJANG PENYALURAN TULANGAN
131 6 PANJANG PENYALURAN TULANGAN Penyauran gaya seara sempurna ari baja tuangan ke beton yang aa i sekeiingnya merupakan syarat yang muthak harus ipenuhi agar beton bertuang apat berfungsi engan baik
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciManajemen Operasional KEPUTUSAN PERENCANAAN STRATEGI
Manajemen Operasiona KEPUTUSAN PERENCANAAN STRATEGI Putri Irene Kanny Putri_irene@staff.gunadarma.ac.id Sub Pokok bahasan pertemuan ke-2 Formuasi strategi Prioritas bersaing Peran operasi daam strategi
Lebih terperinciKajian Peningkatan Akurasi Matriks Asal-Tujuan yang Dihasilkan dari Data Arus Lalulintas pada Kondisi Keseimbangan
PROC. ITB Sains & Tek. Vo. 39 A, No. 1&2, 2007, 23-39 23 Kajian Peningkatan Akurasi Matriks Asa-Tujuan yang Dihasikan dari Data Arus Lauintas pada Kondisi Keseimbangan Ofyar Z. Tamin 1 & Rusmadi Suyuti
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN DOSEN BERPRESTASI DENGAN MENGGUNAKAN METODE FUZZY DATABASE MODEL TAHANI
DINAMIKA INFORMATIKA Vo.6 No. 1, Maret 2014 ISSN 2085-3343 SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN DOSEN BERPRESTASI DENGAN MENGGUNAKAN METODE FUZZY DATABASE MODEL TAHANI Teguh Khristianto, Bayu Surarso,
Lebih terperinciHUBUNGAN DISIPLIN KERJA DENGAN KINERJA KARYAWAN PADA PT RAMAYANA LESTARI SENTOSA,Tbk. CABANG BOGOR
HUBUNGAN DISIPLIN KERJA DENGAN KINERJA KARYAWAN PADA PT RAMAYANA LESTARI SENTOSA,Tbk. CABANG BOGOR Nama : Saepudin ABSTRAK Saah satu masaah yang sering dihadapi perusahaan yaitu disipin kerja seperti banyak
Lebih terperinciKLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES
KLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES Tri Adhi Atmaji 1, Catur Supriyanto 2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah
BAB IV HASIL DAN PEMBAHASAN A. Data Sampel Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah sampel beras B, 1 buah sampel beras C, dan 2 buah sampel beras D. 1. Data Pengujian Mutu Beras
Lebih terperinciWater Hammer Press Untuk Pengurangan Kadar Air Komoditas Onggok
Water Hammer Press Untuk Pengurangan Kadar Air Komoditas Onggok A. Yudi Eka Risano 1, Indra Mamad Gandidi 2 1,2 Teknik Mesin Konversi Energi, Fakutas Teknik Universitas Lampung J. Prof. Soemantri Brojonegoro
Lebih terperinciBAB II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan
BAB II LANDASAN TEORI 2.1. Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus dan intensitas cahaya pada bidang dwimatra
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker merupakan proses penyakit yang terjadi karena sel abnormal mengalami mutasi genetik dari DNA seluler. Sel abnormal membentuk klon dan berproliferasi secara abnormal
Lebih 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 terperinciSEMINAR NASIONAL PENGARUH ORIENTASI RUMAH TERHADAP SUHU DALAM RUANG PADA PERUMAHAN GAPURA SATELIT INDAH
PENGARUH ORIENTASI RUMAH TERHADAP SUHU DALAM RUANG PADA PERUMAHAN GAPURA SATELIT INDAH Rusdianto 1, Syarifa Ajrinah 2, Arinda Wahyuni 3, Edward Syarif 4 1,2,3) Pascasarjana Arsitektur, Fatas Teknik, Universitas
Lebih terperinciUNIVERSITAS AIRLANGGA FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS AIRLANGGA Kampus B Jaan Airangga 4 Surabaya 60286 Tep. 01-50642, 506584 Fax. 01-5026288 Website: http://www.fe.unair.ac.id E-mai: fe@unair.ac.id, info@fe.unair.ac.id Nomor : 125/UN.4/PPd/Dept/Ak/201
Lebih terperinciProblem Based Instruction sebagai alternatif Model Pembelajaran Fisika di SMA
Prayekti, Probem Based Instruction sebagai aternatif Mode Pembeajaran Fisika di SMA Probem Based Instruction sebagai aternatif Mode Pembeajaran Fisika di SMA Prayekti FKIP-Universitas Terbuka, emai: prayekti@mai.ut.ac.id
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 terperinci