EKSTRAKSI CIRI MORFOLOGI DAN TEKSTUR UNTUK TEMU KEMBALI CITRA HELAI DAUN ANNISA
|
|
- Suharto Pranata
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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
2 EKSTRAKSI CIRI MORFOLOGI DAN TEKSTUR UNTUK TEMU KEMBALI CITRA HELAI DAUN ANNISA Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2009 ii
3 ABSTRACT ANNISA. Morphology and Texture Features Extraction for Leaf Sheet Image Retrieval. Under the supervision of SONY HARTONO WIJAYA and IWAN HILWAN. In the biology and forestry science, there are many kinds of leaves with different features. It causes difficulty to make leaf identification. Colour feature is not too significantly different because generally they are green. So, the primary leaf identification depends on morphology and texture feature. The two of them makes leaf identification more accurate. But, the combination makes some varies. A lot of people even the scientist are difficult to recognize the leaf, especially in leaf image. The reason to make feature extraction automatically by computer will be used for leaf content based image retrieval. This research started with collected leaf images by taking some pictures of them with digital camera. The collected location was Bogor Agricultural University Darmaga area. Eleven kinds of fruit tree leaves were photoing, one hundred pictures for each kind. So, there are eleven classes of leaf on database. The next step was cleaning the images. Background images were cleaned to get white background. After that, Digital Morphological Features Extraction was used to extract the shape features and Cooccurrence Matrix for texture features. Three primary features of shape are extracted and calculated it to get three derivative features. Meanwhile, seven features of texture are extracted with Coocurrence Matrix. Those features were combined with Bayesian Network Model to improve content based image retrieval. Generally, Bayesian Network Model increases precision value of image retrieval. Average precision value for Bayesian Network Model on all class is This is the highest value. Average precision value using texture feature on all class is Then, average precision value using shape feature on all classes is This is the lowest value. Keyword : Content Based Image Retrieval (CBIR), feature extraction, Morphological Features Extraction, Co-occurrence Matrix, Bayesian Netrwork Model. influenced statistic hipotesis test. Chi-square test is implemented for nominal attributes whereas Spearman Rank Correlation Coeficient test is used for selecting the numerical attribute. The result of this research is a classifier with accuracy 52.97%. Keywords: classification, k-nearest neighbor iii
4 Judul Nama NIM : Ekstraksi Ciri Morfologi dan Tekstur untuk Temu Kembali Citra Helai Daun : Annisa : G Menyetujui: Pembimbing 1, Pembimbing 2, Sony Hartono Wijaya, M.Kom NIP Ir. Iwan Hilwan, M. S NIP Mengetahui Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor Dr. Drh. Hasim, DEA NIP Tanggal Lulus: iv
5 PRAKATA Alhamdulillahi Rabbil alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas limpahan rahmat dan hidayah-nya sehingga skripsi dengan judul Ekstraksi Ciri Morfologi dan Tekstur untuk Temu Kembali Citra Helai Daun dapat diselesaikan. Penelitian ini dilaksanakan mulai November 2008 sampai dengan Juli 2009, bertempat di Departemen Ilmu Komputer. Selama pelaksanaan skripsi ini, penulis banyak mendapatkan bantuan dari berbagai pihak. Oleh karena itu, dengan segala kerendahan hati, penulis menyampaikan rasa terima kasih kepada: 1. Papa dan mama yang selalu memberikan dukungan dan doa yang tidak terputus bagi penulis. Erica, terima kasih karena telah mengingatkan penulis untuk segera menyelesaikan skripsi dengan sindiran halusnya. Shelly dan Chika, yang selalu memberikan semangat. 