Penyusun Tugas Akhir Alvian Adi Pratama [ ] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom.
|
|
- Sri Kusnadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Penyusun Tugas Akhir Alvian Adi Pratama [ ] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom.
2 Latar Belakang Batik merupakan harta kebudayaan Indonesia yang telah diakui UNESCO dan perlu dilindungi. Perhatian serius terhadap batik perlu dilakukan untuk mencegah hilangnya batik sebagai warisan budaya karena kurangnya informasi dan dokumentasi yang baik. Perlu dilakukan pengelompokkan data untuk batik yang mempunyai lebih dari satu motif. Penggunaan Grey Level Cooccurence Matrix (GLCM), Discrete Wavelet Transform (DWT), dan Rotated Wavelet Filter (RWF) mempunyai akurasi lebih baik dalam pengenalan tekstur dibandingkan dengan metode yang banyak digunakan sebelumnya (Hazra, D. 2011).
3 Rumusan Masalah Bagaimana mengekstraksi fitur suatu citra menggunakan GLCM, DWT, dan RWF. Bagaimana penerapan Fuzzy C-Means untuk klasifikasi citra batik.
4 Batasan Masalah Data yang digunakan adalah batik Indonesia yang berasal dari Pulau Jawa dengan motif parang, semen, ceplok, lereng, lung-lungan, dan buketan. Output dari aplikasi ini adalah tingkat kemiripan suatu citra dengan motif-motif di atas. Implementasi aplikasi dilakukan menggunakan bahasa Java dengan bantuan program Netbeans 7.1
5 Tujuan dan Manfaat Tugas akhir ini bertujuan untuk membuat suatu aplikasi yang mampu mengenali citra batik yang memiliki lebih dari satu motif. Sistem ini diharapkan mampu membantu pendataan batik multi-label di Indonesia dan mempermudah penyebaran informasinya.
6 Diagram Alir Sistem Proses Pengklasteran Citra Batik Training Preproses (Greyscaling) Ekstraksi Fitur GLCM, DWT dan RWF Pembuatan Vektor Fitur Pengklasteran Database Fitur pusat Cluster Informasi Pusat Kelas Citra Masukan Testing Preproses (Greyscaling) Ekstraksi Fitur GLCM, DWT dan RWF Hitung Jarak Nilai keanggotaan semua klaster Pengenalan Data Baru
7 Tampilan Amplikasi
8 Preproses Dalam tahap ini dilakukan proses greyscaling, yaitu proses pengubahan pixel berwarna menjadi skala abuabu (greyscale). Proses greyscaling dilakukan berdasarkan persamaan grey = red green blue
9 Ekstraksi Fitur Fitur yang diambil dari setiap citra adalah 1. Homogenitas dari GLCM 2. Energi dari hasil transformasi DWT 3. Energi dari hasil transformasi RWF
10 Grey Level Coocurrence Matrix Anggota GLCM dengan alamat (i,j) dihitung berdasarkan berapa sering suatu pixel dengan grey-level i muncul di horisontal, vertikal, atau diagonal berpasangan dengan pixel dengan grey-level j. Contoh GLCM untuk arah horisontal ke kanan (θ = 0 o ) Nilai Homogenitas dari GLCM dihitung berdasarkan persamaan GLCM i, j Homogenitas = 1 + i j i,j Setiap citra diambil fitur homogenitasnya dari GLCM untuk empat arah yaitu horisontal ke kanan (θ = 0 o ), diagonal ke kanan bawah (θ = 45 o ), vertikal ke bawah (θ = 90 o ), dan diagonal ke kiri bawah (θ = 135 o ).
