Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor
|
|
- Ivan Gunardi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 pusparizkyt@gmail.com 1, maimaimuna@gmail.com 2 Abstrak Penelitian ini bertujuan untuk mengklasifikasi mutu telur ayam ras yang ditinjau dari kebersihan kerabang telur menggunakan K-Nearest Neighbor (K-NN). Data yang digunakan berjumlah 90 mutu telur ayam yang terdiri dari 30 mutu I,30 mutu II dan 30 mutu III. Algoritma yang digunakan untuk ekstraksi ciri adalah statistik orde satu dan orde kedua, serta klasifikasi mutu telur menggunakan (K-NN). K-Nearest Neighbor (K-NN) merupakan algoritma yang melakukan klasifikasi berdasarkan kedekatan lokasi (jarak) suatu data dengan data yang lain. Pada penelitian ini parameter yang digunakan adalah Euclidean. Nilai K yang digunakan adalah K=1, K=3, K=5, dan K=7. Hasil akurasi tertinggi diperoleh pada saat K=3 yaitu sebesar 88.89%, dan hasil akurasi terendah pada saat K=7 yaitu sebesar 50%. Keywords ekstraksi ciri; klasifikasi; mutu telur ayam ras; K-NN I. PENDAHULUAN Telur merupakan salah satu produk peternakan unggas yang memiliki kandungan gizi lengkap dan mudah dicerna serta merupakan salah satu sumber protein hewani disamping daging, ikan dan susu. Telur secara umum terdiri atas tiga komponen pokok, yaitu kulit telur atau kerabang atau cangkang, putih telur, dan kuning telur masing-masing 11%, 57%, dan 32% dari bobot tubuh telur ayam [7]. Pengawasan mutu telur ayam ras dapat dilakukan terhadap keadaan fisik, kesegaran isi telur,pemeriksaan kerusakan dan pengukuran komposisi fisik. Keadaan fisik dari telur mencakup hal ukuran (berat, panjang dan lebar), warna (putih, agak kecoklatan, coklat), kondisi kulit telur (tipis dan tebal), rupa (bulat dan lonjong) dan kebersihan kerabang (kulit) telur ayam ras. Kebersihan kerabang telur ayam ras terbagi dalam tiga mutu yaitu mutu I (bersih), mutu II (sedikit noda kotor) dan mutu III (banyak noda dan sedikit kotor)[8]. Teknik pengolahan citra digital telah digunakan secara luas dalam berbagai jenis aplikasi dalam computer vision. Berbagai teknik pengolahan citra digital digunakan dalam robotic,sistem biometri, medical visualization,human computer interface dan pengklasifikasikan objek. Teknik pengolahan citra dapat digunakan untuk mengklasifikasikan telur[6]. Beberapa penelitian telah dilakukan untuk klasifikasi telur ayam ras. Terdapat 3 variabel yang digunakan dalam klasifikasi ini yaitu R, G, B. Klasifikasi telur ini dilakukan dengan menggunakan segmentasi citra dan analisis regresi. Akurasi data testing untuk klasifikasi adalah 100% (36/36) dan nilai akurasi data training adalah 42% (15/36) [9]. Salah satu metode klasifikasi yang mudah dan efektif adalah metode K-Nearest Neighbor (K-NN). Metode K-NN merupakan metode yang melakukan klasifikasi berdasakan kedekatan lokasi (jarak) suatu data dengan data lain serta merupakan metode yang cukup sederhana namun memiliki tingkat akurasi yang tinggi[5]. Ada beberapa penelitian yang menggunakan K-NN untuk pembuatan sistem klasifikasi diantaranya tentang klasifikasi penyakit kulit. Dalam penelitian ini terdapat 3 variabel yang digunakan yaitu R, G, B serta menggunakan metode histogram warna dan edge histogram descriptor dengan metode K-NN. Akurasi yang diperoleh ketika menggunakan K tetangga terdekat = 3 adalah 68,57% [2]. Teknik Pengolahan citra digital telah digunakan secara luas dalam berbagai jenis aplikasi dalam computer vision misalnya dalam klasifikasi objek. Salah satu contoh penerapan pengolahan citra digital dalam klasifikasi objek adalah klasifikasi mutu kerabang telur. Kualitas kerabang telur yang baik ditentukan oleh permukaan yang halus, bentuk yang bagus, bersih dari kotoran dan tidak ada yang pecah [3]. Dalam penelitian ini akan dirancang sebuah sistem klasifikasi untuk mengetahui mutu telur ayam ras yang ditinjau dari kebersihan kerabang telur berbasis pola citra digital menggunakan K-NN untuk mendapatkan hasil yang cepat dan akurat. A. Telur Ayam II. TINJAUAN PUSTAKA Telur ayam konsumsi segar adalah telur ayam yang tidak mengalami proses pendinginan, tidak mengalami penanganan pengawetan, tidak menunjukan tanda-tanda pertumbuhan embrio yang jelas, kuning telur belum tercampur dengan putih telur, utuh dan bersih. Klasifikasi telur dapat dibedakan dari X/