2. Bapak Sony Hartono Wijaya, M. Kom selaku pembimbing pertama yang telah memberikan bimbingan dan arahan bagi penulis selama penulis menjadi mahasiswa. Maaf atas segala kekhilafan yang telah banyak penulis lakukan dan terima kasih atas segala saran yang telah diberikan. 3. Bapak Ir. Iwan Hilwan, M.S yang telah bersedia menjadi pembimbing kedua. Terima kasih atas semua penjelasan tentang daun, saran dan bimbingannya selama pengerjaan skripsi ini. Mohon maaf atas segala kekhilafan penulis baik yang disengaja maupun tidak disengaja. 4. Ibu Yeni Herdiyeni, S. Si, M. Kom yang telah bersedia menjadi dosen penguji. Terima kasih atas saran, kritikan dan bimbingannya kepada penulis. 5. Teman-teman satu bimbingan, Ida dan Siti, terima kasih atas diskusi-diskusi dalam pengerjaan skripsi ini. Indah dan Desca terima kasih atas semangat dan dukungannya. 6. Dhani, terima kasih atas bantuannya dalam pengumpulan data dan pemahaman metode. Vera, Fitri, Ferry, Indra, Rafdi, Dimas, dan teman-teman lainnya di Lab CI, terima kasih atas dukungannya. 7. Andhica Chika, Karina, Tara, dan Windy, terima kasih telah mengingatkan untuk segera menyelesaikan skripsi dan atas dukungan dan semangatnya. Netty, terima kasih atas pinjaman kameranya. Tanpa itu penulis akan kesulitan dalam pengumpulan data. Sutanto, terima kasih atas pinjaman komputernya. Ini sangat membantu penulis dalam penyusunan skripsi. 8. Teman-teman di Wisma Cantik, Dieta, Mila, Resna, Dina, Try, Esti, dan Dewi, terima kasih atas kebersaman dan semua cerita, canda serta tawanya. Maaf atas segala kekhilafan dan keegoisan yang penulis lakukan selama ini. 9. Teman berbagi suka duka, Irna, Bayu, Hario, Julian, terima kasih selalu bersedia mendengar keluh kesah penulis, saling memberi dukungan dan semangat, baik langsung maupun tidak langsung. Semoga impian kita bisa terwujud. 10. Teman-teman Ilmu Komputer 42 lainnya, yang telah membantu baik dalam penelitian hingga penyusunan skripsi ini. Penulis menyadari dengan sepenuhnya bahwa masih banyak terdapat kekurangan dalam penulisan skripsi ini. Semoga skripsi ini dapat berguna bagi siapa pun yang membacanya. Bogor, Agustus 2009 Annisa ii
6 RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 19 September 1987 sebagai anak pertama dari empat bersaudara dari pasangan M. Ali Akbar dan Sumiyati. Penulis menyelesaikan pendidikan menengah atas di SMAN 3 Jakarta pada tahun Pada tahun yang sama penulis diterima sebagai mahasiswa Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI). Setelah menyelesaikan Tingkat Persiapan Bersama pada tingkat 1, tahun 2006 penulis diterima sebagai mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, IPB. Pada tahun 2008, selama dua bulan penulis melaksanakan praktik kerja lapangan di Balai Besar Industri Agro. iii
7 DAFTAR ISI Halaman DAFTAR TABEL... v DAFTAR GAMBAR... v DAFTAR LAMPIRAN... v PENDAHULUAN Latar Belakang... 1 Tujuan... 1 Ruang Lingkup... 1 TINJAUAN PUSTAKA Daun... 1 Content Based Image Retrieval (CBIR)... 1 Ekstraksi Ciri... 2 Ekstraksi Ciri Morfologi... 2 Co-occurrence Matrix... 4 Recall dan Precision... 5 METODE PENELITIAN Data... 5 Praproses... 5 Ekstraksi Ciri... 5 Pengukuran Kemiripan... 6 Evaluasi Temu Kembali Citra... 6 Perangkat Keras dan Perangkat Lunak... 6 HASIL DAN PEMBAHASAN Data... 6 Praproses... 6 Hasil Ekstraksi Ciri... 6 Hasil Temu Kembali... 7 Evaluasi Temu Kembali Citra... 7 KESIMPULAN DAN SARAN Kesimpulan... 9 Saran... 9 DAFTAR PUSTAKA LAMPIRAN iv
