PENDAHULUAN TINJAUAN PUSTAKA
|
|
- Adi Suparman Halim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Latar Belakang ENDHULUN Saat ini kemampuan untuk dapat mengidentifikasi dan mengklasifikasi daun menadi kebutuhan yang besar bagi taksonomis dalam mengetahui keanekaragaman tanaman (Hickey et al 999). Identifikasi dapat dilakukan dengan mengenali ciri morfologi dan tekstur dari daun atau uga dengan gabungan keduanya. dikembangkan untuk menemukembalikan citra berdasarkan pada informasi citra yang terdiri atas warna, bentuk dan tekstur. CBIR terdiri atas beberapa proses utama antara lain praproses, ekstraksi cir pengindeksan, dan penemuan kembali citra. Wu et al (007) melakukan ekstraksi ciri morfologi pada citra helai daun. Tahap awal adalah mendapatkan lima ciri dasar dari citra helai daun, kemudian kombinasi dari kelima ciri tersebut menghasilkan dua belas ciri turunan. ebuardi (008) menggunakan Bayesian Network dalam pengukuran kemiripan citra dengan menggabungkan informasi warna, bentuk, dan tekstur dari suatu citra. Kemudian nnisa (009) mengimplementasikan pendekatan ekstraksi ciri morfologi untuk mendapatkan ciri dasar yaitu diameter, leaf area dan leaf perimeter. Setelah itu diperoleh ciri turunan berupa smooth factor, form factor, dan perimeter ratio of diameter. Untuk ciri tekstur diperoleh energy, inverse difference moment, entropy, maximum probability, contrast, correlation, dan homogeneity. Secara fisik, bentuk daun dapat dibedakan dengan melihat ciri morfologi yang ada pada setiap helai daun. enelitian ini dilakukan untuk melengkapi ciri morfologi daun yang sebelumnya dilakukan oleh nnisa (009). Oleh karena itu, berdasarkan penelitian sebelumnya diharapkan dengan tambahan physiological length dan physiological width akan didapatkan hasil yang baik untuk temu kembali citra helai daun. Tuuan enelitian Tuuan dari penelitian ini adalah mengevaluasi hasil temu kembali citra dengan menggunakan penciri morfologi (physiological length dan physiological width), tekstur, dan gabungan keduanya dengan model Bayesian Network untuk temu kembali citra helai daun. Ruang Lingkup Data diperoleh dari hasil penelitian nnisa (009) yang diambil dengan menggunakan kamera digital. Obek adalah citra helai daun tunggal yang berasal dari sebelas pohon buah yang ada di sekitar kampus IB Darmaga, yaitu daun alpukat, bisbul, cokelat, durian, amblang, ambu bi ambu bol, kepel, manggis, menteng, dan nangka. enelitian ini difokuskan pada tahap ekstraksi ciri morfologi dasar yaitu physiological length dan physiological width beserta dengan turunannya yaitu, aspect ratio, rectangularity, narrow factor, dan perimeter ratio of physiological length and physiological width. TINJUN USTK merupakan suatu pendekatan untuk masalah temu kembali citra yang didasarkan pada informasi yang terkandung di dalam citra itu sendiri seperti warna, bentuk, dan tekstur dari citra (Rodrigues & rauo 004). CBIR terdiri atas beberapa tahap yaitu praproses, ekstraksi cir pengindeksan dan penemuan kembali citra. Gambar menunukkan diagram CBIR. enemuan Kembali Citra (on-line) Citra Kueri Ekstraksi Fitur encarian Indeks engukuran Kemiripan Gambar Diagram CBIR. Ekstraksi Ciri Citra Basis Data Ekstraksi Fitur engindeksan Indeks Basis Data engindeksan (off-line) Ekstraksi ciri adalah proses mengambil ciriciri yang terdapat pada citra. ada proses ini obek di dalam citra mungkin perlu dideteksi seluruh tepinya, lalu dihitung properti-properti obek yang berkaitan sebagai ciri. Beberapa proses ekstraksi ciri mungkin perlu mengubah citra masukan sebagai citra biner, melakukan penipisan pola dan sebagainya.
