PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
|
|
- Hadian Irawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 BOGOR 2008
2 PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor RIZKI PEBUARDI G DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2008
3 ABSTRAK RIZKI PEBUARDI. Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur Menggunakan Bayesian Network. Dibimbing oleh AGUS BUONO dan YENI HERDIYENI. Penelitian ini mengimplementasikan dan menganalisis kinerja model Bayesian network dalam pengukuran kemiripan citra menggunakan informasi warna, bentuk, dan testur. Ciri warna diekstraksi menggunakan histogram-162, ciri bentuk diekstraksi menggunakan edge direction histogram, dan ciri tekstur diekstraksi menggunakan co-occurrence matrix. Pada model ini, nilai bobot untuk setiap informasi ditetapkan secara automatis oleh sistem berdasarkan informasi citra yang lebih dominan. Jika setiap karakteristik citra memiliki peluang kejadian pada setiap citra yang ada di basis data, maka peluang kemiripan setiap citra terhadap citra kueri dapat diketahui. Hal ini dapat dimodelkan menggunakan model Bayesian network. Pada model Bayesian network, karakteristik-karakteristik citra, citra kueri, dan citra-citra yang ada di basis data dapat dianggap sebagai node-node yang saling berhubungan membentuk sebuah model Bayesian network. Evaluasi hasil temu kembali menggunakan rataan precision untuk tiap tingkat recall. Secara umum, model Bayesian network dapat digunakan untuk meningkatkan nilai precision hasil temu kembali. Rata-rata peningkatan nilai precision dengan menggunakan model Bayesian network sebesar 8.28 %. Nilai rata-rata precision untuk semua citra di basis data dengan menggunakan model Bayesian network lebih tinggi daripada menggunakan informasi warna, bentuk, dan tekstur secara terpisah. Kata kunci: Bayesian network, histogram-162, edge direction histogram, co-occurrence matrix
4 Judul : Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur Menggunakan Bayesian Network Nama : Rizki Pebuardi NIM : G Menyetujui: Pembimbing I Pembimbing II Ir. Agus Buono, M.Si., M.Kom. Yeni Herdiyeni, S.Si., M.Kom. NIP NIP Mengetahui: Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor Dr. drh. Hasim, DEA NIP Tanggal Lulus :
5 RIWAYAT HIDUP Penulis dilahirkan di Bukittinggi pada tanggal 18 Februari Penulis merupakan anak keempat dari pasangan Herman dan Lismar. Pada tahun 2004, penulis lulus dari SMU Negeri 1 IV Angkat Candung, Agam, Sumatera Barat dan pada tahun yang sama penulis mendapat undangan seleksi masuk IPB (USMI) dan terdaftar sebagai mahasiswa Departemen Ilmu Komputer Fakultas MIPA Institut Pertanian Bogor hingga saat ini. Pada tahun 2007, penulis melaksanakan praktik kerja lapangan (PKL) di PT. Sigma Cipta Utama selama kurang lebih dua bulan. Selama mengikuti perkuliahan penulis pernah menjadi asisten Algoritme dan Pemrograman, Bahasa Pemrograman, Organisasi Komputer dan Penerapan Komputer.
6 PRAKATA Alhamdulillahi Rabbil alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas segala curahan rahmat dan karunia-nya sehingga tugas akhir ini dapat diselesaikan. Tugas akhir ini berjudul Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur Menggunakan Bayesian Network. Dalam menyelesaikan tugas akhir ini penulis mendapatkan banyak sekali bantuan, bimbingan dan dorongan dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada semua pihak yang telah membantu dalam penyelesaian tugas akhir ini, antara lain: 1 Kedua orang tua tercinta, Apak dan Amak atas segala do a, kasih sayang, dan dukungannya, 2 Da Em, Ni Si, Da Al, Deboy, dan keluarga tercinta yang selalu memberikan motivasi dalam penyelesaian tugas akhir ini, 3 Bapak Ir. Agus Buono, M.Si., M.Kom. dan Ibu Yeni Herdiyeni, S.Si., M.Kom. atas bimbingan dan arahannya selama pengerjaan tugas akhir ini, 4 Bapak Firman Ardiansyah, S.Kom., M.Si. selaku moderator dalam seminar dan penguji dalam sidang, 5 Imam, Gibtha, William, dan rekan-rekan Lab. CI atas kebersamaan, motivasi, dan bantuannya, 6 Riza, Hasan, Dhani, Wawan, dan teman-teman di Wisma Badenten atas kebersamaan dan dukungannya, 7 Endang dan Ina atas motivasinya, 8 Seluruh teman-teman seperjuangan Program Studi Ilmu Komputer angkatan 41 yang tidak dapat disebutkan namanya satu-persatu. Penulis juga mengucapkan terima kasih kepada semua pihak yang telah membantu selama penyelesaian tugas akhir ini yang tidak dapat disebutkan satu-persatu. Semoga penelitian ini dapat memberi manfaat. Bogor, September 2008 Rizki Pebuardi
7 DAFTAR ISI Halaman DAFTAR TABEL... vi DAFTAR GAMBAR... vi DAFTAR LAMPIRAN... vi PENDAHULUAN... 1 Latar Belakang... 1 Tujuan... 1 Ruang Lingkup... 1 Manfaat Penelitian... 1 TINJAUAN PUSTAKA... 1 Content Based Image Retrieval (CBIR)... 1 Conventional Color Histogram (CCH)... 1 Edge Detection... 2 Sobel Edge Detector... 2 Texture... 2 Co-occurrence Matrix... 2 Formula Bayes... 3 Bayesian Network... 3 Recall dan Precision... 4 METODE PENELITIAN... 4 Ekstraksi Ciri... 4 Ekstraksi Ciri Warna... 4 Ekstraksi Ciri Bentuk... 5 Ekstraksi Ciri Tekstur... 5 Model Bayesian Network... 6 Pengukuran Tingkat Kemiripan... 6 Evaluasi Hasil Temu Kembali... 7 Perangkat Lunak dan Perangkat Keras... 8 HASIL DAN PEMBAHASAN... 8 Data Penelitian... 8 Praproses Citra... 8 Ekstraksi Ciri... 8 Ekstraksi Ciri Warna... 8 Ekstraksi Ciri Bentuk... 8 Ekstraksi Ciri Tekstur... 8 Hasil Temu Kembali... 8 Evaluasi Hasil Temu Kembali... 9 KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN v