8 DAFTAR TABEL Halaman 1 Perbandingan Nilai Recall Precision pada Kelas Jamblang Perbandingan Nilai Recall Precision pada Kelas Jambu Biji Perbandingan Nilai Recall Precision pada Kelas Manggis Perbandingan Rata-Rata Nilai Recall Precision Menggunakan Ciri Morfologi, Tekstur dan Model Bayesian Network... 9 DAFTAR GAMBAR Halaman 1 Diagram CBIR Diameter Helai Daun Hubungan Antara Physiological Length dan Physiological Width Leaf Area Leaf Perimeter Aspect Ratio Representasi Co-occurrence Matrix Metodologi Penelitian a Citra RGB Sebelum Dibersihkan... 6 b Citra RGB Setelah Dibersihkan... 6 c Citra Grayscale... 6 d Citra Biner... 6 e Citra Setelah Noise Dihilangkan Hasil Ekstraksi Ciri Morfologi dan Tekstur Hasil Temu Kembali Menggunakan Penciri Morfologi Hasil Temu Kembali Menggunakan Penciri Tekstur Hasil Temu Kembali Menggunakan Model Bayesian Network Grafik Recall Precision untuk Semua Kelas Menggunakan Model Bayesian Network Grafik Recall Precision Menggunakan Ciri Morfologi, Tekstur dan Model Bayesian Network DAFTAR LAMPIRAN Halaman 1 Nilai Recall Precision Temu Kembali Citra Menggunakan Ciri Tekstur untuk Beberapa Jumlah Level Keabuan Contoh Citra yang Digunakan untuk Masing-Masing Kelas Perbandingan Nilai Precision pada Masing-Masing Kelas v
9 Latar Belakang PENDAHULUAN Dalam ilmu biologi dan kehutanan, diketahui terdapat banyak jenis daun dengan karakteristik (ciri) yang berbeda-beda. Hal tersebut menyebabkan sulitnya untuk melakukan pengenalan helai daun. Ciri warna untuk daun tidak terlalu menonjol karena secara umum warna daun adalah hijau. Oleh karena itu, identifikasi daun yang paling utama dilihat dari ciri morfologi dan ciri teksturnya. Gabungan kedua penciri tersebut membuat identifikasi daun menjadi lebih akurat. Namun gabungan ciri morfologi dan ciri tekstur juga banyak jenisnya sehingga banyak orang bahkan ahli sekalipun kesulitan dalam melakukan pengenalan daun, apalagi dalam bentuk citra. Karena itulah dilakukan komputasi ektraksi ciri dari citra helai daun yang akan digunakan dalam sistem temu kembali citra untuk pengenalan daun. Sistem temu kembali citra merupakan sistem penemuan kembali informasi dalam bentuk citra dengan cara mengukur similiarity (kemiripan) antara kueri yang dimasukkan pengguna dan citra yang tersimpan dalam basis data. Salah satu pendekatannya adalah Content Based Image Retrieval (CBIR). Ekstraksi ciri merupakan salah satu tahapan penting dari pengenalan citra. Oleh karena itu, ekstraksi ciri helai daun adalah tahapan penting dalam proses pengenalan citra helai daun. Pada tahap ini input citra helai daun akan diproses menggunakan suatu teknik sehingga menghasilkan ciri tertentu dari daun yang akan disimpan dalam basis data maupun dicocokkan dengan ciri helai daun yang ada. Penciri yang digunakan dalam hal ini adalah ciri morfologi, ciri tekstur dan gabungan kedua ciri tersebut untuk pengenalan citra helai daun yang lebih akurat. Pebuardi (2008) mengunakan co-occurrence matrix untuk ekstraksi ciri tekstur. Informasi tekstur dengan co-occurrence matrix akan merepresentasikan energy, moment, entropy, maximum probability, contrast, correlation, dan homogenity. Wu et al (2007) melakukan ekstraksi ciri morfologi pada citra helai daun. Tahap awal adalah mendapatkan lima ciri dasar dari citra helai daun, kemudian kombinasi dari kelima ciri tersebut menghasilkan dua belas ciri turunan. Penelitian ini menggunakan pendekatan ekstraksi ciri morfologi untuk mendapatkan ciriciri morfologi dan co-occurrence matrix untuk mendapatkan ciri-ciri tekstur. Berdasarkan penelitian-penelitian sebelumnya diketahui bahwa pendekatan ekstraksi ciri morfologi memberikan hasil ekstraksi yang baik untuk morfologi citra helai daun. Tujuan Tujuan dari penelitian ini adalah mengevaluasi hasil temu kembali citra dengan menggunakan penciri morfologi, tekstur dan gabungan keduanya untuk temu kembali citra helai daun. Ruang Lingkup Data diperoleh dari hasil pengambilan citra dengan menggunakan kamera digital. Objek citra adalah helai daun tunggal yang berasal dari sebelas pohon buah yang ada di sekitar kampus IPB Darmaga, yaitu daun