11 Discrete Wavelet Transform Discrete Wavelet Transform (DWT) adalah transformasi wavelet dimana data inputnya berupa nilai diskrit (nonkontinyu). Untuk kasus sinyal pada ruang 2-D biasanya dilakukan dengan menerapkan struktur bank filter secara terpisah terhadap sinyal citra. Digunakan Low-Pass Filter atau LPF (L) dan High-Pass Filter atau HPF (H). Dua filter diatas dikombinasikan untuk membuat 4 buah filter yang digunakan untuk proses dekomposisi citra sebagai berikut. 1. H LL = L T H menghasilkan Image Approximation (I ll ) 2. H LH = L T H menghasilkan Image Horizontal Detail (I lh ) 3. H HL = H T L menghasilkan Image Vertical Detail (I hl ) 4. H HH = H T H menghasilkan Image Diagonal Detail (I hh )
12 Discrete Wavelet Transform Proses dekomposisi suatu citra bisa di gambarkan sebagai berikut H ll I ll2 H lh I lh2 H ll I ll1 H hl I hl2 Citra H lh I lh1 H hh I hh2 H hl I hl1 Citra Citra yang akan di proses H hh I hh1 H ll Proses konvolusi citra dengan filter H ll Downsampling (Pengambilan nilai matrix berindeks genap)
13 Rotated Wavelet Filter Rotated Wavelet Filter (RWF) adalah filter transformasi yang dibuat dari rotasi filter-filter DWT. Dalam tugas akhir ini filter DWT dirotasi sebesar Proses dekomposisi citra dengan menggunakan RWF langkahlangkahnya sama seperti DWT, yang membedakan adalah filterfilternya saja. HR ll I ll2 HR ll I ll1 HR lh I lh2 Citra HR lh I lh1 HR hl I hl2 2-D Downsampling Citra Citra yang akan di proses HR hl 2-D Downsampling I hl1 HR ll Proses konvolusi citra dengan filter HR ll Downsampling (Pengambilan nilai matrix berindeks genap)
14 Fitur Energi dari DWT dan RWF Nilai energi setiap subbidang hasil dekomposisi DWT dan RWF dihitung berdasarkan persamaan Energi = 1 MxN M i=1 N j=1 Dekomposisi dilakukan sebanyak 5 level. Untuk DWT setiap subbidang diambil energinya, sedangkan untuk RWF hanya bidang LH dan HL saja karena hanya dua subband ini yang mengandung informasi diagonal yang dibutuhkan. X ij
15 Fuzzy C-Means Fuzzy C-Means (FCM) adalah salah satu metode yang digunakan dalam proses pengelompokan data (Data Clustering). Data clustering adalah proses membagi elemenelemen data ke klaster-klaster sehingga elemenelemen di klaster yang sama menjadi semirip mungkin, sedangkan elemen di klaster yang berbeda menjadi setidak mirip mungkin. Algoritma FCM digunakan karena dengan FCM sebuah data mempunyai nilai keanggotaan ke semua klaster.
16 Fuzzy C-Means Algoritma FCM adalah sebagai berikut 1. Tentukan nilai keanggotaan suatu data dengan semua klaster secara random 2. Ulangi langkah-langkah berikut ini sampai terjadi konvergensi nilai keanggotaan a) Hitung pusat dari masing-masing klaster b) Hitung keanggotaan setiap data untuk masing-masing klaster
17 Fuzzy C-Means Pusat klaster c j dengan parameter fuzziness m dihitung berdasarkan persamaan n i=1 μ m ij x i c j = n i=1 μ ij m Sedangkan nilai keanggotaan data ke-i x i dengan klaster ke-j µ ij menggunakan persamaan 1 μ ij = 2 c d ik (m 1) k=1 d ij
18 Penghitungan Jarak Untuk jarak antara dua vektor x dan y dengan jumlah anggota p dihitung menggunakan Canberra Distance p x a y a d xy = x a + y a a=1 Persamaan ini digunakan karena nilai-nilai dalam satu vektor fitur mempunyai skala yang berbeda-beda sehingga diperlukan normalisasi yang sudah diperhitungkan dalam Canberra Distance.
19 FCM Modifikasi FCM biasa mempunyai kelemahan yang disebabkan oleh tiap data masih dipengaruhi klaster yang jaraknya jauh. Yang membedakan dengan FCM biasa adalah persamaan keanggotaan untuk FCM modifikasi menggunakan sebagai berikut. μ ij = n 2 1 d ij c k=1 1 m 1 1 d ik 1 m 1
20 Uji Coba Proses uji coba ini adalah setelah proses clustering selesai, dilakukan penentuan kelas secara manual berdasarkan banyaknya anggota kelompok data yang diketahui sebelumnya paling banyak ikut kelas tersebut. Setelah kelas-kelas tersebut ditentukan, baru dilakukan proses testing data baru. Pengukuran kinerja dari aplikasi ini menerapkan beberapa skenario uji coba sebagai berikut: Uji coba variabel fuzziness (m). Uji coba penggunaan FCM. Uji coba penggunaan fitur DWT saja, DWT & RWF, serta DWT, RWF, & GLCM. Uji coba untuk pengenalan multi-label
21 Hasil Uji Coba (1) Untuk m = 1.1 Parang Ceplok Lereng Semen Lung-Lungan Buketan Total B S % Untuk m = 1.5 Parang Ceplok Lereng Semen Lung-Lungan Buketan Total B S % Untuk m = 2 Parang Ceplok Lereng Semen Lung-Lungan Buketan Total B S %
22 Hasil Uji Coba (2) Penggunaan FCM yang dimodifikasi Parang Ceplok Lereng Semen Lung-Lungan Buketan Total B S % FCM Normal Parang Ceplok Lereng Semen Lung-Lungan Buketan Total B S %
23 Hasil Uji Coba (3) Penggunaan fitur DWT, RWF, dan GLCM Parang Ceplok Lereng Semen Lung-Lungan Buketan Total B S % Penggunaan fitur DWT dan RWF Parang Ceplok Lereng Semen Lung-Lungan Buketan Total B S % Penggunaan fitur DWT saja Parang Ceplok Lereng Semen Lung-Lungan Buketan Total B S %
24 Uji Coba untuk multi-label Pada percobaan ini digunakan data hasil clustering dengan fuzziness 1.5 yang merupakan nilai akurasi terbesar. Percobaan hanya dilakukan berdasarkan pengamatan visual saja, sehingga ada kemungkinan hasilnya tidak objektif. Hanya contoh 4 buah data dari dataset testing yang ditunjukkan.