8 DAFTAR TABEL Halaman Perbandingan nilai recall precision pada kelas mobil Perbandingan nilai recall precision pada kelas singa Perbandingan nilai recall precision pada kelas matahari terbenam Perbandingan nilai recall precision pada kelas tekstur Perbandingan nilai recall precision pada kelas gajah Perbandingan nilai recall precision rata-rata semua citra di basis data Persentase peningkatan nilai precision menggunakan model Bayesian network DAFTAR GAMBAR Halaman 1 Sistem temu kembali citra Model umum Bayesian network untuk CBIR Contoh pembangunan co-occurrence matrix Metode penelitian Model umum Bayesian network untuk CBIR menggunakan informasi tekstur Model umum Bayesian network untuk CBIR menggunakan gabungan informasi warna, bentuk, dan tekstur Hasil temu kembali menggunakan informasi warna Hasil temu kembali menggunakan informasi bentuk Hasil temu kembali menggunakan informasi tekstur Hasil temu kembali menggunakan model Bayesian network Grafik recall precision menggunakan informasi warna, bentuk, tekstur, dan Bayesian network DAFTAR LAMPIRAN Halaman 1 Penentuan nilai threshold pada Sobel edge detector Nilai recall precision temu kembali citra menggunakan informasi tekstur untuk beberapa level keabuan dalam pembangunan co-occurrence matrix Contoh citra yang digunakan untuk masing-masing kelas Perbandingan nilai recall precision pada kelas beruang, tanda panah, pemandangan, reptil, dan pesawat Antar muka sistem vi
9 Latar Belakang PENDAHULUAN CBIR (content based image retrieval) dikembangkan untuk menemukembalikan citra berdasarkan pada informasi citra yang terdiri atas warna (color), bentuk (shape), dan tekstur (texture). CBIR terdiri atas beberapa proses utama antara lain praproses, ekstraksi ciri, pengindeksan, dan penemuan kembali citra. Salah satu proses yang memegang peranan penting pada proses penemuan kembali citra adalah pengukuran tingkat kemiripan citra. Pengukuran kemiripan citra dapat dilakukan antara lain dengan menggunakan perhitungan jarak Euclidean dan dengan menggunakan perhitungan peluang. Vailaya (1995) menggunakan fungsi pembobotan (weighted function) untuk mengukur kemiripan citra berdasarkan gabungan informasi warna dan bentuk. Sementara itu, Osadebey (2006) menggunakan fungsi pembobotan untuk mengukur kemiripan citra berdasarkan gabungan informasi tekstur, bentuk, dan spasial. Pada pengukuran kemiripan menggunakan fungsi pembobotan, nilai kemiripan yang diperoleh menggunakan informasi-informasi yang berbeda dikalikan dengan bobot tertentu, untuk mendapatkan nilai kemiripan berdasarkan gabungan informasiinformasi tersebut. Penggunaan fungsi pembobotan kadang-kadang memberikan hasil temu kembali yang kurang tepat karena nilai bobot ditetapkan secara manual. Rodrigues dan Araujo (2004) telah mengembangkan sebuah model Bayesian network dalam pengukuran tingkat kemiripan citra pada suatu sistem CBIR. Model Bayesian network menerapkan teori peluang (probabilistic) untuk pengukuran kemiripan citra. Model ini digunakan untuk menggabungkan kemiripan citra berdasarkan informasi warna, bentuk, dan tekstur. Model ini dapat digunakan untuk mengatasi kekurangan yang terjadi pada penggunaan fungsi pembobotan karena nilai bobot ditetapkan secara automatis oleh sistem berdasarkan informasi citra yang lebih dominan. Jika setiap karakteristik citra memiliki peluang kemunculan/kejadian pada setiap citra yang ada di basis data, maka peluang kemiripan setiap citra terhadap citra kueri dapat diketahui. Hal ini dapat dimodelkan menggunakan model Bayesian network. Pada Bayesian network, karakteristik-karakteristik citra, citra kueri dan citra-citra yang ada di basis data dapat dianggap sebagai node-node yang saling berhubungan membentuk sebuah model Bayesian network. Penelitian ini mengimplementasikan dan menganalisis kinerja model Bayesian network yang telah dikembangkan oleh Rodrigues dan Araujo (2004). Penelitian ini melakukan perbaikan pada ekstraksi ciri citra menggunakan informasi bentuk dan tekstur untuk mendapatkan hasil yang lebih optimal. Tujuan Tujuan utama dari penelitian ini adalah untuk mengimplementasikan dan menganalisis kinerja model Bayesian network dalam pengukuran kemiripan citra. Ruang Lingkup Ruang lingkup penelitian ini adalah : 1 Kemiripan citra diukur menggunakan model Bayesian network. 2 Ciri warna diekstraksi menggunakan histogram Ciri bentuk diekstraksi menggunakan edge direction histogram. 4 Ciri tekstur diekstraksi menggunakan cooccurrence matrix. Manfaat Penelitian Penggunaan model Bayesian network pada sistem CBIR diharapkan dapat meningkatkan relevansi dari hasil temu kembali citra. TINJAUAN PUSTAKA Content Based Image Retrieval (CBIR) Secara umum, proses temu kembali citra (image retrieval) dapat dibagi menjadi dua proses utama yaitu pengindeksan dan penemuan kembali citra. Content based image retrieval (CBIR) merupakan suatu pendekatan pada temu kembali citra yang didasarkan pada ciri atau informasi yang terkandung di dalam citra seperti warna, bentuk, dan tekstur (Rodrigues & Araujo 2004). Proses utama pada temu kembali citra diilustrasikan pada Gambar 1 berikut ini: Gambar 1 Sistem temu kembali citra. Conventional Color Histogram (CCH) Histogram warna menyatakan frekuensi kemunculan atau peluang keberadaan setiap 1