alpukat, bisbul, cokelat, durian, jamblang, jambu biji, jambu bol, kepel, manggis, menteng, dan nangka. Penelitian ini difokuskan pada tahap ekstraksi ciri pada citra helai daun. TINJAUAN PUSTAKA Daun Daun merupakan bagian atau organ tumbuhan yang berfungsi membentuk makanan (fotosintesis), respirasi dan transpirasi. Daun memiliki pola-pola yang berbeda. Hickey et al (1999) telah mendeskripsikan ciri morfologi daun dengan cukup rinci, khususnya untuk morfologi daun kelas Dicotyledoneae. Ciri morfologi daun tersebut antara lain bangun daun (helaian daun, ujung daun, dan pangkal daun), tepi daun, tekstur daun, letak kelenjar, tangkai daun, tipe pertulangan, dan pengelompokan urat daun. Content Based Image Retrieval (CBIR) Content based image retrieval (CBIR) merupakan suatu pendekatan untuk masalah temu kembali citra yang didasarkan pada informasi yang terkandung di dalam citra itu sendiri seperti warna, bentuk, dan tekstur dari citra (Rodrigues & Araujo 2004). CBIR terdiri atas beberapa tahap yaitu praproses, ekstraksi ciri, pengindeksan dan penemuan kembali citra. Gambar 1 menunjukkan diagram CBIR. 1
10 Gambar 1 Diagram CBIR. Ekstraksi Ciri Ekstraksi ciri adalah proses mengambil ciriciri yang terdapat pada citra. Pada proses ini objek di dalam citra mungkin perlu dideteksi seluruh tepinya, lalu dihitung properti-properti objek yang berkaitan sebagai ciri. Beberapa proses ekstraksi ciri mungkin perlu mengubah citra masukan sebagai citra biner, melakukan penipisan pola dan sebagainya. Ekstraksi ciri diklasifikasikan ke dalam tiga tingkat yaitu low-level, middle-level dan highlevel. Low-level feature merupakan ekstraksi ciri berdasarkan isi visual seperti warna dan tekstur, middle-level feature merupakan ekstraksi tiap objek dalam citra dan mencari hubungannya, sedangkan high-level feature merupakan ekstraksi ciri berdasarkan informasi semantik yang terkandung dalam citra (Osadebey 2006). Ekstraksi ciri morfologi merupakan salah satu bagian dari CBIR untuk informasi morfologi pada citra. Proses ini bisa dilakukan dengan pendekatan ekstraksi ciri dasar dan turunan dari morfologi citra helai daun. Menurut Vailaya (1996), empat pendekatan yang digunakan dalam menganalisis tekstur adalah analisis statistik, geometrik, berbasis model dan pemrosesan sinyal. Pendekatan secara statistik dilakukan dengan mengukur karakteristik tekstur seperti kehalusan dan keteraturan. Pendekatan secara geometrik adalah mengorganisasikan komponen citra primitif (titik, garis, lingkaran) untuk mendapatkan adanya kemungkinan hubungan struktural. Sementara, pendekatan berbasis model mengasumsikan model citra dasar untuk mendeskripsikan dan menyintesis tekstur. Pendekatan pemrosesan sinyal menggunakan analisis frekuensi dari citra untuk menggolongkan tekstur. Salah satu bagian dari CBIR untuk mendapatkan informasi tekstur pada citra adalah ekstraksi ciri tekstur. Proses ini bisa dilakukan dengan pendekatan secara statistik yaitu cooccurrence matrix. Ekstraksi Ciri Morfologi Wu et al (2007) telah mendeskripsikan ciri morfologi daun yang dapat diekstrak dari citra helai daun. Ciri tersebut dibedakan menjadi dua, yaitu ciri dasar dan ciri turunan. Ciri dasar citra helai daun ada lima, yaitu: 1 Diameter ( D ), yang didefinisikan sebagai jarak terpanjang antara dua titik pada tepi daun. Panjang diameter bisa sama atau berbeda dengan panjang tulang daun primer (physiological length). Ilustrasinya dapat dilihat pada Gambar 2. Gambar 2 Diameter helai daun. 2 Physiological length (L p ) adalah jarak antara ujung dan pangkal daun (panjang tulang daun primer). 3 Physiological width (W p ) adalah jarak terpanjang dari garis yang memotong tegak lurus physiological length yang dibatasi tepi daun. Hubungan keduanya dapat dilihat pada Gambar 3. Gambar 3 Hubungan antara physiological length dan physiological width. 4 Leaf area ( A ) adalah perhitungan jumlah pixel dari daerah yang dilingkupi tepi daun pada citra yang telah dihaluskan. Ilustrasinya dapat dilihat pada Gambar 4. Gambar 4 Leaf area. 2