2 Ekstraksi ciri diklasifikasikan ke dalam tiga tingkat yaitu low-level, middle-level dan highlevel. Low-level feature merupakan ekstraksi ciri berdasarkan isi visual seperti warna dan tekstur, middle-level feature merupakan ekstraksi tiap obek dalam citra dan mencari hubungannya, sedangkan high-level feature merupakan ekstraksi ciri berdasarkan informasi semantik yang terkandung dalam citra (Osadebey 006). Ekstraksi ciri morfologi merupakan salah satu bagian dari CBIR untuk informasi morfologi pada citra. roses ini bisa dilakukan dengan pendekatan ekstraksi ciri dasar dan turunan dari morfologi citra helai daun. Menurut Vailaya (996), empat pendekatan yang digunakan dalam menganalisis tekstur adalah analisis statistik, geometrik, berbasis model dan pemrosesan sinyal. endekatan secara statistik dilakukan dengan mengukur karakteristik tekstur seperti kehalusan dan keteraturan. endekatan secara geometrik adalah mengorganisasikan komponen citra primitif (titik, garis, lingkaran) untuk mendapatkan adanya kemungkinan hubungan struktural. Sementara, pendekatan berbasis model mengasumsikan model citra dasar untuk mendeskripsikan dan menyintesis tekstur. endekatan pemrosesan sinyal menggunakan analisis frekuensi dari citra untuk menggolongkan tekstur. Salah satu bagian dari CBIR untuk mendapatkan informasi tekstur pada citra adalah ekstraksi ciri tekstur. roses ini bisa dilakukan dengan pendekatan secara statistik yaitu co-occurrence matrix. Ekstraksi Ciri Morfologi Wu et al (007) telah mendeskripsikan ciri morfologi daun yang dapat diekstrak dari citra helai daun. Ciri tersebut dibedakan menadi dua, yaitu ciri dasar dan ciri turunan. Ciri dasar citra helai daun ada lima, yaitu: Diameter ( D ), yang didefinisikan sebagai arak terpanang antara dua titik pada tepi daun. anang diameter bisa sama atau berbeda dengan panang tulang daun primer (physiological length). Ilustrasinya dapat dilihat pada Gambar. Gambar Diameter helai daun. hysiological length (L p ) adalah arak antara uung dan pangkal daun (panang tulang daun primer). 3 hysiological width (W p ) adalah arak terpanang dari garis yang memotong tegak lurus physiological length yang dibatasi tepi daun. Hubungan keduanya dapat dilihat pada Gambar 3. Gambar 3 Hubungan antara physiological length dan physiological width. 4 Leaf area ( ) adalah perhitungan umlah piksel dari daerah yang dilingkupi tepi daun pada citra yang telah dihaluskan. Ilustrasinya dapat dilihat pada Gambar 4. Gambar 4 Leaf area. 5 Leaf perimeter ( ) adalah perhitungan umlah piksel yang terdapat pada tepi daun (keliling). Ilustrasinya dapat dilihat pada Gambar 5.
3 Gambar 5 Leaf perimeter. Ciri turunan daun ada dua belas, yaitu: Smooth factor adalah rasio antara area citra helai daun yang dihaluskan dengan 5x5 rectangular averaging filter dan area citra helai daun yang dihaluskan dengan x rectangular averaging filter. Ciri ini untuk mengukur keteraturan tepi daun. Semakin teratur tepi daun, nilainya semakin mendekati. Sebaliknya, semakin tidak teratur tepi daun, nilainya semakin mendekati 0. spect ratio adalah rasio antara physiological length dan physiological width. ersamaannya dapat dilihat pada ersamaan. L p W p () Ciri ini untuk memperkirakan bentuk helai daun. Jika bernilai kurang dari maka bentuk helai daun tersebut melebar. Jika bernilai lebih dari maka bentuk helai daun tersebut memanang. Ilustrasinya dapat dilihat pada Gambar 6. L p W p (3) 5 Narrow factor adalah rasio antara diameter dan physiological length. Ciri ini untuk menentukan apakah bentuk helai daun tersebut tergolong simetri atau asimetri. Jika helai daun tersebut tergolong simetri maka bernilai, ika asimetri maka bernilai lebih dari. Nilainya dapat dicari menggunakan ersamaan 4. D L p (4) 6 erimeter ratio of diameter. Ciri ini untuk mengukur seberapa lonong daun tersebut. ersamaannya dapat dilihat pada ersamaan 5. D (5) 7 erimeter ratio of physiological length and physiological width. Rumusnya diberikan pada ersamaan 6. ( L p Wp ) (6) 8 Vein features. ersamaannya dapat dilihat pada ersamaan 7, 8,9,0, dan. a. Rasio antara area helai daun yang telah dikurangi dengan radius satu piksel dan area v (7) b. Rasio antara area helai daun yang telah dikurangi dengan radius dua piksel dan area Gambar 6 spect ratio. 3 Form factor, digunakan untuk mendeskripsikan perbedaan antara daun dan lingkaran Ciri ini untuk mengukur seberapa bundar bentuk helai daun tersebut. Nilai form factor dapat dilihat pada ersamaan. 4 () 4 Rectangularity, mendeskripsikan kemiripan antara daun dan empat persegi panang. Rumusnya diberikan pada ersamaan 3. v (8) c. Rasio antara area helai daun yang telah dikurangi dengan radius tiga piksel dan area v3 (9) d. Rasio antara area helai daun yang telah dikurangi dengan radius empat piksel dan area v4 (0) 3