25 Hasil Uji Coba multi-label (1) Dari citra Diperoleh labelnya adalah Lereng, Ceplok, dan Buketan. Lereng : Ceplok: Buketan: Lung-Lungan: Parang : Semen :
26 Hasil Uji Coba multi-label (2) Dari citra Diperoleh labelnya adalah Lung-Lungan, Lereng, dan Buketan. Lung-Lungan : Lereng : Buketan : Semen : Parang : Ceplok :
27 Hasil Uji Coba multi-label (3) Dari citra Diperoleh labelnya adalah Lung-Lungan, Semen, dan Buketan. Lung-Lungan : Semen : Buketan : Parang : Lereng : Ceplok :
28 Hasil Uji Coba multi-label (4) Dari citra Diperoleh labelnya adalah Semen, Parang, dan Lung- Lungan. Semen : Parang : Lung-Lungan : Buketan : Lereng : Ceplok :
29 Kesimpulan 1. Penggunaan Grey Level Co-occurance Matrix, Discrete Wavelet Transform, dan Rotated Wavelet Filter dalam ekstraksi fitur memberikan hasil yang cukup efektif dalam mengenali suatu motif. 2. Fuzzy C-Means Clustering tidak terlalu cocok digunakan dalam mengklasifikasikan data yang terlalu tersebar seperti motif batik ini. Tetapi modifikasi dari FCM standar memberikan sedikit bantuan untuk menutupi kelemahan yang dimilikinya. Di sisi lain penggunaan FCM untuk klasifikasi multi-label cukup memuaskan. 3. Penentuan nilai fuzziness mempengaruhi hasil akurasi secara signifikan. Akurasi tertinggi didapat saat penggunaan fuzziness sebesar 1.5 dengan akursai yang di peroleh adalah 53.45%.
30 TERIMA KASIH
PENGENALAN MOTIF BATIK MENGGUNAKAN ROTATED WAVELET FILTER DAN NEURAL NETWORK
PENGENALAN MOTIF BATIK MENGGUNAKAN ROTATED WAVELET FILTER DAN NEURAL NETWORK Bernardinus Arisandi, Nanik Suciati, Arya Yudhi Wijaya Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinciIMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER
IMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER M. Jamaluddin 1, Nanik Suciati 2, Arya Yudhi Wiajaya 3 1,2,3 Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinciLatar Belakang. Perlunya inventarisasi data dari tiap motif batik dari seluruh daerah di Indonesia
Latar Belakang Latar Belakang 1 Perlunya inventarisasi data dari tiap motif batik dari seluruh daerah di Indonesia 2 Pengenalan motif citra batik contoh dengan pencarian citra batik yang mirip menggunakan
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 terperinciBAB III METODE PENELITIAN
23 BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan proses penelitian ditunjukkan pada Gambar 15 berikut. Mulai 96 citra stomata Ekstraksi fitur - RGB & Skala Keabuan Ekstraksi fitur - Wavelet
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan metode penelitian sebagai berikut: 1) Pengumpulan Data Tahap ini dilakukan sebagai langkah awal dari suatu penelitian. Mencari
Lebih terperinciMAKALAH SIDANG TUGAS AKHIR PERIODE JULI 2011
PENGENALAN MOTIF BATIK DENGAN ROTATED WAVELET FILTER DAN NEURAL NETWORK Bernardinus Arisandi - Nanik Suciati - Arya Yudhi Wijaya Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
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 terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 OPTIMASI NILAI AMBANG WAVELET BERBASIS LOGIKA FUZZY PADA DENOISING CITRA BERWARNA (Kata kunci: denoising, transformasi wavelet, logika fuzzy, thresholding, median absolute
Lebih terperinciSALIENT POINTS PADA CITRA TULANG CORTICAL BERBASIS TRANSFORMASI WAVELET
SALIENT POINTS PADA CITRA TULANG CORTICAL BERBASIS TRANSFORMASI WAVELET Oleh: Ika Usfarina Dhamasari(5106100040) DosenPembimbing1: Dr. AgusZainalArifin, S. Kom, M. Kom Dosen Pembimbing 2: Diana Purwitasari,
Lebih terperinciUji Coba 1 : Learning Rate. Nama variabel Nilai. Grafik Uji Coba % Inisial Variabel : % 80.00%
Uji Coba 1 : Learning Rate Inisial Variabel : Nama variabel Nilai Learning Rate (α) 0.1, 0.5, 0.8, 0.9 Momentum 0.5 Jumlah hidden node [20 10 1] 120.00% 100.00% 80.00% 60.00% 40.00% Grafik Uji Coba Fungsi