11 5 Leaf perimeter ( P ) adalah perhitungan jumlah pixel yang terdapat pada tepi daun (keliling). Ilustrasinya dapat dilihat pada Gambar 5. Gambar 5 Leaf perimeter. Ciri turunan daun ada dua belas, yaitu: 1 Smooth factor adalah rasio antara area citra helai daun yang dihaluskan dengan 5 x 5 rectangular averaging filter dan area citra helai daun yang dihaluskan dengan 2 x 2 rectangular averaging filter. Ciri ini untuk mengukur keteraturan tepi daun. Semakin teratur tepi daun, nilainya semakin mendekati 1. Sebaliknya, semakin tidak teratur tepi daun, nilainya semakin mendekati 0. 2 Aspect ratio adalah rasio antara physiological length dan physiological width. Persamaannya dapat dilihat pada Persamaan 1. L p...(1) W p Ciri ini untuk memperkirakan bentuk helai daun. Jika bernilai kurang dari 1 maka bentuk helai daun tersebut melebar. Jika bernilai lebih dari 1 maka bentuk helai daun tersebut memanjang. Ilustrasinya dapat dilihat pada Gambar 6. Gambar 6 Aspect ratio. 3 Form factor, digunakan untuk mendeskripsikan perbedaan antara daun dan lingkaran Cini ini untuk mengukur seberapa bundar bentuk helai daun tersebut. Nilai forn factor dapat dilihat pada Persamaan 2. 4πA 2 P...(2) 4 Rectangularity, mendeskripsikan kemiripan antara daun dan empat persegi panjang. Rumusnya diberikan pada Persamaan 3. L p W p A...(3) 5 Narrow factor adalah rasio antara diameter dan physiological length. Ciri ini untuk menentukan apakah bentuk helai daun tersebut tergolong simetri atau asimetri. Jika helai daun tersebut tergolong simetri maka bernilai 1, jika asimetri maka bernilai lebih dari 1. Nilainya dapat dicari menggunakan Persamaan 4. D L p...(4) 6 Perimeter ratio of diameter. Ciri ini untuk mengukur seberapa lonjong daun tersebut. Persamaannya dapat dilihat pada Persamaan 5. P D...(5) 7 Perimeter ratio of physiological length and physiological width. Rumusnya diberikan pada Persamaan 6. P ( L p + W p )...(6) 8 Vein features. Persamaannya dapat dilihat pada Persamaan 7, 8, 9, 10 dan 11. a. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring element dengan radius satu piksel dan area daun awal. A v1...(7) A b. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring element dengan radius dua piksel dan area daun awal. A v2...(8) A c. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring 3
12 element dengan radius tiga piksel dan area daun awal. A v3...(9) A d. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring element dengan radius empat piksel dan area daun awal. A v4...(10) A e. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring element dengan radius empat piksel dan area helai daun yang telah dikurangi disk-shaped structuring element dengan radius satu piksel. Co-occurrence Matrix A A v4 v1...(11) Menurut Osadebey (2006), co-occurrence matrix menggunakan matriks derajat keabuan adalah untuk mengambil contoh secara statistik bagaimana suatu derajat keabuan tertentu terjadi dalam hubungannya dengan derajat keabuaan yang lain. Matriks derajat keabuan adalah suatu matriks yang elemen-elemennya mengukur frekuensi relatif kejadian bersama dari kombinasi level keabuan antar pasangan piksel dengan hubungan spasial tertentu. Misal diketahui sebuah citra Q(i,j), p(i,j) merupakan posisi dari operator, dan A adalah sebuah matriks NxN. Elemen A(i,j) menyatakan jumlah titik tersebut terjadi dengan grey level (intensitas) g(i) terjadi, 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 θ dan jarak d. Berdasarkan matriks A dapat dihitung nilai-nilai ciri tekstur. Ilustrasinya dapat dilihat pada Gambar 7. Berikut adalah beberapa formula yang digunakan dalam penghitungan ciri tekstur. a Energy, mengukur tingkat keseragaman tekstur. Energi mencapai nilai tertinggi saat persebaran level keabuan konstan atau bersifat periodik. Rumusnya diberikan pada Persamaan 12. E = i, j P( i, j) 2...