4 e. Rasio antara area helai daun yang telah dikurangi dengan radius empat piksel dan area helai daun yang telah dikurangi dengan radius satu piksel. Co-occurrence Matrix v4 v () Menurut Osadebey (006), co-occurrence matrix menggunakan matriks deraat keabuan adalah untuk mengambil contoh secara statistik bagaimana suatu deraat keabuan tertentu teradi dalam hubungannya dengan deraat keabuan yang lain. Matriks deraat keabuan adalah suatu matriks yang elemen-elemennya mengukur frekuensi relatif keadian bersama dari kombinasi level keabuan antar pasangan piksel dengan hubungan spasial tertentu. Misal diketahui sebuah citra Q(, p( merupakan posisi dari operator, dan adalah sebuah matriks NxN. Elemen ( menyatakan umlah titik tersebut teradi dengan grey level (intensitas) g(i) terad pada posisi tertentu menggunakan operator p, relatif terhadap titik dengan intensitas g(. Matriks merupakan co-occurrence matrix yang didefinisikan oleh p. Operator p didefinisikan dengan sebuah sudut θ dan arak d. Berdasarkan matriks dapat dihitung nilai-nilai ciri tekstur. Ilustrasinya dapat dilihat pada Gambar 7. Gambar 7 Representasi co-occurrence matrix. Berikut adalah beberapa formula yang digunakan dalam penghitungan ciri tekstur. a. Energy, mengukur tingkat keseragaman tekstur. Energi mencapai nilai tertinggi saat persebaran level keabuan konstan atau bersifat periodik. Rumusnya diberikan pada ersamaan. E ( () b. Inverse Difference Moment mencapai nilai tertinggi saat banyak keadian bersama dalam matriks terkonsentrasi dekat diagonal utama. Formulanya dapat dilihat pada ersamaan 3. ( IDM i (3) c. Entropy, mengukur tingkat keacakan piksel. Entropi mencapai nilai tertinggi ika semua elemen dalam matriks sama. Nilai entropy dapat dicari menggunakan ersamaan 4. E ( log ( (4) d. Maximum probability, menyatakan nilai frekuensi kemunculan bersama terbesar. Semakin tinggi nilainya, semakin teratur teksturnya. Rumusnya diberikan pada ersamaan 5. M max ( ) (5) i e. Contrast, menyatakan umlah variasi lokal yang terdapat dalam sebuah citra. tau dengan kata lain menyatakan tingkat kekontrasan citra. Formulanya dapat dilihat pada ersamaan 6. C i ( (6) f. Correlation, menyatakan hubungan ketetanggaan antarpiksel. Rumus yang digunakan dapat dilihat pada ersamaan 7. ( )( ) ( i C (7) i g. Homogeneity, menyatakan tingkat kehomogenan piksel. Nilainya dapat dicari menggunakan ersamaan 8. ( H (8) i Evaluasi Hasil Temu Kembali Informasi Tahap evaluasi temu kembali citra dilakukan untuk menilai tingkat keberhasilan dalam proses temu kembali citra terhadap seumlah koleksi penguian. ada tahap evaluasi dilakukan penilaian kinera sistem dengan melakukan pengukuran recall dan precision dari proses temu kembali berdasarkan penilaian relevansinya. Recall dan recision Recall dan precision merupakan parameter yang digunakan untuk mengukur keefektifan dari hasil temu kembali. Recall menyatakan proporsi yang ditemukembalikan terhadap 4
5 seluruh materi relevan pada basis data (korpus). recision menyatakan proporsi materi relevan yang ditemukembalikan (Baeza-Yates dan Ribeiro- Neto 999). Recall dan precision diformulasikan sebagai berikut: recall (9) precision (0) dengan Ra adalah citra relevan yang ditemukembalikan. R adalah umlah citra relevan yang ada pada basis data. adalah umlah seluruh citra yang ditemu kembalikan. Rataan precision merupakan suatu ukuran evaluasi yang diperoleh dengan menghitung rata-rata tingkat precision pada berbagai tingkat recall (Baeza-Yates dan Ribeiro-Neto 999). Ui Levene dan Ui-t Ui Levene adalah salah satu teknik dari ui statistika yang digunakan untuk menentukan apakah ada hubungan yang teradi pada suatu data dengan melihat nilai ragamnya (Imam 00). Tahapan yang dilakukan yaitu:. Diui apakah ragam kedua data sama atau tidak.. Lalu dengan ui t, diambil suatu keputusan. METODE ENELITIN enelitian ini akan dikerakan dalam beberapa tahap, yaitu praproses, ekstraksi cir pengindeksan dan penemuan citra kembali. Tahapan secara lengkapnya dapat dilihat pada Gambar 8. Tahap awal