2 jenis, warna kerabang, berat, dan berdasarkan mutu. Klasifikasi telur berdasarkan mutu dibedakan menjadi Mutu I, Mutu II dan Mutu III. Mutu telur ayam segar untuk konsumsi yang ditinjau dari kebersihan kerabang telur seperti dalam tabel I[8] TABEL I. TINGKATAN MUTU TELUR Faktor Mutu Tingkatan Mutu Mutu I Mutu II Mutu III Kondisi Kerabang Bentuk Normal Normal Abnormal Kehalusan Halus Halus Sedikit Kasar Ketebalan Tebal Sedang Tipis Keutuhan Utuh Utuh Utuh Kebersihan Bersih Sedikit noda kotor B. Ekstraksi Ciri Banyak noda dan sedikit kotor Ekstraksi ciri merupakan langkah awal dalam melakukan klasifikasi dan interpretasi citra. Proses ini berkaitan dengan kuantisasi karakteristik citra ke dalam sekelompok nilai ciri yang sesuai. Analisis tekstur lazim dimanfaatkan sebagai proses antara untuk melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya membutuhkan tahapan ekstraksi ciri. Berdasarkan orde statistiknya, analisis tekstur dapat dikategorikan menjadi 3, yaitu analisis tekstur orde satu, orde dua, dan orde tiga. Untuk penelitian ini digunakan ekstraksi ciri statistik orde satu dan dua. 1. Statistik orde kesatu merupakan metode pengambilan ciri yang didasarkan pada karakteristik histogram citra. Histogram menunjukan probabilitas kemunculan nilai derajat keabuan piksel pada suatu citra dengan mengabadikan hubungan antar piksel tetangga. Analisa tekstur orde satu lebih baik dalam mempresentasikan tekstur citra dalam parameter-parameter terukur, seperti mean, skewness variance, kurtosis dan entropy.[4] Rumus mencari ekstraksi ciri orde satu sebagai berikut : a. Mean (m) Mean (m) menunjukkan ukuran dispersi dari suatu citra. (1) dengan i adalah aras keabuan pada citra f dan menyatakan probabilitas kemunculan i dan L menyatakan nilai aras keabuan tertinggi. Rumus (1) akan menghasilkan rerata kecerahan objek b. Variance (σ) Variance (σ) menunjukkan variasi elemen pada histogram dari suatu citra (2) dinamakan variance atau moment orde dua ternormalisasi karena merupakan fungsi peluang memberikan ukuran kontras c. Skewness Skewness menunjukkan tingkat kemencengan relatif kurva histogram dari suatu citra. (3) Skewness sering disebut moment orde tiga ternormalisasi. Nilai negatif menyatakan bahwa distribusi kecerahan condong ke kiri terhadap rerata dan nilai positif menyatakan bahwa distribusi kecerahan condong ke kanan terhadap rerata. Dalam praktek, nilai skewness dibagi ternormalisasi d. Kurtosis (α 4 ) supaya Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra e. Entropy (H) Menunjukkan ukuran ketidakberaturan bentuk dari suatu citra (5) (4) Semakin tinggi nilai entropi, semakin kompleks citra tersebut. 2. Statistik orde kedua mempertimbangkan hubungan antara dua piksel (piksel yang bertetangga) pada citra.untuk kebutuhan analisanya. Analisis tekstur orde dua memerlukan bantuan matriks kookurensi (matrix cooccurrence) untuk citra keabuan. Analisa tekstur orde dua lebih baik merepresentasikan tekstur citra dalam parameter-parameter tekstur, seperti Angular Second Moment, contrast, correlation variance, inverse different moment, entropy [4]. Rumus mencari ekstraksi ciri orde satu sebagai berikut : a. Angular Second Moment (ASM) ASM merupakan ukuran homogenitas citra, dihitung dengan: (6) dimana L menyatakan jumlah level yang digunakan untuk komputasi b. Kontras Kontras merupakan ukuran keberadaan variasi aras keabuan piksel citra dihitung dengan cara : 242
3 (7) c. Correlation Menunjukkan ukuran ketergantungan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra. d. Variance Menunjukkan variasi elemen-elemen matriks kookurensi. Citra dengan transisi derajat keabuan kecil akan memiliki variansi yang kecil pula. e. Inverse Different Moment Menunjukkan kehomogenan citra yang berderajat keabuan sejenis. Citra homogen akan memiliki harga IDM yang besar. (8) (9) (10) f. Entropy Menunjukkan ukuran ketidakteraturan bentuk. Harga ENT besar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur (bervariasi). (11) C. K-Nearest Neighbor (K-NN) Algoritma K-NN merupakan teknik klasifikasi yang sangat populer yang diperkenalkan oleh Fix dan Hodges (1951), yang telah terbukti menjadi algoritma sederhana yang baik dan merupakan salah satu metode yang digunakan dalam pengklasifikasian dengan menggunakan algoritma supervised [1]. Tujuan dari algoritma ini adalah mengklasifikasikan obyek baru berdasarkan jarak suatu obyek yang akan diklasifikasikan terhadap data contoh. Classifer hanya menggunakan fungsi jarak dari data baru ke data training. Prinsip kerja K-NN adalah mencari jarak terdekat antara data yang akan dievaluasi dengan K tetangga (neighbor) terdekatnya dalam data pelatihan. Data pelatihan diproyeksikan ke ruang berdimensi