(12) 1 b Inverse Difference Moment mencapai nilai tertinggi saat banyak kejadian bersama dalam matriks terkonsentrasi dekat diagonal utama. Formulanya dapat dilihat pada Persamaan 13. P( i, j) IDM = i, j i j... (13) c Entropy, mengukur tingkat keacakan piksel. Entropi mencapai nilai tertinggi jikasemua elemen dalam matrix P sama. Nilai entropy dapat dicari menggunakan Persamaan 14. d E = i, j P( i, j) log P( i, j)...(14) 2 Maximum probability, menyatakan nilai frekuensi kemunculan bersama terbesar. Semakin tinggi nilainya, semakin teratur teksturnya. Rumusnya diberikan pada Persamaan 15. MP = max ( P )...(15) ij e Contrast, menyatakan jumlah variasi lokal yang terdapat dalam sebuah citra. Atau dengan kata lain menyatakan tingkat kekontrasan citra. Formulanya dapat dilihat pada Persamaan C = i, j i j P( i, j)...(16) 1 f Correlation, menyatakan hubungan ketetanggaan antarpiksel. Rumus yang digunakan dapat dilihat pada Persamaan 17. (1 µ )( j µ ) P( i, j) i j C = 2 i, j...(17) σ σ i j g Homogeneity, menyatakan tingkat kehomogenan piksel. Nilainya dapat dicari menggunakan Persamaan 18. P( i, j) H = i, j...(18) 1 + i j Gambar 7 Representasi Co-occurrence Matrix. 4
13 Recall dan Precision Menurut Rodrigues dan Araujo (2004), recall dan precision merupakan parameter yang digunakan untuk mengukur keefektifan hasil temu kembali. Recall menyatakan proporsi materi relevan yang ditemukembalikan. Perhitungannya dapat dilihat pada Persamaan 19. Sementara itu, precision menyatakan proporsi materi yang ditemukembalikan yang relevan. Perhitungan precission dapat dilihat pada Persamaan 20. perimeter. Kombinasi dari ketiga ciri tersebut digunakan untuk mendapatkan ciri turunan citra helai daun yaitu smooth factor, form factor dan perimeter ratio of diameter. Ra recall = (19) R Ra precission = (20) A dengan Ra adalah jumlah citra relevan yang ditemukembalikan, R adalah junlah citra relevan yang ada di basisdata, dan A adalah jumlah seluruh citra yang ditemukembalikan. METODE PENELITIAN Proses penemuan kembali citra dengan pendekatan CBIR terdiri atas beberapa tahap yaitu praproses, ekstraksi ciri, pengindeksan dan penemuan kembali citra. Tahapan yang lebih detail dapat dilihat pada Gambar 8. Data Proses pengumpulan data dilakukan dengan cara pengambilan citra secara langsung menggunakan kamera digital 8 MP. Data citra tersebut tersimpan dalam format JPG dengan ukuran 3264x2448 piksel. Praproses Tahap awal praproses yaitu mengubah ukuran citra menjadi 200x150 piksel. Kemudian membersihkan daerah latar belakang citra sehingga didapatkan objek daun dengan latar belakang warna putih. Selanjutnya citra RGB dikonversi menjadi citra grayscale. Untuk ekstraksi ciri morfologi, citra grayscale dikonversi lagi menjadi citra biner. Kemudian noise citra dihilangkan. Ekstraksi Ciri a. Ekstraksi ciri morfologi Tahap awal ekstraksi ciri morfologi adalah dengan mendapatkan ciri-ciri dasar dari citra helai daun. Ciri yang digunakan pada penelitian ini adalah diameter, leaf area dan leaf Gambar 8 Metodologi penelitian. b. Ekstraksi ciri tekstur Langkah awal yang dilakukan untuk mendapatkan informasi tekstur dari sebuah citra adalah menentukan co-occurrence matrix. Co-occurrence matrix dihitung dalam empat arah yaitu 0 o, 45 o, 90 o, dan 135 o. Jadi, untuk setiap citra akan dihasilkan empat co-occurrence matrix. Setelah itu, nilai energy, moment, entropy, maximum probablity, contrast, correlation, dan homogenity dihitung untuk setiap cooccurrence matrix, sehingga untuk setiap fitur akan diperoleh empat nilai, masingmasing untuk arah 0 o, 45 o, 90 o, dan 135 o. Nilai dari setiap fitur diperoleh dengan menghitung rata-rata keempat nilai fitur yang bersangkutan. Informasi tersebut kemudian direpresentasikan dengan sebuah vektor yang memiliki tujuh elemen dan 5