10 warna dalam sebuah citra. Banyaknya nilai warna (bin) dapat ditetapkan sesuai kebutuhan pembuatan histogram. Histogram warna dapat dinyatakan sebagai berikut: P i j = 1, jika piksel ke-j dikuantisasi ke bin-i 0, selainnya Histogram warna seperti ini disebut conventional color histogram (Han & Ma 2002). Edge Detection Edge detection adalah operasi yang dijalankan untuk mendeteksi garis tepi (edge) yang membatasi dua wilayah citra homogen yang memiliki tingkat kecerahan yang berbeda (Pitas dalam Wahyuningsih 2006). Beberapa metode pendeteksi garis tepi yang umum digunakan antara lain Sobel, Prewitt, Roberts, Laplacian of a Gaussian, Zero crossings, dan Canny (Gonzalez 2004). Sobel Edge Detector Sobel edge detector merupakan salah satu metode pendeteksi tepi yang umum digunakan (Rodrigues & Araujo 2004). Sobel edge detector menggunakan dua buah matriks konvolusi berukuran 3 x 3. Matriks konvolusi pertama digunakan untuk mengestimasi gradien pada arah sumbu x. Berikut ini adalah matriks konvolusi yang digunakan : Sementara itu, matriks konvolusi kedua digunakan untuk mengestimasi gradien pada arah sumbu y. Berikut ini adalah matriks konvolusi yang digunakan : Misalkan Gx adalah matriks hasil operasi konvolusi terhadap citra I dalam arah sumbu x, dan Gy adalah matriks hasil operasi konvolusi terhadap citra I dalam arah sumbu y, maka magnitudo (edge strength) dari gradien didekati menggunakan persamaan berikut ini: Sebuah piksel akan dianggap sebagai edge (bernilai satu) jika nilai magnitudonya lebih besar dari nilai threshold yang ditetapkan (Gonzalez 2004). Texture Pada area pemrosesan citra tidak ada definisi yang jelas tentang tekstur. Hal ini disebabkan definisi tekstur yang ada didasarkan kepada metode analisis tekstur dan fitur yang diekstrak dari citra. Akan tetapi, tekstur dapat dianggap sebagai pola piksel yang berulang pada wilayah spasial dimana penambahan noise pada pola dan perulangan frekuensinya, dapat terlihat secara acak dan tidak terstruktur (Osadebey 2006). Beberapa metode yang berbeda diusulkan untuk menghitung ciri tekstur karena tidak ada definisi matematika yang jelas tentang tekstur. Metode yang paling sering digunakan untuk mendeskripsikan ciri tekstur adalah metode berbasis statistika dan berbasis transformasi (Ojala & Pietikainen dalam Osadebey 2006). Penelitian ini menggunakan metode berbasis statistika untuk mengekstraksi ciri tekstur. Metode berbasis statistika menganalisis distribusi spasial dari nilai keabuan dengan menghitung ciri lokal pada setiap titik citra, kemudian menurunkan beberapa perhitungan statistika dari distribusi ciri lokal tersebut. Salah satu jenis metode ini adalah co-occurrence matrix yang akan digunakan pada penelitian ini. Co-occurrence Matrix Co-occurrence matrix menggunakan matriks derajat keabuan untuk mengambil contoh bagaimana suatu derajat keabuan tertentu terjadi, dalam hubungannya dengan derajat keabuan yang lain. Matriks derajat keabuan adalah sebuah matriks yang elemen-elemennya merupakan frekuensi relatif kejadian (occurrence), dari kombinasi level keabuan antar pasangan piksel, dengan hubungan spasial tertentu (Osadebey 2006). Misal diketahui sebuah citra I(i, j), p(i, j) merupakan posisi dari operator, dan A adalah sebuah matriks. Elemen A(i, j) menyatakan jumlah berapa kali titik tersebut terjadi dengan grey-level (intensitas) g(i) pada posisi tertentu menggunakan operator p, relatif terhadap titik dengan intensitas g(j). Matriks A merupakan cooccurrence matrix yang didefinisikan oleh p. Operator p didefinisikan dengan sebuah sudut dan jarak d. Gambar 2 menjelaskan pembangunan cooccurrence matrix untuk citra I yang berukuran 4 x 5 piksel yang memiliki delapan level keabuan. Posisi operator p didefinisikan dengan jarak d = 1 dan = 0 0. Matriks A 2
PENGUKURAN 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 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. 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 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 terperinciTEMU KEMBALI CITRA WAJAH BERDASARKAN PENGUKURAN KEMIRIPAN FITUR DENGAN MENGGUNAKAN JARINGAN BAYESIAN TESIS HENDRIK SIAGIAN
TEMU KEMBALI CITRA WAJAH BERDASARKAN PENGUKURAN KEMIRIPAN FITUR DENGAN MENGGUNAKAN JARINGAN BAYESIAN TESIS HENDRIK SIAGIAN 107038003 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
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).