banyak, dimana masingmasing dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi data pelatihan. Sebuah titik pada ruang ini ditandai kelas c, jika kelas c merupakan klasifikasi yang paling banyak ditemui pada K buah tetangga terdekat titik tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan jarak Euclidean, Correlation, Cosine dan Cityblock. Pada penelitian ini parameter yang digunakan adalah Euclidean. Rumus menghitung jarak Euclidean sebagai berikut : D. Confusion matrix Confusion matrix merupakan tabel pencatat hasil kerja klasifikasi seperti dalam Tabel II [5]. f ij Kelas asli (i) TABEL II. CONFUSION MATRIX Kelas hasil prediksi (j) Kelas = 1 Kelas = 0 Kelas = 1 f 11 f 10 Kelas = 0 f 01 f 00 Informasi dalam confusion matrix diperlukan untuk menentukan kinerja model kalsifikasi yang meliputi akurasi dan laju eror. III. METODE PENELITIAN (12) (13) Penelitian ini terbagi menjadi 4 tahapan seperti dalam Gambar 1. Tahapan penelitian meliputi pengambilan sampel citra, preprocessing, ekstraksi ciri, dan klasifikasi menggunakan K-nearest Neighbor. Pengambilan sampel citra telur ayam ras dilakukan dengan mengambil citra sampel telur sebanyak 90 telur, yang terdiri dari 30 mutu I, 30 mutu II, dan 30 mutu III. Tahapan preprocessing adalah mengubah citra RBG (citra asli) menjadi citra Grayscale. Setelah tahap preprocessing selanjutnya ektraksi ciri menggunakan statistik orde satu dan orde dua. Ekstraksi ciri orde satu terdiri dari lima parameter ciri, yaitu mean, variance, skewness, kurtosis, dan entropy. Sedangkan ciri orde kedua terdiri dari enam parameter ciri, yaitu angular second moment, contrast, corelation, variance, invers different moment, dan entropy. Hasil dari ekstraksi ciri digunakan untuk menguji hasil klasifikasi menggunakan metode K-NN. Mulai Pengambilan Sampel Citra Preprocessing Ekstraksi Ciri Klasifikasi K-NN Gambar 1. Tahapan penelitian klasifikasi mutu telur Selesai A. Pengambilan sampel citra Pengambilan sampel citra telur ayam ras dilakukan dengan mengambil citra sampel telur menggunakan kamera digital berukuran 8 megapiksel. Sampel yang digunakan sejumlah 90 citra, yang terdiri dari 30 mutu I, 30 mutu II, dan 30 mutu III. Pengambilan citra dengan jarak 15cm dari kamera dengan menggunakan background berwarna putih dan menggunakan 2 buah lampu led dengan daya 10 watt yang dipasang di kiri dan kanan obyek dengan jarak 30cm. 243
4 B. Preprocessing Preprocessing adalah tahapan yang dilakukan sebelum melakukan ekstraksi ciri. Tahapan yang dilakukan dalam preprocessing adalah untuk mencari nilai rata-rata rgb, kemudian mengubah citra RGB menjadi grayscale untuk mencari nilai derajat keabuan. Contoh citra telur ayam RGB dan grayscale seperti dalam Gambar 2. B. Ekstraksi ciri Ekstraksi ciri merupakan proses untuk memperoleh informasi dari citra telur ayam ras. Informasi yang diperoleh dari ekstraksi ciri sebanyak 11 ciri citra. Ekstraksi ciri dibagi menjadi 2 yaitu ekstraksi ciri orde satu dan ekstraksi ciri orde dua. Ekstraksi ciri orde satu terdiri dari parameter-parameter mean,skewness,variance,kurtosis dan entropy. Untuk ekstraksi ciri orde dua yaitu Angular Second Moment,contrast, correlation variance, inverse different moment, entropy. Hasil ektraksi ciri terdapat pada Gambar 4. Gambar 2. Citra Telur Asli dan Grayscale C. Ektraksi Ciri Pada proses ekstraksi ciri dilakukan dengan menghitung properti-properti citra. Dalam ekstraksi ciri ini menggunakan metode ekstraksi ciri orde pertama dan orde kedua. Ekstraksi ciri orde pertama terdiri dari lima parameter ciri yaitu mean, variance, skewness, kurtosis, dan entropy. Sedangkan ciri orde kedua terdiri dari enam parameter ciri, yaitu angular second moment, contrast, correlation, variance, invers different moment dan entropy. D. Klasifikasi menggunakan K-nearest Neighbor Hasil dari proses ekstraksi ciri kemudian diklasifikasi menggunakan K-NN. Tujuan dari K-NN adalah mengklasifikasikan suatu obyek berdasarkan cirinya dengan menghitung jarak dari data baru ke data training. Dalam penelitian ini digunakan jarak Euclidean. IV. HASIL DAN PEMBAHASAN Sistem klasifikasi mutu telur ayam ras terdiri dari tiga proses utama yaitu preprocessing,ekstraksi ciri dan klasifikasi menggunakan K-NN. A. Preprocessing Preprocessing adalah tahapan yang dilakukan sebelum melakukan ekstraksi ciri. Tahapan ini mengubah citra RGB menjadi grayscale seperti dalam Gambar 3 Gambar 4. Hasil ekstraksi ciri C. Klasifikasi menggunakan K-Nearest Neighbor Data yang digunakan untuk klasifikasi