praproses yaitu mengubah citra RGB menadi citra grayscale. Untuk ekstraksi ciri morfolog citra grayscale dikonversi lagi menadi citra biner. Kemudian noise citra dihilangkan. Ekstraksi Ciri Ekstraksi ciri dapat diklasifikasikan menadi dua bagian yaitu ciri morfologi dan ciri tekstur. a. Ciri Morfologi Tahap selanutnya ialah mencari ciri morfologi dasar yaitu Lp dan Wp, nilai Lp dihitung dengan menggunakan metode euclidean distance, sedangkan untuk mendapatkan nilai Wp ialah dengan mencari garis terpanang yang tegak lurus dengan Lp. Kemudian nilai Lp dan Wp digabung dengan ciri morfologi dasar dari hasil penelitian nnisa (009) yaitu diameter, leaf area dan leaf perimeter. ada akhirnya didapatkan ciri turunan citra helai daun yaitu aspect ratio, rectangularity, narrow factor, dan perimeter ratio of physiological length and physiological width. engindeksan Basis data citra Ekstraksi ciri Indeks citra basis data Gambar 8 Metode penelitian. b. Ciri Tekstur Langkah awal yang dilakukan untuk mendapatkan informasi tekstur dari sebuah matriks adalah menentukan co-occurrence matrix yang dihitung dalam empat arah 0 o, 45 o 90 o, dan 35 o. Jad setiap citra akan dihasilkan empat co-occurrence matrix. Setelah itu, nilai energy, moment, entropy, maximum probability, contrast, correlation, dan homogenity dihitung untuk setiap co-occurrence matrix, sehingga setiap fitur akan diperoleh empat nilai masing masing untuk arah 0 o, 45 o, 90 o, dan 35 o. Nilai dari setiap fitur diperoleh dengan menghitung rata-rata keempat nilai fitur yang bersangkutan. Informasi tersebut kemudian direpresentasikan dengan sebuah vektor yang memilki tuuh elemen dan nilai akhir dari informasi tekstur diperoleh dengan melakukan normalisasi terhadap vektor masing-masing citra. engukuran Kemiripan enemuan kembali citra Citra kueri Ekstraksi ciri engukuran kemiripan Hasil temu kembali Evaluasi hasil temu kembali engukuran kemiripan antara citra kueri dan citra yang ada dalam basis data dilakukan 5
PENDAHULUAN. Latar Belakang
Latar Belakang ENDHULUN Dalam ilmu biologi dan kehutanan, diketahui terdapat banyak enis daun dengan karakteristik (ciri) yang berbeda-beda. Hal tersebut menyebabkan sulitnya untuk melakukan pengenalan
Lebih terperinciHASIL DAN PEMBAHASAN. Data
dengan menggunakan model Bayesian Network. Nilai kemiripan dapat dihitung dengan Persamaan 21. P(I j Q)=n[1-(1-P(CS j CS)) x(1-p(ct j CT))] (21) dengan n adalah jumlah citra pada basis data, P(CS j CS)
Lebih terperinciEKSTRAKSI CIRI MORFOLOGI DAN TEKSTUR UNTUK TEMU KEMBALI CITRA HELAI DAUN ANNISA
EKSTRAKSI CIRI MORFOLOGI DAN TEKSTUR UNTUK TEMU KEMBALI CITRA HELAI DAUN ANNISA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2009 i EKSTRAKSI CIRI
Lebih terperinciGambar 2 Prinsip pencarian: (a) struktur dan area-area pencarian, (b) jumlah dari garis-garis sampling (Sumber: (Kirchgeβner et al. 2002).
6 kebanyakan informasi tentang suatu garis tepi objek akan berada pada frekuensi rendah dari transformasi Fourier diskret (Petković & Krapac 2002). Pada penerapan ekstraksi venasi daun, inisialisasi parameter
Lebih terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciIdentifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ)
Identifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ) Sutarno Rouzan Fiqri Abdullah Rossi Passarella Jurusan Sistem
Lebih terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
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 terperinciAPLIKASI PENGENALAN DAUN UNTUK KLASIFIKASI TANAMAN DENGAN METODE PROBABILISTIC NEURAL NETWORK
APLIKASI PENGENALAN DAUN UNTUK KLASIFIKASI TANAMAN DENGAN METODE PROBABILISTIC NEURAL NETWORK 1 Gregorius Satia Budhi 2 Tok Fenny Handayani 3 Rudy Adipranata 1, 2, 3 Teknik Informatika Universitas Kristen
Lebih terperinciSistem perolehan citra berbasis isi Berdasarkan tekstur menggunakan metode Gray level co-occurrence matrix dan Euclidean distance
Vol 1, No 3 Desember 2010 ISSN 2088-2130 Sistem perolehan citra berbasis isi Berdasarkan tekstur menggunakan metode Gray level co-occurrence matrix dan Euclidean distance * Fitri Damayanti, ** Husni, ***
Lebih terperinciBAB III METODELOGI PENELITIAN
BAB III METODELOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan penelitian merupakan bagian yang berisi rancangan yang akan dilakukan dalam penelitian. Dimana tahap-tahapan pembangunan sistem ini dapat dilihat
Lebih terperinciV HASIL DAN PEMBAHASAN