Lebih terperinciMETODE HEURISTIK UNTUK PENCARIAN CITRA PADA SISTEM TEMU KEMBALI CITRA FITRIA YUNINGSIH
METODE HEURISTIK UNTUK PENCARIAN CITRA PADA SISTEM TEMU KEMBALI CITRA FITRIA YUNINGSIH DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2009 METODE
Lebih terperinciPENDAHULUAN. 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 terperinciPELABELAN OTOMATIS CITRA MENGGUNAKAN FUZZY C MEANS UNTUK SISTEM TEMU KEMBALI CITRA MARSANI ASFI
PELABELAN OTOMATIS CITRA MENGGUNAKAN FUZZY C MEANS UNTUK SISTEM TEMU KEMBALI CITRA MARSANI ASFI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
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 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 terperinciUNIVERSITAS BINA NUSANTARA PENGENALAN UANG KERTAS DOLLAR AMERIKA DENGAN METODE TEMPLATE MATCHING
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 PENGENALAN UANG KERTAS DOLLAR AMERIKA DENGAN METODE TEMPLATE MATCHING MEITA SETIAWAN / 0700709224
Lebih terperinciBAB I PENDAHULUAN. menganalisis citra menggunakan bantuan komputer yang bertujuan untuk
BAB I PENDAHULUAN A. Latar Belakang Citra (gambar) adalah suatu representasi, kemiripan, atau imitasi dari suatu objek (Annisa, 2010). Citra mengandung informasi tentang objek yang direpresentasikan. Sehingga
Lebih terperinciANALISIS PERBANDINGAN HASIL ALGORITMA HOMOGENEITY DAN ALGORITMA PREWITT UNTUK DETEKSI TEPI PADA CITRA BMP SKRIPSI ZULFADHLI HARAHAP
ANALISIS PERBANDINGAN HASIL ALGORITMA HOMOGENEITY DAN ALGORITMA PREWITT UNTUK DETEKSI TEPI PADA CITRA BMP SKRIPSI ZULFADHLI HARAHAP 111421055 PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER
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 terperinciPELABELAN OTOMATIS CITRA MENGGUNAKAN FUZZY C MEANS UNTUK SISTEM TEMU KEMBALI CITRA MARSANI ASFI
PELABELAN OTOMATIS CITRA MENGGUNAKAN FUZZY C MEANS UNTUK SISTEM TEMU KEMBALI CITRA MARSANI ASFI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciMETODE FUZZY COLOR HISTOGRAM UNTUK TEMU KEMBALI CITRA BUNGA. Oleh: DINDA PUTRI BALQIS G
METODE FUZZY COLOR HISTOGRAM UNTUK TEMU KEMBALI CITRA BUNGA Oleh: DINDA PUTRI BALQIS G64102056 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2006 METODE
Lebih terperinciAPLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN ALGORITMA SOBEL S EDGE DETECTION Arwin Halim 1, Hernawati Gohzali 2, In Sin 3, Kelvin Wijaya 4
APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN ALGORITMA SOBEL S EDGE DETECTION Arwin Halim 1, Hernawati Gohzali 2, In Sin 3, Kelvin Wijaya 4 1,2,3,4 Jurusan Teknik Informatika, STMIK Mikroskil, Medan 1,2,3,4
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 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 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 terperinciMETODE CLUSTER SELF-ORGANIZING MAP UNTUK TEMU KEMBALI CITRA
1 METODE CLUSTER SELF-ORGANIZING MAP UNTUK TEMU KEMBALI CITRA Chita Ralina Rahardjo, Yeni Herdiyeni, Firman Ardiansyah Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian
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 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 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 terperinciImplementasi Edge Detection Pada Citra Grayscale dengan Metode Operator Prewitt dan Operator Sobel
Implementasi Edge Detection Pada Citra Grayscale dengan Metode Operator Prewitt dan Operator Sobel Sri Enggal Indraani, Ira Dhani Jumaddina, Sabrina Ridha Sari Sinaga (enggal24@gmail.com, Ira.dhani5393@gmail.com,
Lebih terperinciKonvolusi. Esther Wibowo Erick Kurniawan
Konvolusi Esther Wibowo esther.visual@gmail.com Erick Kurniawan erick.kurniawan@gmail.com Filter / Penapis Digunakan untuk proses pengolahan citra: Perbaikan kualitas citra (image enhancement) Penghilangan
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 terperinciSATUAN ACARA PERKULIAHAN ( SAP )
SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kuliah : Pengolahan Citra Digital Kode : IES 6323 Semester : VI Waktu : 2 x 3x 50 Menit Pertemuan : 10&11 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem
Lebih terperinciANALISIS PENELUSURAN TEPI CITRA MENGGUNAKAN DETEKTOR TEPI SOBEL DAN CANNY
Proceeding, Seminar Ilmiah Nasional Komputer dan Sistem Intelijen (KOMMIT 28) Auditorium Universitas Gunadarma, Depok, 2-21 Agustus 28 ISSN : 1411-6286 ANALISIS PENELUSURAN TEPI CITRA MENGGUNAKAN DETEKTOR
Lebih terperinciKlasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra
Jurnal Ilmiah Ilmu Komputer, Vol 15 No. 2, Desember 2010 : 38-41 Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra Vera Yunita, Yeni Herdiyeni Departemen Ilmu
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 terperinciUJI DAN APLIKASI KOMPUTASI PARALEL PADA JARINGAN SYARAF PROBABILISTIK (PNN) UNTUK PROSES KLASIFIKASI MUTU BUAH TOMAT SEGAR
UJI DAN APLIKASI KOMPUTASI PARALEL PADA JARINGAN SYARAF PROBABILISTIK (PNN) UNTUK PROSES KLASIFIKASI MUTU BUAH TOMAT SEGAR oleh: MOH. KHAWARIZMIE ALIM F14101030 2006 FAKULTAS TEKNOLOGI PERTANIAN INSTITUT
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 terperinciDeteksi Tepi (Edge Detection) Yeni Herdiyeni Departemen Ilmu Komputer FMIPA IPB
Deteksi Tepi (Edge Detection) Yeni Herdiyeni Departemen Ilmu Komputer FMIPA IPB www.ilkom.fmipa.ipb.ac.id/yeni Deteksi Tepi Deteksi tepi (Edge detection) adalah operasi yang dijalankan untuk mendeteksi
Lebih terperinciPERBANDINGAN METODE ROBERTS DAN SOBEL DALAM MENDETEKSI TEPI SUATU CITRA DIGITAL. Lia Amelia (1) Rini Marwati (2) ABSTRAK
PERBANDINGAN METODE ROBERTS DAN SOBEL DALAM MENDETEKSI TEPI SUATU CITRA DIGITAL Lia Amelia (1) Rini Marwati (2) ABSTRAK Pengolahan citra digital merupakan proses yang bertujuan untuk memanipulasi dan menganalisis
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 terperinciAnalisa Perbandingan Metode Edge Detection Roberts Dan Prewitt
Analisa Perbandingan Metode Edge Detection Roberts Dan Prewitt Romindo Polikteknik Ganesha Medan Jl. Veteran No. 190 Pasar VI Manunggal romindo4@gmail.com Nurul Khairina Polikteknik Ganesha Medan Jl. Veteran
Lebih terperinciPENERAPAN DAN PERBANDINGAN CARA PENGUKURAN RESPON PADA ANALISIS KONJOIN
PENERAPAN DAN PERBANDINGAN CARA PENGUKURAN RESPON PADA ANALISIS KONJOIN (Studi Kasus: Preferensi Mahasiswa Statistika IPB Angkatan 44, 45, dan 46 terhadap Minat Bidang Kerja) DONNY ARIEF SETIAWAN SITEPU
Lebih terperinciDAFTAR ISI. Lembar Pengesahan Penguji... iii. Halaman Persembahan... iv. Abstrak... viii. Daftar Isi... ix. Daftar Tabel... xvi
DAFTAR ISI Halaman Judul... i Lembar Pengesahan Pembimbing... ii Lembar Pengesahan Penguji... iii Halaman Persembahan... iv Halaman Motto... v Kata Pengantar... vi Abstrak... viii Daftar Isi... ix Daftar
Lebih terperinciPENGEMBANGAN APLIKASI FUZZY TEMPORAL ASSOCIATION RULE MINING (STUDI KASUS : DATA TRANSAKSI PASAR SWALAYAN ) HANDAYANI RETNO SUMINAR
PENGEMBANGAN APLIKASI FUZZY TEMPORAL ASSOCIATION RULE MINING (STUDI KASUS : DATA TRANSAKSI PASAR SWALAYAN ) HANDAYANI RETNO SUMINAR DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciEKSTRAKSI JALAN SECARA OTOMATIS DENGAN DETEKSI TEPI CANNY PADA FOTO UDARA TESIS OLEH: ANDRI SUPRAYOGI NIM :
EKSTRAKSI JALAN SECARA OTOMATIS DENGAN DETEKSI TEPI CANNY PADA FOTO UDARA (Menggunakan Transformasi Wavelet Untuk Penghalusan Citra ) TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar
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 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 I PENDAHULUAN. Perkembangan teknologi komputer dan internet semakin maju
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Perkembangan teknologi komputer dan internet semakin maju menyebabkan data digital yang dihasilkan, disimpan, ditransmisikan, dianalisis, dan diakses menjadi
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 terperinciBAB III PROSEDUR DAN METODOLOGI. Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala
52 BAB III PROSEDUR DAN METODOLOGI 3.1 ANALISA MASALAH Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala melakukan proses retrival citra dan bagaimana solusi untuk memecahkan masalah
Lebih terperinciKLASIFIKASI CITRA MENGGUNAKAN METODE MINOR COMPONENT ANALYSIS PADA SISTEM TEMU KEMBALI CITRA VERA YUNITA
KLASIFIKASI CITRA MENGGUNAKAN METODE MINOR COMPONENT ANALYSIS PADA SISTEM TEMU KEMBALI CITRA VERA YUNITA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciTemu Kenali Citra berbasis Konten Bentuk dan Warna untuk Pengenalan Rambu Lalu-lintas
Temu Kenali Citra berbasis Konten Bentuk dan Warna untuk Pengenalan Rambu Lalu-lintas Nama : Yudhi Septianto A.P NPM : 50408886 Pembimbing : Dr. Karmilasari., Skom, MM LATAR BELAKANG Klasifikasi rambu
Lebih terperinciIMAGE COLOR FEATURE. Achmad Basuki Politeknik Elektronika Negeri Surabaya
IMAGE COLOR FEATURE Achmad Basuki Politeknik Elektronika Negeri Surabaya Materi: 1. Image Color Feature 2. Application Using Image Color Feature 3. RGB-Cube 4. Histogram RGB Gabungan Layer Color Indeks
Lebih terperinciPERBANDINGAN METODE PREWITT DAN SOBEL DALAM MENDETEKSI TEPI SUATU CITRA DIGITAL
PERBANDINGAN METODE PREWITT DAN SOBEL DALAM MENDETEKSI TEPI SUATU CITRA DIGITAL Pitrawati, S.Kom., M.Pd Program Studi Komputerisasi Akuntansi AMIK Dian Cipta Cendikia, Bandar Lampung Abstrak Pengolahan
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 terperinciEVALUASI PELAKSANAAN KURIKULUM SISTEM MAYOR-MINOR PROGRAM PENDIDIKAN SARJANA (S1) INSTITUT PERTANIAN BOGOR DICKY PRATAMA YENDRA
EVALUASI PELAKSANAAN KURIKULUM SISTEM MAYOR-MINOR PROGRAM PENDIDIKAN SARJANA (S1) INSTITUT PERTANIAN BOGOR DICKY PRATAMA YENDRA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
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 terperinciTEMU KEMBALI CITRA MAKANAN MENGGUNAKAN REPRESENTASI MULTI TEXTON HISTOGRAM
TUGAS AKHIR KI141502 TEMU KEMBALI CITRA MAKANAN MENGGUNAKAN REPRESENTASI MULTI TEXTON HISTOGRAM IMAGINE CLARA ARABELLA NRP 5113100004 Dosen Pembimbing I Dr. Eng. Nanik Suciati, S.Kom., M.Kom. Dosen Pembimbing
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 terperinciWhat are edges? Local intensity change Strong edge = the steep areas in a 3D plot (show: blobs-for-edge, surface plot) Bekerja pada arah x dan y:
Edge Detection (Dosen : Ibu Yeni) Dirangkum oleh: Eko Zulkaryanto (http://zulkaryanto.wordpress.com) Computer Science Bogor Agricultural University (http://www.ipb.ac.id) What are edges? Local intensity
Lebih terperinciEKSPANSI KUERI MENGGUNAKAN KAMUS KEDOKTERAN PADA SISTEM TEMU KEMBALI INFORMASI BERBAHASA INDONESIA ENENG MARYANI
EKSPANSI KUERI MENGGUNAKAN KAMUS KEDOKTERAN PADA SISTEM TEMU KEMBALI INFORMASI BERBAHASA INDONESIA ENENG MARYANI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2007/2008
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2007/2008 PENGOLAHAN CITRA DENGAN PENDEKATAN FUZZY EVOLUTIONARY ALGORITHMS Abstrak Indra Gunawan 0800741882
Lebih terperinciIMPLEMENTASI METODE CANNY DAN SOBEL UNTUK MENDETEKSI TEPI CITRA
Hal : -29 IMPLEMENTASI METODE CANNY DAN SOBEL UNTUK MENDETEKSI TEPI CITRA Asmardi Zalukhu Mahasiswa Teknik Informatika STMIK Budi Darma Medan Jl. Sisingamangaraja No. 338 Simpang Limun Medan ABSTRAK Deteksi
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 terperinciPengubahan Data Image Ikan Air Tawar ke Data Vektor menggunakan Edge Detection Metode Canny
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Pengubahan Data Image Ikan Air Tawar ke Data Vektor menggunakan Edge Detection Metode Canny Fety Fatimah 1, Gibtha Fitri Laxmi 2, Puspa Eosina 3 Universitas
Lebih terperinciPENDETEKSI TEMPAT PARKIR MOBIL KOSONG MENGGUNAKAN METODE CANNY
PENDETEKSI TEMPAT PARKIR MOBIL KOSONG MENGGUNAKAN METODE CANNY Minati Yulianti 1, Cucu Suhery 2, Ikhwan Ruslianto 3 [1] [2] [3] Jurusan Sistem Komputer, Fakultas MIPA Universitas Tanjungpura Jl. Prof.