ini berjumlah 90 data, yaitu 30 mutu I, 30 mutu II, dan 30 mutu III. Dari 90 data dibagi menjadi 2 bagian yaitu bagian pertama 4/5 jumlah data (72 data) untuk data latih dan bagian kedua 1/5 jumlah data (18 data) untuk data uji. Klasifikasi mutu citra telur ayam ras yang digunakan adalah K-NN. Parameter jarak yang digunakan adalah Euclidean dengan menggunakan nilai K=1,K=3,K=5, dan K=7. Komposisi data dipilih secara acak dengan teknik holdout. Setelah proses klasifikasi dapat diperoleh data uji yang benar dan data uji yang salah, kemudian menghitung akurasi dan laju eror. Hasil klasifikasi menggunakan K-NN seperti dalam Tabel III. Data Uji 18 TABEL III. HASIL KLASIFIKASI K-NN K Hasil Hasil akurasi Laju eror benar salah Gambar 3. Tampilan hasil preprocessing Pada tabel 3 dapat dilihat hasil klasifikasi dengan K-NN menggunakan parameter Euclidean. Hasil akurasi tertinggi yang didapatkan saat perhitungan jarak menggunakan Euclidean K=3 yaitu sebesar atau 88,89%, sedangkan hasil akurasi terendah didapatkan dengan nilai K=7 yaitu sebesar atau 50%. Hasil Confusion matrix seperti dalam tabel IV. 244
5 TABEL IV CONFUSION MATRIX MUTU TELUR Kelas asli Kelas prediksi Mutu I Mutu II Mutu III Mutu I Mutu II Mutu III V. KESIMPULAN DAN SARAN A. Kesimpulan Berdasarkan hasil percobaan program klasifikasi mutu telur ayam ras yang ditinjau dari kebersihan kerabang telur maka dapat diberikan kesimpulan sebagai berikut : 1. Metode ekstraksi ciri statistik orde satu dan orde dua, serta metode klasifikasi K-Nearest Neighbor dapat digunakan untuk mengklasifikasi mutu telur ayam ras dengan akurasi sebesar Metode K-Nearest Neighbor dapat menghasilkan akurasi yang baik. Terbukti pada saat nilai K=3, menggunakan perhitungan jarak Euclidean dapat menghasilkan akurasi sebsar atau 88.89% dengan laju eror B. Saran Berikut ini adalah beberapa saran untuk penelitianpenelitian lebih lanjut mengenai klasifikasi mutu telur berdasarkan kebersihan kerabang telur : 1. Menggunakan metode ekstraksi ciri yang lain untuk meningkatkan akurasi. 2. Menggunakan metode klasifikasi yang lain untuk meningkatkan akurasi misalkan fuzzy logic dan SVM DAFTAR PUSTAKA [1] Chan L, Salleh S and Ting C, Face biometrics based on principal component analysis and linear discriminant analysis. Journal of Computer Science. 6 (7) : , [2] Fitrianto, Faris, Identifikasi jenis penyakit kulit berdasarkan analisis warna dan tekstur pada citra kulit menggunakan klasifikasi K-nearest neighbor, Semarang: Universitas Diponegoro, [3] Ibrahim, R,Mohd Zin.Z,Nadzri.N, Shamsudin.M.Z, and Zainudin.M.Z., Egg s grade classification and dirt inspection using image processing techniques, Proceedings of the World Congress on Engineering Vol II, London, 2012 [4] Permatasari. Debby, Sistem klasifikasi kualitas biji jagung berdasarkan tekstur berbasis pengolahan citra digital, Tugas Akhir. Bandung : Institut Teknologi Telkom, 2012 [5] Prasetyo, Eko. Data mining konsep dan aplikasi menggunakan Matlab.Yogyakarta : Andi, [6] Rashidi, Majid and Fereydoun Keshavarzpour, Classification of egg size and shape based on mass and outer dimensions analysis, Iran, 2011 [7] Shofiyanto, Tinjauan umum telur ayam, Bandung : Universitas Padjajaran, [8] Standar Nasional Indonesia Nomor 3926:2008. Telur ayam konsumsi, Jakarta : Badan Standarisasi Nasional,2008. [9] Wijaya, Adhi T dan Prayudi Yudi, Implementasi visi komputer dan segmentasi citra untuk klasifikasi bobot telur ayam ras, jurnal, ISSN: ,
BAB 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 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 terperinciSistem Deteksi Cacat Kayu dengan Metode Deteksi Tepi SUSAN dan Ekstraksi Ciri Statistik
ELKOMIKA ISSN (p): 2338-8323 ISSN (e): 2459-9638 Vol. 6 No. 1 Halaman 140-152 DOI : http://dx.doi.org/10.26760/elkomika.v6i1.140 Januari 2018 Sistem Deteksi Cacat Kayu dengan Metode Deteksi Tepi SUSAN
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka tentang identifikasi iris mata ataupun identifikasi citra digital sudah pernah dilakukan sebelumnya, berikut merupakan tabel perbandingan terhadap
Lebih terperinciDETEKSI ADANYA CACAT PADA KAYU MENGGUNAKAN METODE LOCAL BINARY PATTERN DETECTION OF THE EXISTENCE OF THE DEFECTS IN WOOD USING LOCAL BINARY PATTERN
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 298 DETEKSI ADANYA CACAT PADA KAYU MENGGUNAKAN METODE LOCAL BINARY PATTERN DETECTION OF THE EXISTENCE OF THE DEFECTS IN WOOD USING
Lebih terperinciKLASIFIKASI SERAT MIRING PADA KAYU MENGGUNAKAN EKSTRAKSI CIRI STATISTIK BERDASARKAN PADA PENGOLAHAN CITRA