Lebih terperinciBAB III METODOLOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: b. Memori : 8192 MB. c. Sistem Model : Lenovo G40-45
20 BAB III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : AMD A8-6410 APU (4 CPUs), ~2.0 GHz b. Memori : 8192
Lebih terperinciTeknik Watermarking dalam Domain Wavelet untuk Proteksi Kepemilikan pada Data Citra Medis
Teknik Watermarking dalam Domain Wavelet untuk Proteksi Kepemilikan pada Data Citra Medis Mulaab Email : mulaab@if.trunojoyo.ac.id Laboratorium Pemrograman, Jurusan Teknik Informatika Universitas Trunojoyo
Lebih terperinciBAB 3 PERANCANGAN SISTEM
20 BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras Sistem ini hanya menggunakan beberapa perangkat keras yang umum digunakan, seperti mikrofon, speaker (alat pengeras suara), dan seperangkat komputer
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Digital [3] Citra atau gambar didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y), di mana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap
Lebih terperinciBAB I PENDAHULUAN. Timor Leste terletak di antara garis lintang 8 dan 10 S, dan bujur 124
BAB I PENDAHULUAN 1.1 Latar Belakang Timor Leste terletak di antara garis lintang 8 dan 10 S, dan bujur 124 dan 128 E. Terletak di Asia Tenggara, Pulau Timor merupakan bagian dari Asia Tenggara Maritim,
Lebih terperinciBAB IV PEMBAHASAN. Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil
BAB IV PEMBAHASAN Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil model Radial Basis Function Neural Network untuk diagnosa kanker otak, hasil klasifikasi, dan ketepatan hasil klasifikasinya.
Lebih terperinciUKDW BAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Seni batik merupakan salah satu warisan budaya yang asli dari Indonesia. Seni batik sendiri juga sudah ada dan dikenal sejak beberapa abad yang lalu di Tanah
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Pada bab ini akan dijelaskan mengenai kebutuhan-kebutuhan yang digunakan dalam membuat program ini. Setelah semua kebutuhan selesai di analisa, maka penulis akan
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 1980
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 1980 IDENTIFIKASI DAN KLASIFIKASI KEMURNIAN SUSU SAPI BERDASARKAN PENGOLAHAN SINYAL VIDEO MENGGUNAKAN METODE DISCRETE WAVELET
Lebih terperinciIdentifikasi Iris Mata Menggunakan Alihragam Wavelet Haar dan Transformasi Hough
Identifikasi Iris Mata Menggunakan Alihragam Wavelet Haar dan Transformasi Hough Okta Silvia M 1, Febi Yanto 2 1,2 Teknik Informatika, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau Jl. H.R.
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA A. Temu Kembali Citra Temu kembali citra adalah salah satu metodologi untuk penemuan kembali citra berdasarkan isi (content) citra. Citra memiliki informasi karakteristik visual berupa
Lebih terperinciTEMU KEMBALI CITRA UNTUK PENGENALAN BATIK PADA CITRA 2D MENGGUNAKAN FITUR TEKSTUR MATRIKS KOOKURENSI ARAS KEABUAN DAN FUNGSI JARAK CANBERRA
1 TEMU KEMBAI CITRA UNTUK PENGENAAN BATIK PADA CITRA D MENGGUNAKAN FITUR TEKSTUR MATRIKS KOOKURENSI ARAS KEABUAN DAN FUNGSI JARAK CANBERRA Intan Putri Rakasiwi 1, Ricardus Anggi Pramunendar Universitas
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM
ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Dalam mengetahui suatu bahan jenis kulit cukup sulit karena bahan jenis kulit memeliki banyak jenis. Setiap permukaan atau tekstur dari setiap jenisnya
Lebih terperinciKLASIFIKASI MOTIF BATIK BESUREK MENGGUNAKAN METODE ROTATED HAAR WAVELET TRANSFORMATION DAN BACKPROPAGATION