22 V HASIL DAN PEMBAHASAN 5.1 Karakteristik Video dan Ektraksi Frame Video yang digunakan di dalam penelitian ini merupakan gabungan dari beberapa cuplikan video yang berbeda. Tujuan penggabungan beberapa
Lebih terperinciIDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA
IDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
Lebih terperinciDAFTAR ISI BAB II TINJAUAN PUSTAKA...4
DAFTAR ISI HALAMAN JUDUL...i PERNYATAAN BEBAS PLAGIARISME...ii HALAMAN PENGESAHAN...iii HALAMAN TUGAS...iv HALAMAN MOTTO...vi KATA PENGANTAR...vii DAFTAR ISI...ix DAFTAR TABEL...xiii DAFTAR GAMBAR...xv
Lebih terperinciIDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN K-NEAREST NEIGHBOUR DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN M BANGKIT PRATAMA
IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN K-NEAREST NEIGHBOUR DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN M BANGKIT PRATAMA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
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 I PENDAHULUAN 1.1 LATAR BELAKANG. Tekstur adalah salah satu elemen dasar citra. Elemen dasar ini berupa ciriciri
1 BAB I PENDAHULUAN 1.1 LATAR BELAKANG Tekstur adalah salah satu elemen dasar citra. Elemen dasar ini berupa ciriciri atau sifat-sifat yang terdapat didalam citra dan membentuk suatu pola-pola dengan interval
Lebih terperinciPERBANDINGAN KINERJA PEMBOBOTAN CIRI PADA TEMU KEMBALI CITRA MENGGUNAKAN BAYESIAN NETWORK DAN ALGORITME GENETIKA FACHRIZAL
PERBANDINGAN KINERJA PEMBOBOTAN CIRI PADA TEMU KEMBALI CITRA MENGGUNAKAN BAYESIAN NETWORK DAN ALGORITME GENETIKA FACHRIZAL DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 7 Diagram alur proses mutasi.
5 Mulai HASIL DAN PEMBAHASAN Kromosom P = rand [0,1] Ya P < Pm R = random Gen(r) dimutasi Selesai Tidak Gambar 7 Diagram alur proses mutasi. Hasil populasi baru yang terbentuk akan dievaluasi kembali dan
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 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 terperinciEKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX. Abstrak
EKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX Karina Auliasari, Bastian, Bella Fardani, Zulkifli, Ivandi Jurusan Teknik Informatika Fakultas Teknik
Lebih terperinciBAB 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 terperinciII TINJAUAN PUSTAKA. * adalah operasi konvolusi x dan y, adalah fungsi yang merepresentasikan citra output,
5 II INJAUAN PUSAKA.1 Fitur Scale Invariant Feature ransform (SIF) Fitur lokal ditentukan berdasarkan pada kemunculan sebuah objek pada lokasi tertentu di dalam frame. Fitur yang dimaksudkan haruslah bersifat
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.
Lebih terperinciIDENTIFIKASI DAUN SHOREA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN NORMALISASI FITUR MORFOLOGI DAUN ALITA WULAN DINI
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN NORMALISASI FITUR MORFOLOGI DAUN ALITA WULAN DINI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciBAB II TINJAUAN PUSTAKA
5 BAB II TINJAUAN PUSTAKA 2.1. Klasifikasi Klasifikasi adalah tugas pembelaaran yang memetakan setiap himpunan atribut x ke salah satu label kelas y yang telah didefinisikan sebelumnya. Klasifikasi dapat
Lebih terperinciPengenalan Spesies Tanaman Berdasarkan Bentuk Daun Menggunakan Metode Klasifikasi Move Median Center (MMC) Hypersphere
PRESENTASI TUGAS AKHIR Pengenalan Spesies Tanaman Berdasarkan Bentuk Daun Menggunakan Metode Klasifikasi Move Median Center (MMC) Hypersphere Yusuf Ardiansjah (5107100156) Dosen Pembimbing : Nanik Suciati,
Lebih terperinciAtthariq 1, Mai Amini 2
IDENTIFIKASI IKAN KERAPU BERDSARKAN POLA KULIT DENGAN METODE GLCM DAN EUCLIDEAN DISTANCE Atthariq 1, Mai Amini 2 1,2,3 Teknologi Informasi dan Komputer, Politeknik Negeri Lhokseumawe, Jalan banda Aceh-Medan
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 terperinciBAB 3 METODOLOGI. untuk mengurangi adanya false positive dan false negative. False positive dalam hal ini
34 BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah Dalam proses diagnosis kanker payudara dibutuhkan akurasi yang tinggi untuk mengurangi adanya false positive dan false negative. False positive dalam
Lebih terperinciBAB 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 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 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 terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN Latar Belakang Tanaman merupakan bagian penting dalam ekosistem, berbagai jenis tanaman telah digunakan selama berabad-abad dalam bidang pangan, papan, maupun obat-obatan. Gloria Samantha