ISSN : 355-9365 e-proceeding of Engineering : Vol., No.1 April 015 Page 09 KLASIFIKASI SERAT MIRING PADA KAYU MENGGUNAKAN EKSTRAKSI CIRI STATISTIK BERDASARKAN PADA PENGOLAHAN CITRA Dyah Norma Maharsi [1],
Lebih terperinciPENENTUAN KUALITAS IKAN BANDENG MENGGUNAKAN ALGORITMA NAIVE BAYES BERDASARKAN TEKSTUR PADA CITRA ABSTRAK
PENENTUAN KUALITAS IKAN BANDENG MENGGUNAKAN ALGORITMA NAIVE BAYES BERDASARKAN TEKSTUR PADA CITRA Rahmanika Ratna Sari 1, Hanny Haryanto 2 1,2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian
Lebih terperinciSIMULASI DAN ANALISIS SISTEM KLASIFIKASI SONGKET PALEMBANG MENGGUNAKAN STATISTIC, COLOR HISTOGRAM, DAN EUCLIDEAN DISTANCE PADA CITRA DIGITAL
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 96 SIMULASI DAN ANALISIS SISTEM KLASIFIKASI SONGKET PALEMBANG MENGGUNAKAN STATISTIC, COLOR HISTOGRAM, DAN EUCLIDEAN DISTANCE PADA
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 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 terperinciIdentifikasi Ciri Kain Menggunakan Fitur Tekstur dan Gray Level Difference Method
Identifikasi Ciri Kain Menggunakan Fitur Tekstur dan Gray Level Difference Method Inwijayati Fakultas Teknologi Industri Universitas Gunadarmai Universitas Gunadarma Depok, Indonesia Prihandoko, Bertalya
Lebih terperinciEktraksi Fitur Citra Paru-Paru Menggunakan Gray Level Co-ocurance Matriks
Ektraksi Fitur Citra Paru-Paru Menggunakan Gray Level Co-ocurance Matriks Tri Deviasari Wulan Sistem Informasi, Fakultas Teknik, Universitas Nahdlatul Ulama Surabaya tridevi@unusa.ac.id ABSTRAK Penelitian
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Bab ini membahas langkah-langkah dari implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi aktivitas menggunakan algoritma k-nearest neighbor
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 terperinciPENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH
PENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH Rikko Ismail Hardianzah 1), Bambang Hidayat 2), Suhardjo 3) 1),2) Fakultas Teknik
Lebih terperinciKLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS
Ikhwan Ruslianto KLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS IKHWAN RUSLIANTO Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan
Lebih 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 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 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 terperinciAPLIKASI PENGOLAHAN CITRA UNTUK IDENTIFIKASI KEMATANGAN MENTIMUN BERDASARKAN TEKSTUR KULIT BUAH MENGGUNAKAN METODE EKSTRAKSI CIRI STATISTIK
APLIKASI PENGOLAHAN CITRA UNTUK IDENTIFIKASI KEMATANGAN MENTIMUN BERDASARKAN TEKSTUR KULIT BUAH MENGGUNAKAN METODE EKSTRAKSI CIRI STATISTIK 1 Yuda Permadi, 2 Murinto Program Studi Teknik Informatika Kampus
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 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 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 terperinciIDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN)
IDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN) SKRIPSI Disusun Oleh : THOMI LUTHFIANTO 1203030010 PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS
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 terperinciProdi S1 Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom 3 Fakultas Peternakan, Universitas Padjadjaran
0 DETEKSI KUALITAS DAN KESEGARAN TELUR AYAM RAS BERDASARKAN DETEKSI OBJEK TRANSPARAN DENGAN METODE GREY LEVEL CO-OCCURRENCE MATRIX (GLCM) DAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN) Rizka Kaamtsaalil Salsabiilaa,
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 yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai acuan dan
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 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 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 terperinciSimulasi dan Analisis Pengenalan Citra Daging Sapi dan Daging Babi dengan Metode GLCM
SEMINAR NASIONA INOVASI DAN APIKASI TEKNOOGI DI INDUSTRI (SENIATI) 06 Simulasi dan Analisis Pengenalan Citra Daging Sapi dan Daging Babi dengan Metode GCM Satrio Arief Wibowo, *, Bambang Hidayat,Unang
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 terperinciPerancangan Konversi Braille Ke Teks Berbasis Android
Perancangan Konversi Braille Ke Teks Berbasis Android Intan Sulviyani 1, Ledya Novamizanti 2, Ratri Dwi Atmaja 3 Teknik Telekomunikasi, Telkom University 1,2,3 intansviany@gmail.com Abstrak Komunikasi