KLASIFIKASI MOTIF BATIK BESUREK MENGGUNAKAN METODE ROTATED HAAR WAVELET TRANSFORMATION DAN BACKPROPAGATION Alda Alif Utama 1, Rusdi Efendi 2, Desi Andreswari 3 1,2,3 Program Studi Teknik Infomatika, Fakultas
Lebih terperinciPERBANDINGAN KINERJA EKSTRAKSI FITUR TINGKAT RENDAH MENGGUNAKAN METODE
PERBANDINGAN KINERJA EKSTRAKSI FITUR TINGKAT RENDAH MENGGUNAKAN METODE Gray Level Co-occurrence Matrix (GLCM) dan GABOR FILTER DALAM PENGENALAN MOTIF BATIK OLEH : ANUGRAH SURADIPURWO NIM : 41508110061
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 terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2004/2005
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2004/2005 PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANS FORMAS I WAVELET DIS KRIT D AN JARINGAN S ARAF
Lebih terperinciPERBAIKAN KUALITAS CITRA BERWARNA DENGAN METODE DISCRETE WAVELET TRANSFORM (DWT)
PERBAIKAN KUALITAS CITRA BERWARNA DENGAN METODE DISCRETE WAVELET TRANSFORM (DWT) ABSTRAK Silvester Tena Jurusan Teknik Elektro Fakultas Sains dan Teknik, Universitas Nusa Cendana Jl. Adisucipto- Penfui
Lebih terperinciPENEMUAN KEMBALI CITRA TENUN DENGAN KEMIRIPAN MOTIF MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT
TUGAS AKHIR - SM141501 PENEMUAN KEMBALI CITRA TENUN DENGAN KEMIRIPAN MOTIF MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT AGISTA REGIASWURI NRP 1212 100 028 Dosen Pembimbing Dr. Dwi Ratna Sulistyaningrum, S.Si.,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pengolahan citra pada masa sekarang mempunyai suatu aplikasi yang sangat luas dalam berbagai bidang antara lain bidang teknologi informasi, arkeologi, astronomi, biomedis,
Lebih terperinciAPLIKASI BIOMETRIKA PENCOCOKAN CITRA DAUN TELINGA BERBASIS TEKSTUR DAN BENTUK MENGGUNAKAN METODE TRANSFORMASI WAVELET DAN CHAIN CODE
APLIKASI BIOMETRIKA PENCOCOKAN CITRA DAUN TELINGA BERBASIS TEKSTUR DAN BENTUK MENGGUNAKAN METODE TRANSFORMASI WAVELET DAN CHAIN CODE Ezy Claudia Nivsky 1, Ernawati 2, Endina Putri Purwandari 3 1,2,3 Program
Lebih terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
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 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 terperinciBAB I PENDAHULUAN. bit serta kualitas warna yang berbeda-beda. Semakin besar pesat pencuplikan data
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Citra digital merupakan suatu tampilan hasil dari proses digitalisasi citra analog yang diambil dari dunia nyata. Hasil dari proses digitalisasi citra analog
Lebih terperinciJln. Telekomunikasi No.1 Terusan Buah Batu Bandung Indonesia
SIMULASI DAN ANALISIS SISTEM KLASIFIKASI BATUBARA MENGGUNAKAN DISCRETE WAVELET TRANSFORM (DWT), FUZZY COLOR HISTOGRAM (FCH) DAN K-NEAREST NEIGHBOR (K-NN) PADA CITRA DIGITAL Viona Apryaleva 1, Dr.Ir.Bambang
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinciPENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION
PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION Suhendry Effendy Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
35 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Implementasi GUI GUI diimplementasikan sesuai dengan program pengolah citra dan klasifikasi pada tahap sebelumya. GUI bertujuan untuk memudahkan pengguna mengidentifikasi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
Lebih terperinciDAFTAR ISI... HALAMAN JUDUL... HALAMAN PENGESAHAN... HALAMAN PERNYATAAN... HALAMAN PERSEMBAHAN... PRAKATA... DAFTAR LAMBANG... DAFTAR GAMBAR...
DAFTAR ISI Halaman HALAMAN JUDUL... HALAMAN PENGESAHAN... HALAMAN PERNYATAAN... HALAMAN PERSEMBAHAN... PRAKATA... DAFTAR ISI... DAFTAR LAMBANG... DAFTAR GAMBAR... DAFTAR TABEL... INTISARI... ABSTRACT...