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Indonesia merupakan negara tropis yang memiliki + 30.000 spesies tumbuh-tumbuhan ([Depkes] 2007). Tumbuh-tumbuhan tersebut banyak yang dibudidayakan sebagai tanaman hias. Seiring
Lebih terperinciIII METODOLOGI PENELITIAN
13 III METODOLOGI PENELITIAN 3.1 Kerangka Penelitian Penelitian dilakukan dalam lima tahapan utama, yaitu ekstraksi frame video, ekstraksi fitur SIFT dari seluruh frame, pembentukan kantong kata visual
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 terperinciABSTRAK. Kata kunci : CBIR, GLCM, Histogram, Kuantisasi, Euclidean distance, Normalisasi. v Universitas Kristen Maranatha
ABSTRAK Content-Based Image Retrieval (CBIR) adalah proses untuk mendapatkan suatu citra berdasarkan konten-konten tertentu, konten yang dimaksud dapat berupa tekstur, warna, bentuk. CBIR pada dasarnya
Lebih terperinciIdentifikasi Citra Daun Menggunakan Morfologi, Local Binary Patterns dan Convex Hulls
ISSN : 2442-8337 Identifikasi Citra Daun Menggunakan Morfologi, Local Binary Patterns dan Convex Hulls Desta Sandya Prasvita Program Studi Sistem Informasi, STIMIK ESQ Jl. TB Simatupang Kavling 1, Cilandak,
Lebih terperinciBAB III LANDASAN TEORI. 3.1 Metode GLCM ( Gray Level Co-Occurrence Matrix)
BAB III LANDASAN TEORI 3.1 Metode GLCM ( Gray Level Co-Occurrence Matrix) Metode GLCM menurut Xie dkk (2010) merupakan suatu metode yang melakukan analisis terhadap suatu piksel pada citra dan mengetahui
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 1 Operator descriptor
Tabel 1 Operator descriptor Operator (P, R) Ukuran Blok (piksel) Kuantisasi Sudut (8, 1) 3 x 3 45 derajat (8, 2) 5 x 5 45 derajat (16, 2) 5 x 5 22.5 derajat (24, 3) 7 x 7 15 derajat Penentuan ukuran blok
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciIDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN ASEP HARYONO
IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN ASEP HARYONO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Temu Kembali Citra Berbasis Konten (TKCBK) 2.1.1 Pengertian TKCBK Menurut (Kondekar, Kolkure, & Kore, 2010) pengertian dari TKCBK adalah temu kembali dari gambar berbasis fitur
Lebih terperinciPERANCANGAN DAN SIMULASI IMAGE RETREIVAL MENGGUNAKAN METODE COLOR HISTOGRAM, GREY LEVEL CO-OCCURRENCE MATRIX DAN KNN (Design and Simulation of Image Retreival Using Color Histogram, Grey Level Co-Occurrence
Lebih terperincipola-pola yang terdapat pada suatu daerah bagian citra. Tekstur juga dapat membedakan permukaan dari beberapa kelas.
Ruang Lingkup Penelitian Ruang Lingkup penelitian ini adalah: 1. Objek citra adalah data citra daun tumbuhan obat dan citra pohon tanaman hias di Indonesia. 2. Dalam penelitian ini operator MBLBP yang
Lebih terperinciModel Citra (bag. 2)
Model Citra (bag. 2) Ade Sarah H., M. Kom Resolusi Resolusi terdiri dari 2 jenis yaitu: 1. Resolusi spasial 2. Resolusi kecemerlangan Resolusi spasial adalah ukuran halus atau kasarnya pembagian kisi-kisi
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 terperinciDAFTAR ISI. BAB II... Error! Bookmark not defined.
DAFTAR ISI SKRIPSI... Error! Bookmark not defined. HALAMAN PERSETUJUAN SKRIPSI... Error! Bookmark not defined. PENGESAHAN DEWAN PENGUJI... Error! Bookmark not defined. PERNYATAAN KEASLIAN TUGAS AKHIR...
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 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 terperinciGRAY LEVEL COOCURENCE MATRIX SEBAGAI PENGEKSTRAKSI CIRI PADA PENGENALAN NASKAH BRAILLE
GRAY LEVEL COOCURENCE MATRIX SEBAGAI PENGEKSTRAKSI CIRI PADA PENGENALAN NASKAH BRAILLE Yegar Sahaduta 1), Chairisni Lubis 2) 1) Fakultas Teknologi Informasi-Universitas Tarumanagara Jl. S. Parman No.1,
Lebih terperinciEKSTRAKSI CIRI WARNA, BENTUK DAN TEKSTUR UNTUK TEMU KEMBALI CITRA HEWAN IDALIANA KUSUMANINGSIH
EKSTRAKSI CIRI WARNA, BENTUK DAN TEKSTUR UNTUK TEMU KEMBALI CITRA HEWAN IDALIANA KUSUMANINGSIH DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2009
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 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 terperincidengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan
dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan.