Lebih terperinciKLASIFIKASI BATIK MENGGUNAKAN METODE K-NEAREST NEIGHBOUR BERDASARKAN GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM)
KASIFIKASI BATIK MENGGUNAKAN METODE K-NEAREST NEIGHBOUR BERDASARKAN GRAY EVE CO-OCCURRENCE MATRICES (GCM) Hanang Wijayanto Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131 1110110686@mhs.dinus.ac.id
Lebih terperinci1. PENDAHULUAN Bidang perindustrian merupakan salah satu bidang yang juga banyak menggunakan kecanggihan teknologi, walaupun pada beberapa bagian, mas
PENGKLASIFIKASIAN KUALITAS KERAMIK BERDASARKAN EKSTRAKSI FITUR TEKSTUR STATISTIK Yogi Febrianto yoefanto@gmail.com Jurusan Teknik Informatika Fakultas Teknologi Industri Universitas Gunadarma Jl. Margonda
Lebih terperinciIdentifikasi Jenis Buah Apel Menggunakan Algoritma K-Nearest Neighbor (KNN) dengan Ekstraksi Fitur Histogram
Identifikasi Jenis Buah Apel Menggunakan Algoritma K-Nearest Neighbor (KNN) dengan Ekstraksi Fitur Histogram Ion Ataka Halela 1,Bowo Nurhadiyono,S.Si, M.Kom 2,Farah Zakiyah Rahmanti 3 1 Fakultas Ilmu Komputer
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 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 terperinciISSN : e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 1725
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 1725 DETEKSI KUALITAS DAN KESEGARAN TELUR AYAM BERBASIS DETEKSI OBJEK TRANSPARAN DENGAN METODE DISCRETE COSINE TRANSFORM (DCT)
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 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 terperinciPendekatan Statistik Pada Domain Spasial dan Frekuensi untuk Mengetahui Tampilan Citra Yustina Retno Wahyu Utami 1)
ISSN : 1693 1173 Pendekatan Statistik Pada Domain Spasial dan Frekuensi untuk Mengetahui Tampilan Citra Yustina Retno Wahyu Utami 1) Abstrak Mean, standard deviasi dan skewness dari citra domain spasial
Lebih terperinciIDENTIFIKASI RETINA MATA MENGGUNAKAN JARAK EUCLIDEAN DENGAN PENCIRIAN MATRIKS KOOKURENSI ARAS KEABUAN (GRAY LEVEL CO-OCCURRENCE MATRIX-GLCM)
IDENTIFIKASI RETINA MATA MENGGUNAKAN JARAK EUCLIDEAN DENGAN PENCIRIAN MATRIKS KOOKURENSI ARAS KEABUAN (GRAY LEVEL CO-OCCURRENCE MATRIX-GLCM) 1 Andi Widiasmoro, 2 R. Rizal Isnanto, 3 Jatmiko Endro Suseno
Lebih terperinciISSN : e-proceeding of Engineering : Vol.5, No.1 Maret 2018 Page 578
ISSN : - e-proceeding of Engineering : Vol., No. Maret 2 Page 7 KLASIFIKASI KANKER USUS BESAR MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN) Classification of Colon Cancer Using K-Nearesr Neighbor (K-NN)
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Modified k-nearest Neighbor untuk mengidentifikasi diabetic retinopathy.
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 terperinciKLASIFIKASI KUALITAS TELUR ASIN BERDASARKAN CITRA RED GREEN BLUE MENGGUNAKAN ADAP TIVE NEURO FUZZY INFERENCE SYSTEM
KLASIFIKASI KUALITAS TELUR ASIN BERDASARKAN CITRA RED GREEN BLUE MENGGUNAKAN ADAP TIVE NEURO FUZZY INFERENCE SYSTEM Maimunah Program Studi Teknik Komputer Universitas Islam 45 Email: maimaimuna@gmail.com
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 terperinciISSN : e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 263
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 263 DETEKSI KANKER KOLOREKTAL (KANKER USUS BESAR) MENGGUNAKAN METODE GRAY LEVEL COOCCURENCE MATRIX DAN K-NEAREST NEIGHBOR BERBASIS
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 terperinciRANCANG BANGUN SISTEM IDENTIFIKASI JENIS BURUNG BERKICAU BERDASARKAN POLA CORAK WARNA DAN BENTUK TUBUH
RANCANG BANGUN SISTEM IDENTIFIKASI JENIS BURUNG BERKICAU BERDASARKAN POLA CORAK WARNA DAN BENTUK TUBUH DESIGN IMPLEMENTATION IDENTIFICATION SYSTEM OF SONGBIRD BASED ON COLOR PATTERN AND BODY SHAPED [1]
Lebih terperinciKLASIFIKASI USIA MENGGUNAKAN CIRI ORDE DUA
KLASIFIKASI USIA MENGGUNAKAN CIRI ORDE DUA Mukti Qamal * Abstract Identification of image is needed to facilitate the work of humans in terms of classification. The statistical method is one method often
Lebih terperinciKLASIFIKASI NAMA OBAT TULISAN TANGAN DOKTER DENGAN METODE GLCM DAN BACKPROPAGATION NEURAL NETWORK
KLASIFIKASI NAMA OBAT TULISAN TANGAN DOKTER DENGAN METODE GLCM DAN BACKPROPAGATION NEURAL NETWORK Arrahman¹, Purwanto², Pulung Nurtantio³ 123 Pasca Sarjana Teknik Informatika Universitas Dian Nuswantoro
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 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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi berisi tahapan-tahapan yang dilakukan