Lebih terperinciBAB 2 LANDASAN TEORI. mencakup teori speaker recognition dan program Matlab. dari masalah pattern recognition, yang pada umumnya berguna untuk
6 BAB 2 LANDASAN TEORI 2.1 Teori-teori Dasar / Umum Landasan teori dasar / umum yang digunakan dalam penelitian ini mencakup teori speaker recognition dan program Matlab. 2.1.1 Speaker Recognition Pada
Lebih terperinciWatermarking Video Menggunakan Transformasi Wavelet Diskrit
Jurnal Generic, Vol. 8, No. 1, Maret 2013, pp. 198~208 ISSN: 1907-4093 (Print), 2087-9814 (online) 198 Watermarking Video Menggunakan Transformasi Wavelet Diskrit Merlin Felyana 1 1 Program Studi Teknik
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Dewasa ini pengolahan citra digital telah mengalami perkembangan pesat dengan semakin banyak penelitian tentang pengenalan objek dari sebuah citra. Pengenalan suatu
Lebih terperinci1. Pendahuluan 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Saat ini, kebutuhan manusia akan teknologi semakin meningkat karena tidak bisa dipungkiri bahwa teknologi tersebut dapat meringankan pekerjaan manusia. Hal ini juga diimbangi
Lebih terperinciJURNAL PENGENALAN JENIS MOTIF KAIN BATIK MENGGUNAKAN EKSTRAKSI FITUR DAN BRAY CURTISE DISTANCE
JURNAL PENGENALAN JENIS MOTIF KAIN BATIK MENGGUNAKAN EKSTRAKSI FITUR DAN BRAY CURTISE DISTANCE recognition type motif of batik using feature extraction and bray curtise distance Oleh: DWI SETYANTO 12.1.03.02.0130
Lebih terperinciKOMPRESI IMAGE DALAM SOURCE CODING MENGGUNAKAN METODE TRANSFORMASI WAVELET
KOMPRESI IMAGE DALAM SOURCE CODING MENGGUNAKAN METODE TRANSFORMASI WAVELET NASKAH PUBLIKASI Diajukan Untuk Memenuhi Tugas dan Syarat-syarat Guna Memperoleh Gelar Sarjana Teknik pada Fakultas Teknik Jurusan
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terkait Bagian ini akan menjelaskan tentang penelitian yang pernah dilakukan sebelumnya yang berhubungan dengan Ekstraksi Ciri dan GLCM. Penelitian dengan judul GLCM
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Penggunaan citra yang semakin meningkat menimbulkan kebutuhan retrival citra yang juga semakin meningkat. Diperlukan suatu metode retrival citra yang efektif
Lebih terperinciANALISA ENERGY COMPACTION PADA DEKOMPOSISI WAVELET
ANALISA ENERGY COMPACTION PADA DEKOMPOSISI WAVELET D.A.K. Pramita, I M. O. Widyantara, D. M. Wiharta Teknik Elektro FT UNUD Email: pramita.wayu@gmail.com ABSTRAK In the modern era, the medical world utilizes
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 terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciDeteksi Batik Parang Menggunakan Fitur Co-Occurrence Matrix Dan Geometric Moment Invariant Dengan Klasifikasi KNN
Deteksi Batik Parang Menggunakan Fitur Co-Occurrence Matrix Dan Geometric Moment Invariant Dengan Klasifikasi KNN Ni Luh Wiwik Sri Rahayu G Magister Ilmu Komputer, Universitas Pendidikan Ganesha Singaraja
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciPenggunaan Gray Level Co-Occurance Matrix Dari Koefisien Aproksimasi Wavelet untuk Deteksi Cacat Tekstil
Islamadina, Penggunaan Gray Level Co-Occurance Matrix dari Koefisien Aproksimasi Wavelet untuk Deteksi Cacat Tekstil 143 Penggunaan Gray Level Co-Occurance Matrix Dari Koefisien Aproksimasi Wavelet untuk
Lebih terperinciPENGELOMPOKAN CITRA BATIK MENGGUNAKAN ALGORITMA K-MEANS BERDASARKAN FITUR TEKSTUR DENGAN METODE GLCM
1 PENGEOMPOKAN CITRA BATIK MENGGUNAKAN AGORITMA K-MEANS BERDASARKAN FITUR TEKSTUR DENGAN METODE GCM Sulistiawan Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131 sulistiawann1@gmail.com
Lebih terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI.1 Batik Asal kata batik pertama kali berasal dari jawa yang memiliki arti menulis dan titik. Batik adalah kerajinan tangan yang memiliki nilai seni tinggi dan telah menjadi bagian
Lebih terperinciPENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION 1 Andrian Rakhmatsyah 2 Sayful Hakam 3 Adiwijaya 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi
Lebih terperinciKumpulan Artikel Mahasiswa Pendidikan Teknik Informatika (KARMAPATI) Volume 2, Nomor 1, Januari 2013
PENGEMBANGAN APLIKASI WATERMARKING REGION OF INTEREST (ROI) CITRA DIGITAL DENGAN METODE DISCRETE WAVELET TRANSFORM (DWT) DAN MORFOLOGI MATEMATIKA Oleh Made Dyah Aryani, 1015057077 Jurusan Pendidikan Teknik
Lebih terperinciKLASIFIKASI MOTIF BATIK BANYUWANGI MENGGUNAKAN METODE EKSTRAKSI CIRI WAVELET DAN METODE KLASIFIKASI FUZZYLOGIC
KLASIFIKASI MOTIF BATIK BANYUWANGI MENGGUNAKAN METODE EKSTRAKSI CIRI WAVELET DAN METODE KLASIFIKASI FUZZYLOGIC Classification of Structure Banyuwangi s Batik using Wavelet Feature Extraction Method and
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM. Pembahasan analisa program meliputi tahapan analisis, perancangan dan pembuatan.