Lebih terperinciIdentifikasi Tumor Otak Menggunakan Jaringan Syaraf Tiruan Propagasi Balik pada Citra CT-Scan Otak Vinny Marita a, Nurhasanah a*, Iklas Sanubary a
Identifikasi Tumor Otak Menggunakan Jaringan Syaraf Tiruan Propagasi Balik pada Citra CT-Scan Otak Vinny Marita a, Nurhasanah a*, Iklas Sanubary a a Prodi Fisika, FMIPA Universitas Tanungpura, Jalan Prof.
Lebih terperinciKLASIFIKASI CITRA BERAS BERDASARKAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN MENGGUNAKAN k-nearest NEIGHBOUR
MAKALAH SEMINAR TUGAS AKHIR KLASIFIKASI CITRA BERAS BERDASARKAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN MENGGUNAKAN k-nearest NEIGHBOUR Eko Prasetyo, Imam Santoso, Budi Setiyono. Jurusan Teknik Elektro
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kain adalah bahan dasar dari pakaian yang biasa digunakan sebagai kebutuhan pokok manusia untuk melindungi dan menutup dirinya. Kain pun dapat menjadi identitas suatu
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 terperinciANALYSIS PERFORMANCE FITUR BENTUK, WARNA DAN TEKSTUR CITRA PADA PENELUSURAN INFORMASI ASET BERBASIS CBIR
ANALYSIS PERFORMANCE FITUR BENTUK, WARNA DAN TEKSTUR CITRA PADA PENELUSURAN INFORMASI ASET BERBASIS CBIR Jumi¹ ), Achmad Zaenuddin 1) 1 Jurusan Administrasi Bisnis, Politeknik Negeri Semarang jumimail06@gmail.com
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur maupun metode
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2. Penelitian Terdahulu Beberapa penelitian mengenai pengenalan tulisan tangan telah banyak dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur
Lebih terperinciPENGGABUNGAN FITUR MORFOLOGI, LOCAL BINARY PATTERN VARIANCE, DAN COLOR MOMENTS UNTUK APLIKASI MOBILE IDENTIFIKASI CITRA TUMBUHAN OBAT
PENGGABUNGAN FITUR MORFOLOGI, LOCAL BINARY PATTERN VARIANCE, DAN COLOR MOMENTS UNTUK APLIKASI MOBILE IDENTIFIKASI CITRA TUMBUHAN OBAT MAYANDA MEGA SANTONI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
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 terperinciBab III ANALISIS&PERANCANGAN
3.1 Analisis Masalah Bab III ANALISIS&PERANCANGAN Pada penelitian sebelumnya yaitu ANALISIS CBIR TERHADAP TEKSTUR CITRA BATIK BERDASARKAN KEMIRIPAN CIRI BENTUK DAN TEKSTUR (A.Harris Rangkuti, Harjoko Agus;
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih 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 terperinciANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR
ANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR Gibtha Fitri Laxmi 1, Puspa Eosina 2, Fety Fatimah 3 1,2,3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas
Lebih terperinciBAB IV IMPLEMENTASI DAN HASIL PENGUJIAN
BAB IV IMPLEMENTASI DAN HASIL PENGUJIAN 4.1 Implementasi Aplikasi Bagian ini membahas implementasi aplikasi yang telah dibuat untuk dilakukan pengujian terhadap aplikasi sehingga akan diketahui hasil dari
Lebih terperinciBAB II IDENTIFIKASI DAERAH TERKENA BENCANA MENGGUNAKAN TEKNOLOGI PENGINDERAAN JAUH
BAB II IDENTIFIKASI DAERAH TERKENA BENCANA MENGGUNAKAN TEKNOLOGI PENGINDERAAN JAUH Teknologi penginderaan jauh merupakan teknologi yang memegang peranan yang sangat penting dalam manajemen bencana salah
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 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 I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Menginterprestasi sebuah citra untuk memperoleh diskripsi tentang citra tersebut melalui beberapa proses antara lain preprocessing, segmentasi citra, analisis
Lebih terperinciEkstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Ekstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE) I Gusti Rai Agung Sugiartha
Lebih terperinciIDENTIFIKASI JENIS AGLAONEMA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK ADITYA DWI GUSADHA
1 IDENTIFIKASI JENIS AGLAONEMA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK ADITYA DWI GUSADHA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 IDENTIFIKASI
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra digital merupakan sebuah fungsi intensitas cahaya, dimana harga x dan y merupakan koordinat spasial dan harga fungsi f tersebut pada setiap titik merupakan
Lebih terperinciPanjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan,
Panjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan, misalnya penggabungan, +, maka panjang bin yang dihasilkan sebesar 28 bin. 2. Penggabungan operator dengan, Setiap histogram