14 nilai akhir dari informasi tekstur diperoleh dengan melakukan normalisasi terhadap vektor masing-masing citra. Pengukuran Kemiripan Pengukuran kemiripan antara citra kueri dengan citra yang ada dalam basis data dilakukan dengan menggunakan model Bayesian Network. Nilainya dapat dihitung dengan menggunakan Persamaan 21. P( I j Q) = η [1 (1 P( CS j CS))... (21) Kx(1 P( CT CT ))] P(CS j CS) dan P(CT j CT) dihitung dengan menggunakan cosine similarity. P(CS j CS) merupakan nilai kemiripan antara vektor morfologi citra kueri dengan vektor morfologi citra pada basis data, sedangkan P(CT j CT) untuk vektor tekstur. Sementara itu, pengukuran kemiripan berdasarkan informasi morfologi saja dapat dilihat pada Persamaan 22. j P( I Q) = η [1 (1 P( CS CS))] (22) j Pengukuran kemiripan berdasarkan informasi tekstur saja dapat dilihat pada Persamaan 23. P( I Q) = η [1 (1 P( CT CT ))] (23) j Evaluasi Temu Kembali Citra Untuk mendapatkan hasil temu kemu citra maka dilakukan dengan mengukur tingkat kemiripan antara citra kueri dengan citra dalam basisdata. Citra yang memiliki tingkat kemiripan yang tinggi dengan kueri adalah citra yang ditemukembalikan. Setelah mendapat hasil citra yang ditemukembalikan selanjutnya adalah melakukan evaluasi. Evaluasi ini dilakukan untuk mengukur tingkat keberhasilan dalam proses temu kembali citra. Pengujian yang dilakukan adalah dengan menghitung nilai recall dan precision dari proses temu kembali citra berdasarkan penilaian relevansinya. Perangkat Keras dan Perangkat Lunak Perangkat keras yang digunakan dalam penelitian ini adalah Processor AMD Sempron 1.61 GHz, memori DDR2 RAM 512 MB dan harddisk 80 GB. Perangkat lunak yang digunakan adalah Sistem operasi Windows XP Service Pack 2 dan MATLAB j j Data HASIL DAN PEMBAHASAN Data yang digunakan adalah citra hasil pengambilan citra dengan menggunakan kamera digital 8 MP. Objek citra adalah helai daun tunggal yang berasal dari sebelas jenis pohon buah yang ada di sekitar kampus IPB Darmaga, yaitu daun alpukat, bisbul, cokelat, durian, jamblang, jambu biji, jambu bol, kepel, manggis, menteng, dan nangka. Setiap jenis helai daun diambil sebanyak 100 citra sehingga total data yang digunakan sebanyak 1100 citra dengan format JPG. Beberapa citra yang digunakan dapat dilihat pada Lampiran 1. Praproses Setelah ukuran citra diubah menjadi 200x150 piksel, daerah latar belakang citra dibersihkan. Kemudian citra RGB diubah menjadi citra grayscale. Untuk metode ekstraksi ciri morfologi, citra grayscale dikonversi lagi menjadi citra biner dengan nilai threshold Nilai threshold tersebut didapatkan dengan mengambil rata-rata nilai terendah di antara dua puncak pada histogram grayscale dari 1100 citra daun, yang kemudian dibagi dengan 255. Selanjutnya noise citra dihilangkan dengan 3 x 3 rectangular averaging filter. Hasil dari praproses dapat dilihat pada Gambar 9. a b c d e Gambar 9 (a) Citra RGB sebelum dibersihkan, (b) Citra RGB setelah dibersihkan, (c) Citra grayscale, (d) Citra biner, (e) Citra setelah noise dihilangkan. Hasil Ekstraksi Ciri a. Ekstraksi ciri morfologi Hasil dari ekstraksi ciri morfologi untuk seluruh citra yang ada di basis data adalah sebuah matriks berukuran 6 x 1100, karena terdapat 1100 buah citra di basis 6