Lebih terperinciPEMBIMBING : Dr. Cut Maisyarah Karyati, SKom, MM, DSER.
PROSES PENYARINGAN PENGOLAHAN CITRA DENGAN MENGGUNAKAN METODE GAUSSIAN, LOW PASS FILTERING DAN HIGH PASS FILTERING NAMA : DWI PUTRI ANGGRAINI NPM : 12112301 PEMBIMBING : Dr. Cut Maisyarah Karyati, SKom,
Lebih terperinciVARIASI SPASIAL DAN TEMPORAL HUJAN KONVEKTIF DI PULAU JAWA BERDASARKAN CITRA SATELIT GMS-6 (MTSAT-1R) YETTI KUSUMAYANTI
VARIASI SPASIAL DAN TEMPORAL HUJAN KONVEKTIF DI PULAU JAWA BERDASARKAN CITRA SATELIT GMS-6 (MTSAT-1R) YETTI KUSUMAYANTI DEPARTEMEN GEOFISIKA DAN METEOROLOGI FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciBAB 4 HASIL PENELITIAN DAN PEMBAHASAN. Berikut ini adalah contoh tampilan hasil dari kueri:
BAB 4 HASIL PENELITIAN DAN PEMBAHASAN 4.1 Proses Retrival Berikut ini adalah contoh tampilan hasil dari kueri: 1. Kategori Gajah Gambar 4.1 Hasil kueri kategori gajah dengan histogram biasa 48 Gambar 4.2
Lebih terperinciBAB 3 IMPLEMENTASI SISTEM
BAB 3 IMPLEMENTASI SISTEM Bab ini akan membahas mengenai proses implementasi dari metode pendeteksian paranodus yang digunakan dalam penelitian ini. Bab ini terbagai menjadi empat bagian, bagian 3.1 menjelaskan
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 terperinciIMPLEMENTASI PENTERJEMAH KODE ISYARAT TANGAN MENGGUNAKAN ANALISIS DETEKSI TEPI PADA ARM 11 OK6410B
IMPLEMENTASI PENTERJEMAH KODE ISYARAT TANGAN MENGGUNAKAN ANALISIS DETEKSI TEPI PADA ARM 11 OK6410B Heri Setiawan, Iwan Setyawan, Saptadi Nugroho IMPLEMENTASI PENTERJEMAH KODE ISYARAT TANGAN MENGGUNAKAN
Lebih terperinciMETODE SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI PADA SISTEM TEMU KEMBALI CITRA VITA YULIA NOORNIAWATI G
METODE SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI PADA SISTEM TEMU KEMBALI CITRA VITA YULIA NOORNIAWATI G6403034 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciKINERJA PROTOKOL ROUTING DALAM KOMUNIKASI REAL-TIME PADA JARINGAN BERKABEL DAMAS WIDYATMOKO
KINERJA PROTOKOL ROUTING DALAM KOMUNIKASI REAL-TIME PADA JARINGAN BERKABEL DAMAS WIDYATMOKO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 KINERJA
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seiring dengan perkembangan teknologi informasi dan semakin luasnya pemanfaatan teknologi komputer di berbagai bidang kehidupan, kebutuhan akan efisiensi pengelolaan
Lebih 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 terperinciOperasi Bertetangga KONVOLUSI. Informatics Eng. - UNIJOYO log.i. Citra kualitas baik: mencerminkan kondisi sesungguhnya dari obyek yang dicitrakan
KONVOLUSI Informatics Eng. - UNIJOYO log.i Citra kualitas baik: mencerminkan kondisi sesungguhnya dari obyek yang dicitrakan Citra ideal: korespondensi satu-satu sebuah titik pada obyek yang dicitrakan
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 terperinciALGORITMA SOBEL UNTUK DETEKSI KARAKTER PADA PLAT NOMOR KENDARAAN BERMOTOR
Pengolahan citra digital by Jans Hry / S2 TE UGM 09 ALGORITMA SOBEL UNTUK DETEKSI KARAKTER PADA PLAT NOMOR KENDARAAN BERMOTOR Edge atau tepi merupakan representasi dari batas objek dalam citra. Hal ini
Lebih terperinciPENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL
Makalah Nomor: KNSI-472 PENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL Barep Wicaksono 1, Suryarini Widodo 2 1,2 Teknik Informatika, Universitas Gunadarma 1,2 Jl.