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 terperinci2. TINJAUAN PUSTAKA 2.1 Telur Ayam Konsumsi
pemeriksaan terhadap ribuan telur. Dengan menggunakan alat yang secara otomatis dapat menentukan ukuran fisik sebuah telur, klasifikasi terhadap telur ayam dapat dilakukan dengan lebih cepat. Beberapa
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 316
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 316 DETEKSI KUALITAS DAN KESEGARAN TELUR BERDASARKAN SEGMENTASI WARNA DENGAN METODE FUZZY COLOR HISTOGRAN DAN DISCRETE COSINE
Lebih terperinciIMPLEMENTASI VISI KOMPUTER DAN SEGMENTASI CITRA UNTUK KLASIFIKASI BOBOT TELUR AYAM RAS
IMPLEMENTASI VISI KOMPUTER DAN SEGMENTASI CITRA UNTUK KLASIFIKASI BOBOT TELUR AYAM RAS Tria Adhi Wijaya 1, Yudi Prayudi 2 1,2 Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam Indonesia
Lebih terperinciAnalisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra
Analisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra Meirista Wulandari Jurusan Teknik Elektro, Universitas Tarumanagara, Jakarta, Indonesia meiristaw@ft.untar.ac.id Diterima 10 Desember 016
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu omputer e-issn: 2548-964X Vol. 2, No. 3, Maret 2018, hlm. 1054-1062 http://j-ptiik.ub.ac.id Identifikasi ondisi esehatan Ayam Petelur Berdasarkan Ciri Warna
Lebih terperinciDeteksi Kualitas Telur Menggunakan Analisis Tekstur
IJCCS, Vol.11, No.2, July 2017, pp. 199~208 ISSN: 1978-1520 199 Deteksi Kualitas Telur Menggunakan Analisis Tekstur Enny Itje Sela* 1, M Ihsan 2 1 Teknik Informatika, Universitas Teknologi Yogyakarta,
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 terperinciSistem Pakar Deteksi Mutu Telur Ayam Ras Berbasis Web Menggunakan Metode Forward Chaining
Sistem Pakar Deteksi Mutu Telur Ayam Ras Berbasis Web Menggunakan Metode Forward Chaining Maimunah 1, Suryo Setio Makmur 2 1,2 Prodi Teknik Komputer, Fakultas Teknik, Universitas Islam 45 Bekasi Email:
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Tanaman Aglaonema Tanaman Aglaonema adalah tanaman hias dengan nama ilmiah aglaonema sp atau di Indonesia lebih dikenal dengan sebutan Sri Rejeki. Aglaonema diperkirakan berasal
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR
PENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR 1 Fandiansyah, 2 Jayanti Yusmah Sari, 3 Ika Purwanti Ningrum Jurusan Teknik Informatika, Fakultas Teknik Universitas
Lebih terperinciIDENTIFIKASI BIOMETRIK FINGER KNUCKLE PRINT MENGGUNAKAN FITUR EKSTRAKSI PCA DAN GLCM
1 IDENTIFIKASI BIOMETRIK FINGER KNUCKLE PRINT MENGGUNAKAN FITUR EKSTRAKSI DAN Ratna Dwi Jayanti A11.2011.05949 Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro, Jl.
Lebih terperinciFAKULTAS TEKNIK (FT) PROGRAM TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI 2016
DETEKSI KEMUNCULAN BULAN SABIT MENGGUNAKAN METODE CIRCULAR HOUGH TRANSFORM ARTIKEL Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program
Lebih 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 terperinciMelya Rizka Maulani 1, Mulyadi 2, Sila Abdullah Syakri 3. Abstrak. 1. Pendahuluan. 2. Metode Penelitian
RACAG BAGU APLIKASI UUK MEGIDEIFIKASI KUA EKA BAU BAA BERDASARKA WARA BERBASIS PEGOLAHA CIRA MEGGUAKA MEODE EKSRAKSI CIRI SAISIK Melya Rizka Maulani 1, Mulyadi 2, Sila Abdullah Syakri 3 Program Studi eknik
Lebih terperinciNurul Ilmi 1 1 Fakultas Informatika, Universitas Telkom, Bandung
Pengenalan Angka Tulisan Tangan dengan Menggunakan Local Binary Pattern Variance dan Klasifikasi K-Nearest Neighbour Handwriting Digit Recognition with Use Local Binary Pattern Variance and K-Nearest Neighbour
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 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 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 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 terperinciSeminar Nasional Inovasi Dan Aplikasi Teknologi Di Industri 2017 ISSN ITN Malang, 4 Pebruari 2017
PENGENALAN INDIVIDU BERDASARKAN SIDIK RUGAE PALATINA DENGAN MENGGUNAKAN METODE SINGULAR VALUE DECOMPOSITION SEBAGAI PENGOLAH EKSTRAKSI CIRI DAN SUPPORT VECTOR MACHINE SEBAGAI KLASIFIKATOR Shofi Annisa
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 I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Penelitian mengenai pengenalan wajah termotivasi oleh banyaknya aplikasi praktis yang diperlukan dalam identifikasi wajah. Pengenalan wajah sebagai salah satu dari teknologi
Lebih terperinciACARA III PEMBUATAN PRODUK DAN UJI KUALITAS PRODUK TELUR A. PENDAHULUAN 1. Latar Belakang Telur merupakan salah satu dari beberapa produk yang di