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 terperinciEKSTRAKSI FITUR TEKSTUR CITRA TEMPE MENGGUNAKAN METODE GRAY LEVEL CO-OCCURENCE MATRIX
EKSTRAKSI FITUR TEKSTUR CITRA TEMPE MENGGUNAKAN METODE GRAY LEVEL CO-OCCURENCE MATRIX WINDAYANI ACHMAD ZAENULLAH 41511120110 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS MERCU BUANA
Lebih terperinciOleh: Riza Prasetya Wicaksana
Oleh: Riza Prasetya Wicaksana 2209 105 042 Pembimbing I : Dr. I Ketut Eddy Purnama, ST., MT. NIP. 196907301995121001 Pembimbing II : Muhtadin, ST., MT. NIP. 198106092009121003 Latar belakang Banyaknya
Lebih terperinciEkstraksi Pola Iris Mata Berwarna Biru dan Cokelat dengan Metode GrayLevel Cooccurrence Matrix Yunia Mentari a, Nurhasanah a)*, Iklas Sanubary a)
Ekstraksi Pola Iris Mata Berwarna Biru dan Cokelat dengan Metode GrayLevel Cooccurrence Matrix Yunia Mentari a, Nurhasanah a)*, Iklas Sanubary a) a) Program Studi Fisika, Jurusan Fisika, FMIPA Universitas
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 terperinciPERBAIKAN CITRA BER-NOISE MENGGUNAKAN SWITCHING MEDIAN FILTER DAN BOUNDARY DISCRIMINATIVE NOISE DETECTION
PERBAIKAN CITRA BER-NOISE MENGGUNAKAN SWITCHING MEDIAN FILTER DAN BOUNDARY DISCRIMINATIVE NOISE DETECTION Ahmad Saikhu, Nanik Suciati, Widhiantantri S. Jurusan Teknik Informatika, Fakultas Teknologi Informasi,
Lebih terperinciIdentifikasi Tanaman Buah Tropika Berdasarkan Tekstur Permukaan Daun Menggunakan Jaringan Syaraf Tiruan
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 2 Nomor 2 halaman 73-82 ISSN: 2089-6026 Identifikasi Tanaman Buah Tropika Berdasarkan Tekstur Permukaan Daun Menggunakan Jaringan
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 terperinciBAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA
BAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA 3.1 Analisis Masalah Jaringan saraf tiruan hopfield merupakan salah satu Algoritma Machine Learning yang dapat mengklasifikasikan suatu objek citra berdasarkan pelatihan
Lebih terperinciBAB V HASIL PENELITIAN DAN PEMBAHASAN
BAB V HASIL PENELITIAN DAN PEMBAHASAN 5.1 Data Uji Printer forensik merupakan suatu proses identifikasi untuk mengetahui asal dokumen bukti, cara yang dilakukan dengan membandingkan dengan ciri yang terdapat
Lebih terperinciKlasifikasi Penyakit Daun Padi Berdasarkan Hasil Ekstraksi Fitur GLCM Interval 4 Sudut
Klasifikasi Penyakit Daun Padi Berdasarkan Hasil Ekstraksi Fitur GLCM Interval 4 Sudut Jani Kusanti 1*), Noor Abdul Haris 2 1,2 Jurusan Teknik Elektro dan Informatika, Universitas Surakarta 1,2 Jln. Raya
Lebih terperinciBAB II LANDASAN TEORI
16 BAB II LANDASAN TEORI 2.1 Retrival Citra Saat ini telah terjadi peningkatan pesat dalam penggunaan gambar digital. Setiap hari pihak militer maupun sipil menghasilkan gambar digital dalam ukuran giga-byte.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Citra Digital Citra digital merupakan fungsi dua variabel f(x,y), dimana x dan y adalah koordinat dan nilai f(x,y) yang merupakan intensitas citra pada koordinat tersebut. Sedangkan
Lebih terperinciBAB II Tinjauan Pustaka
BAB II Tinjauan Pustaka Pada bab ini dibahas mengenai konsep-konsep yang mendasari ekstraksi unsur jalan pada citra inderaja. Uraian mengenai konsep tersebut dimulai dari ekstraksi jalan, deteksi tepi,
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 terperinciBAB 3 METODOLOGI. melakukan pengamatan dan analisis dari gambar yang didapat. Untuk bisa mendapatkan
BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah 3.1.1 Analisis Kebutuhan Dalam melakukan analisa gambar mammogram, biasanya dokter secara langsung melakukan pengamatan dan analisis dari gambar yang
Lebih terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Histogram dan Operasi Dasar Pengolahan Citra Digital 3 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 MAMPIR SEB EN TAR Histogram Histogram citra
Lebih terperinciHASIL DAN PEMBAHASAN. B fch a. d b
7 dengan nilai σ yang digunakan pada tahap pelatihan sebelumnya. Selanjutnya dilakukan perhitungan tingkat akurasi SVM terhadap citra yang telah diprediksi secara benar dan tidak benar oleh model klasifikasi.
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. perhitungan LSI dan juga interface yang akan dibuat oleh penulis.
BAB 3 PROSEDUR DAN METODOLOGI Pada Bab ini, penulis akan membahas mengenai prosedur dan metodologi seperti perhitungan LSI dan juga interface yang akan dibuat oleh penulis. 3.1 Sistem CBIR Gambar 3.1 Sistem
Lebih terperinci