Lebih terperinciTemu Kembali Citra Makanan Menggunakan Representasi Multi Texton Histogram
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-368 Temu Kembali Citra Makanan Menggunakan Representasi Multi Texton Histogram Imagine Clara Arabella, Nanik Suciati, dan Dini
Lebih terperinciKAJIAN PENDEKATAN REGRESI SINYAL P-SPLINE PADA MODEL KALIBRASI. Oleh : SITI NURBAITI G
KAJIAN PENDEKATAN REGRESI SINYAL P-SPLINE PADA MODEL KALIBRASI Oleh : SITI NURBAITI G14102022 DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2007 ABSTRAK SITI
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 terperinciPENYELESAIAN MASALAH PENGIRIMAN PAKET KILAT UNTUK JENIS NEXT-DAY SERVICE DENGAN MENGGUNAKAN TEKNIK PEMBANGKITAN KOLOM. Oleh: WULAN ANGGRAENI G
PENYELESAIAN MASALAH PENGIRIMAN PAKET KILAT UNTUK JENIS NEXT-DAY SERVICE DENGAN MENGGUNAKAN TEKNIK PEMBANGKITAN KOLOM Oleh: WULAN ANGGRAENI G54101038 PROGRAM STUDI MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciAN ANALISIS RANCANGAN PENAWARAN DISKON DENGAN BANYAK PELANGGAN DAN TITIK IMPAS TUNGGAL
AN ANALISIS RANCANGAN PENAWARAN DISKON DENGAN BANYAK PELANGGAN DAN TITIK IMPAS TUNGGAL Oleh: Endang Nurjamil G05497044 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciBAB I PENDAHULUAN. semakin tinggi jumlah citra dijital yang dapat diakses oleh pengguna. Basis data citra
BAB I PENDAHULUAN 1.1 Latar Belakang Dengan perkembangan teknologi informasi dan komunikasi yang semakin pesat, semakin tinggi jumlah citra dijital yang dapat diakses oleh pengguna. Basis data citra akan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinu menjadi gambar diskrit melalui proses sampling. Gambar analog dibagi
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 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 terperinciKlasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt
Klasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt Ardi Satrya Afandi Fakultas Teknologi Industri Universitas Gunadarma Depok, Indonesia art_dhi@yahoo.com Prihandoko,
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Program Ganda TEKNIK INFORMATIKA - MATEMATIKA Skripsi Sarjana Program Ganda Semester Genap 2006/2007
UNIVERSITAS BINA NUSANTARA Program Ganda TEKNIK INFORMATIKA - MATEMATIKA Skripsi Sarjana Program Ganda Semester Genap 2006/2007 PERANCANGAN DAN APLIKASI EDGE DETECTION PADA IMAGE DENGAN MENGGUNAKAN KIRSCH
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 terperinciMENGANALISA PERBANDINGAN DETEKSI TEPI ANTARA METODE SOBEL DAN METODE ROBET
MENGANALISA PERBANDINGAN DETEKSI TEPI ANTARA METODE SOBEL DAN METODE ROBET Purnomo Adi Setiyono Program Studi Teknik Informatika-S1, Fakultas Ilmu Komputer Universitas Dian Nuswantoro (Udinus) Semarang
Lebih terperinciMANAJEMEN PEMANTAUAN PERANGKAT JARINGAN KOMPUTER INSTITUT PERTANIAN BOGOR BAGUS AULIA RAHMAN
MANAJEMEN PEMANTAUAN PERANGKAT JARINGAN KOMPUTER INSTITUT PERTANIAN BOGOR BAGUS AULIA RAHMAN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2008 MANAJEMEN
Lebih terperinciPENGEMBANGAN WORDNET BAHASA INDONESIA BERBASIS WEB
PENGEMBANGAN WORDNET BAHASA INDONESIA BERBASIS WEB RIYAN ADI LESMANA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 PENGEMBANGAN WORDNET BAHASA
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 terperinciPENDAHULUAN. Latar belakang
Latar belakang PENDAHULUAN Indonesia merupakan negara megabiodiversity yang memiliki kekayaan tumbuhan obat. Indonesia memiliki lebih dari 38.000 spesies tanaman (Bappenas 2003). Sampai tahun 2001 Laboratorium
Lebih terperinciEKSTRAKSI BENTUK JANIN PADA CITRA HASIL USG 3 DIMENSI MENGGUNAKAN DETEKSI TEPI CANNY
EKSTRAKSI BENTUK JANIN PADA CITRA HASIL USG 3 DIMENSI MENGGUNAKAN DETEKSI TEPI CANNY Abdiansah 1), Rizki Romodhon 2) 1 abdiansah84@gmail.com, 2 rizkiromodhon@gmail.com ABSTRACT In medical research, fetal
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 terperinciPENCARIAN ISI CITRA MENGGUNAKAN METODE MINKOWSKI DISTANCE
PENCARIAN ISI CITRA MENGGUNAKAN METODE MINKOWSKI DISTANCE Budi Hartono 1, Veronica Lusiana 2 Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Stikubank Semarang Jl Tri Lomba
Lebih terperinciPENGGEROMBOLAN DUA TAHAP DESA-DESA DI JAWA TENGAH ALIFTA DIAH AYU RETNANI
PENGGEROMBOLAN DUA TAHAP DESA-DESA DI JAWA TENGAH ALIFTA DIAH AYU RETNANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2012 RINGKASAN ALIFTA DIAH AYU RETNANI.
Lebih terperinciUCAPAN TERIMAKASIH. Denpasar, Agustus Penulis
UCAPAN TERIMAKASIH Segenap puja dan puji syukur penulis panjatkan kehadapan Ida Sang Hyang Widhi Wasa sebagai sumber dari segala sumber pengetahuan, karena atas asung kertha wara nugrahanya Tesis yang
Lebih terperinciGambar 15 Contoh pembagian citra di dalam sistem segmentasi.
dalam contoh ini variance bernilai 2000 I p I t 2 = (200-150) 2 + (150-180) 2 + (250-120) I p I t 2 = 28400. D p (t) = exp(-28400/2*2000) D p (t) = 8.251 x 10-4. Untuk bobot t-link {p, t} dengan p merupakan
Lebih terperinci