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM 3.1 Latar Belakang Pembahasan analisa program meliputi tahapan analisis, perancangan dan pembuatan. Pembahasan analisa mengenai metode watermarking & metode Haar
Lebih terperinciMempelajari dasar-dasar teori dan mengumpulkan referensi yang berhubungan dengan batubara, jenis batubara, metode ekstraksi ciri Discrete Wavelet
BAB 1 PENDAHULUAN 1.1 Latar Belakang Batubara adalah bahan bakar fosil yang dapat terbakar, terbentuk dari endapan batuan organik yang terutama terdiri dari karbon, hidrogen dan oksigen. Batubara terbentuk
Lebih terperinciYoungster Physics Journal ISSN : Vol. 5, No. 4, Oktober 2016, Hal
ANALISIS TEKSTUR CITRA MIKROSKOPIS KANKER PARU MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX (GLCM) DAN TRANFORMASI WAVELET DENGAN KLASIFIKASI NAIVE BAYES Rizky Ayomi Syifa 1), Kusworo Adi 1) dan Catur
Lebih terperinciSegmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan
Segmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan Septi Wulansari (5109100175) Pembimbing I: Prof. Ir. Handayani Tjandrasa, M.Sc.,
Lebih terperinciJurnal Coding, Sistem Komputer Untan Volume 4, No. 2, Hal ISSN : x
PENGENALAN MOTIF BATIK INDONESIA MENGGUNAKAN DETEKSI TEPI CANNY DAN TEMPLATE MATCHING [1] Fera Flaurensia, [2] Tedy Rismawan, [3] Rahmi Hidayati [1] [2] [3] Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciPENGENALAN TULISAN TANGAN MENGGUNAKAN EKSTRAKSI CIRI WAVELET TRANSFORM DARI PROJECTION PROFILE
PENGENALAN TULISAN TANGAN MENGGUNAKAN EKSTRAKSI CIRI WAVELET TRANSFORM DARI PROJECTION PROFILE Radian Rizki Triadhi NRP : 1222033 E-mail : radianrizkitriadhi@ymail.com ABSTRAK Pengenalan tulisan tangan
Lebih terperinciKLASIFIKASI BENTUK DAUN MENGGUNAKAN METODE KOHONEN ABSTRAK
KLASIFIKASI BENTUK DAUN MENGGUNAKAN METODE KOHONEN Safwandi. ST., M.Kom 1, Yenni Maulida, S.T ABSTRAK Penelitian ini menjelaskan tentang suatu metode klasifikasi bentuk daun berdasarkan input berupa bentuk
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Jaringan Saraf Tiruan Jaringan saraf tiruan adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia.
Lebih terperinciBAB III METODE PENELITIAN. sekunder berupa citra Magnetic Resonansi Image (MRI) yang diperoleh dari
BAB III METODE PENELITIAN Metode penelitian yang dilakukan pada penelitian ini adalah teknik pengumpulan data dan teknik analisis data. A. Teknik Pengumpulan Data Data yang digunakan pada penelitian ini
Lebih terperinciPENERAPAN DISCRETE DAUBECHIS WAVELET TRANSFORM D A L A M W A T E R M A R K I N G C I T R A D I G I T A L
PENERAPAN DISCRETE DAUBECHIS WAVELET TRANSFORM D A L A M W A T E R M A R K I N G C I T R A D I G I T A L Hermawan Syahputra* 1, Andani D N 2 1,2 Jurusan Matematika, FMIPA Unimed, Medan, Indonesia e-mail:
Lebih terperinciPenyusun Tugas Akhir : Ivan Hardiyanto (NRP : ) Dosen Pembimbing : Yudhi Purwananto, S.Kom, M.Kom Rully Soelaiman, S.Kom, M.