ACARA III PEMBUATAN PRODUK DAN UJI KUALITAS PRODUK TELUR A. PENDAHULUAN 1. Latar Belakang Telur merupakan salah satu dari beberapa produk yang di hasilkan dari unggas.telur merupakan salah satu produk
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 terperinciSISTEM KLASIFIKASI JENIS BERAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION
SISTEM KLASIFIKASI JENIS BERAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION Pradityo Utomo Program Studi D3 Manajemen Informatika Universitas Merdeka Madiun pradityou@gmail.com ABSTRACT Information
Lebih terperinciBAB II TINJAUAN PUSTAKA
16 BAB II TINJAUAN PUSTAKA 2.1. Telur Ayam Ras Telur ayam adalah bahan makanan yang dikonsumsi berbagai kalangan masyarakat Indonesia. Konsumsi telur sebenarnya merupakan salah satu alternatif pemenuhan
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 1638
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 1638 KLASIFIKASI JENIS BATUAN SEDIMEN BERDASARKAN TEKSTUR DENGAN METODE GRAY LEVEL CO-OCCURRENCE MATRIX DAN K-NN Classification
Lebih terperinciPENGELOMPOKKAN CITRA WARNA MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN SOFTWARE MATLAB ABSTRAK
PENGELOMPOKKAN CITRA WARNA MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN SOFTWARE MATLAB Nurhayati 1, John Adler 2, Sri Supatmi 3 1,2,3 Teknik Komputer, Universitas Komputer Indonesia (UNIKOM) 1 nuril24@yahoo.com,
Lebih terperinciBAB IV HASIL DAN ANALISIS
BAB IV HASIL DAN ANALISIS 4.1 Hasil Segmentasi Dari beberapa kombinasi scale parameter yang digunakan untuk mendapatkan segmentasi terbaik, untuk mengklasifikasikan citra pada penelitian ini hanya mengambil
Lebih terperinciANALISA PENGUKURAN SIMILARITAS BERDASARKAN JARAK MINIMUM PADA PENGENALAN WAJAH 2D MENGGUNAKAN DIAGONAL PRINCIPAL COMPONENT ANALYSIS
ANALISA PENGUKURAN SIMILARITAS BERDASARKAN JARAK MINIMUM PADA PENGENALAN WAJAH 2D MENGGUNAKAN DIAGONAL PRINCIPAL COMPONENT ANALYSIS Fetty Tri Anggraeny, Wahyu J.S Saputra Jurusan Teknik Informatika, Universitas
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Berikut adalah beberapa definisi dari citra, antara lain: rupa; gambar; gambaran (Kamus Besar Bahasa Indonesia). Sebuah fungsi dua dimensi, f(x, y), di mana x dan y adalah
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 terperinciIMPLEMENTASI EKSTRAKSI CIRI STATISTIK UNTUK IDENTIFIKASI KEMATANGAN BUAH BERDASARKAN TEKSTUR KULIT BUAH SKRIPSI
IMPLEMETASI EKSTRAKSI CIRI STATISTIK UTUK IDETIFIKASI KEMATAGA BUAH BERDASARKA TEKSTUR KULIT BUAH SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program
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 terperinciDETEKSI ADA TIDAKNYA CACAT PADA KAYU MENGGUNAKAN METODE EKSTRAKSI CIRI STATISTIK WOOD DEFECT DETECTION USING STATISTICAL FEATURE EXTRACTION METHOD
DETEKSI ADA TIDAKNYA CACAT PADA KAYU MENGGUNAKAN METODE EKSTRAKSI CIRI STATISTIK WOOD DEFECT DETECTION USING STATISTICAL FEATURE EXTRACTION METHOD I Gusti Putu Agung Satria Bayu Mahendra 1, Ledya Novamizanti
Lebih terperinciPENINGKATAN KUALITAS CITRA DENGAN METODE FUZZY POSSIBILITY DISTRIBUTION
PENINGKATAN KUALITAS CITRA DENGAN METODE FUZZY POSSIBILITY DISTRIBUTION Sugiarti sugiarti_fikumi@ymail.com Universitas Muslim Indonesia Abstrak Peningkatan kualitas citra merupakan salah satu proses awal
Lebih terperinciJl. Nakula 1 No. 5-11, Jawa Tengah Telp : (024) , 2
PERBANDINGAN ALGORITMA PERHITUNGAN JARAK MENGGUNAKAN ECUILDEAN DAN MANHATTAN DISTANCE PADA K-NEAREST NEIGHBOR GUNA KLASIFIKASI CITRA JENIS MOBIL RODA EMPAT Erlangga Fery Anggriwan 1,DR. Pulung Nurtantio
Lebih terperinci1. PENDAHULUAN. 1.1 Latar Belakang. 1.2 Perumusan masalah
1. PENDAHULUAN 1.1 Latar Belakang Formulir C1 Komisi Pemilihan Umum (KPU) merupakan dokumen hasil perolehan suara pemilu di setiap Tempat Pemungutan Suara (TPS). Formulir C1 kemudian dikumpulkan dan dilakukan
Lebih terperinciProses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer
Pengolahan Citra / Image Processing : Proses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer Teknik pengolahan citra dengan mentrasformasikan citra menjadi citra lain, contoh
Lebih terperinciANALISIS FITUR TEKSTUR DAUN MANGGA DENGAN FISHER S DISCRIMINANT RATIO UNTUK PENCAPAIAN FITUR YANG INFORMATIF
ANALISIS FITUR TEKSTUR DAUN MANGGA DENGAN FISHER S DISCRIMINANT RATIO UNTUK PENCAPAIAN FITUR YANG INFORMATIF Eko Prasetyo Program Studi teknik Informatika Fakultas Teknik, Univ. Bhayangkara Surabaya email:
Lebih terperinci