PRESENTASI TUGAS AKHIR KI091391 IMPLEMENTASI SEGMENTASI CITRA DENGAN MENGGUNAKAN METODE GENERALIZED FUZZY C- MEANS CLUSTERING ALGORITHM WITH IMPROVED FUZZY PARTITIONS (Kata kunci: Algoritma Fuzzy Clustering,
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM. penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari
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 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 terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Identifikasi Masalah Identifikasi permasalahan ini bahwasanya diambil dari sudut pandang masyarakat tentang objek (batik) yang dikenal dari segi pola dan gambar
Lebih terperinciIDENTIFIKASI POLA RUGAE PALATINA MENGGUNAKAN GABOR WAVELET DAN DWT DENGAN METODE KLASIFIKASI ANN- BACKPROPAGATION
IDENTIFIKASI POLA RUGAE PALATINA MENGGUNAKAN GABOR WAVELET DAN DWT DENGAN METODE KLASIFIKASI ANN- BACKPROPAGATION Karyza Niken Siwi Maryanti 1), Bambang Hidayat 2), Yuti Malinda 3) 1) 2) Program Studi
Lebih terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Cabai merupakan tanaman yang banyak dibutuhkan untuk kehidupan sehari hari seperti memasak, baik secara langsung ataupun diolah dahulu. Salah satu contoh produk olahan
Lebih terperinciPENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2016, pp. 590~595 PENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION 590 Indra Gunawan
Lebih terperinciSegmentasi Motif Batik Menggunakan Metode Fuzzy C-Means
Segmentasi Motif Batik Menggunakan Metode Fuzzy C-Means Miftahul Walid Fakultas Teknik, Program Studi Teknik Informatika, Universitas Islam Madura, Pamekasan Email : miftahwalid@ft.uimadura.ac.id Terima
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. dicolokan ke komputer, hal ini untuk menghindari noise yang biasanya muncul
37 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil 4.1.1 Pengambilan Database Awalnya gitar terlebih dahulu ditala menggunakan efek gitar ZOOM 505II, setelah ditala suara gitar dimasukan kedalam komputer melalui
Lebih terperinciIdentifikasi Otentifikasi Citra Tanda Tangan Menggunakan Wavelet dan Backpropagation
Identifikasi Otentifikasi Citra Tanda Tangan Menggunakan Wavelet dan Backpropagation Resa Abdilah 1, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi di bidang informasi spasial dan fotogrametri menuntut sumber data yang berbentuk digital, baik berformat vektor maupun raster. Hal ini dapat
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 terperinciBAB III METODOLOGI PENELITIAN. Model sistem presensi biometri sidik jari yang dikembangkan secara garis
BAB III METODOLOGI PENELITIAN 3.1 Disain Penelitian Model sistem presensi biometri sidik jari yang dikembangkan secara garis besar terdiri atas bagian input, bagian proses, dan bagian output seperti gambar
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan sistematika tahapan yang dilaksanakan selama pembuatan penelitian tugas akhir. Secara garis besar metodologi penelitian tugas akhir ini dapat
Lebih terperinciBAB I PENDAHULUAN. dikembangkan dengan sejumlah pendekatan selama bertahun-tahun. Klasifikasi
BAB I PENDAHULUAN 1.1 Latar Belakang Deteksi dan klasifikasiciri pada citra sangat luas dan banyak dikembangkan dengan sejumlah pendekatan selama bertahun-tahun. Klasifikasi suatu objek dapat dilakukan
Lebih terperinciKLASIFIKASI JENIS JAMBU AIR BERDASARKAN TULANG DAUN MENGGUNAKAN METODE K-MEANS SKRIPSI. Diajukan Untuk Memenuhi Sebagian Syarat Guna
KLASIFIKASI JENIS JAMBU AIR BERDASARKAN TULANG DAUN MENGGUNAKAN METODE K-MEANS SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer ( S. Kom. ) Pada Program Studi Teknik
Lebih terperinciPencocokan Citra Digital
BAB II DASAR TEORI II.1 Pencocokan Citra Digital Teknologi fotogrametri terus mengalami perkembangan dari sistem fotogrametri analog hingga sistem fotogrametri dijital yang lebih praktis, murah dan otomatis.
Lebih terperinciKLASIFIKASI KANSEI MULTI LABEL DENGAN PROBABILISTIC NEURAL NETWORK PADA CITRA BATIK MENGGUNAKAN KOMBINASI FITUR WARNA, TEKSTUR, DAN BENTUK
KLASIFIKASI KANSEI MULTI LABEL DENGAN PROBABILISTIC NEURAL NETWORK PADA CITRA BATIK MENGGUNAKAN KOMBINASI FITUR WARNA, TEKSTUR, DAN BENTUK Agung Nilogiri 1, *), Nanik Suciati 2) dan Diana Purwitasari 3)
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Seiring dengan perkembangan zaman yang secara tidak disadari diikuti oleh perkembangan teknologi sangat banyak memberi pengaruh terhadap perkembangan ilmu
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. 1.1 Latar belakang
BAB I PENDAHULUAN 1.1 Latar belakang Phalaenopsis atau yang biasa disebut dengan anggrek bulan mempunyai banyak jenis. Ada 26 jenis yang sudah dikenali di Indonesia. Anggrek dapat diklasifikasikan berdasarkan
Lebih terperinciANALISIS DIGITAL AUDIO WATERMARKING BERBASIS LIFTING WAVELET TRANSFORM PADA DOMAIN FREKUENSI DENGAN METODE SPREAD SPECTRUM
ANALISIS DIGITAL AUDIO WATERMARKING BERBASIS LIFTING WAVELET TRANSFORM PADA DOMAIN FREKUENSI DENGAN METODE SPREAD SPECTRUM Agung Satrio Wibowo 1), Agung Suryahadiningrat Kusumanegara 2) Gelar Budiman 3)
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 terperinci