15 data dan setiap citra direpresentasikan dengan sebuah vektor yang memiliki 6 buah elemen yaitu diameter, leaf area, leaf perimeter, smooth factor, form factor dan perimeter ratio of diameter. Contoh hasil ekstraksi ciri morfologi dapat dilihat pada Gambar 10. b. Ekstraksi ciri tekstur Pada Lampiran 2, dapat dilihat bahwa jumlah level keabuan 16 mampu meningkatkan nilai rata-rata precision untuk temu kembali citra menggunakan ciri tekstur. Hasil dari ekstraksi ciri tekstur untuk seluruh citra yang ada di basis data adalah sebuah matriks berukuran 7 x 1100, karena terdapat 1100 buah citra di basis data dan setiap citra direpresentasikan dengan sebuah vektor yang memiliki 7 buah elemen yaitu energy, moment, entropy, maximum probablity, contrast, correlation, dan homogenity. Contoh hasil ekstraksi ciri tekstur dapat dilihat pada Gambar 10. Gambar 10 Hasil ekstraksi ciri morfologi dan tekstur. Hasil Temu Kembali Temu kembali yang dihasilkan merupakan citra-citra yang memiliki kemiripan yang paling tinggi dengan citra query berdasarkan ciri morfologi, ciri tekstur, atau gabungan keduanya dengan model Bayesian Network. Hasil temu kembali menggunakan penciri morfologi dapat dilihat pada Gambar 11. Hasil temu kembali menggunakan penciri tekstur dapat dilihat pada Gambar 12. Sementara, hasil temu kembali menggunakan model Bayesian Network dapat dilihat pada Gambar 13. Evaluasi Temu Kembali Citra Perhitungan nilai recall dan precision dilakukan untuk menentukan tingkat keberhasilan dalam proses temu kembali citra. Perhitungan nilai precision dari suatu kelas dilakukan dengan cara menjadikan setiap citra yang ada di kelas tersebut sebagai citra query. Daun-daun yang memiliki bentuk seragam dan sudah stabil seharusnya menghasilkan nilai ciri morfologi yang cukup tinggi bila diamati secara manual. Contohnya daun bisbul, durian, jamblang, jambu biji, jambu bol, kepel dan nangka. Namun pada hasil komputasi, hanya kelas jambu biji dan jambu bol saja yang memberikan nilai yang tinggi untuk ciri morfologi dibandingkan ciri tekstur. Ini disebabkan objek daun tersebut untuk data citra yang digunakan sudah stabil dan seragam. Sementara, daun-daun yang memiliki tekstur yang jelas, misalnya tulang daun terlihat jelas, seharusnya menghasilkan nilai ciri tekstur yang cukup tinggi bila diamati secara manual. Contohnya daun alpukat, daun coklat, jambu biji, jambu bol, dan nangka. Namun pada hasil komputasi, kelas alpukat, bisbul, coklat, durian, jamblang, kepel, manggis, menteng dan nangka memberikan nilai yang tinggi untuk ciri tekstur dibandingkan ciri morfologi. Ini disebabkan salah satunya oleh pengaruh pencahayaan pada saat pengambilan data citra. Nilai precision untuk kelas-kelas yang ada dalam basis data dapat dilihat pada Lampiran 3. Pada kelas coklat, durian, jamblang dan nangka, nilai rata-rata precision menggunakan gabungan ciri tekstur dan morfologi dengan model Bayesian Network lebih tinggi daripada menggunakan penciri tekstur atau morfologi saja. Namun, nilai rata-rata precision menggunakan penciri tekstur lebih tinggi bila dibandingkan dengan nilai rata-rata precision mengunakan penciri morfologi. Sementara pada kelas jambu biji dan jambu bol, nilai rata-rata precision menggunakan gabungan ciri tekstur dan morfologi dengan model Bayesian Network lebih tinggi daripada menggunakan penciri tekstur atau morfologi saja. Namun, nilai rata-rata precision menggunakan penciri morfologi lebih tinggi bila dibandingkan dengan nilai rata-rata precision mengunakan penciri tekstur. Sedangkan pada kelas alpukat, bisbul, kepel, manggis dan menteng, nilai rata-rata precision menggunakan penciri tekstur lebih tinggi daripada menggunakan penciri morfologi saja atau gabungan ciri tekstur dan morfologi 7
16 dengan model Bayesian Network. Namun, nilai rata-rata precision menggunakan gabungan ciri tekstur dan morfologi dengan model Bayesian Network lebih tinggi bila dibandingkan dengan nilai rata-rata precision mengunakan penciri morfologi saja. Grafik recall dan precision menggunakan gabungan ciri morfologi dan tekstur menggunakan model Bayesian Network untuk semua kelas dapat dilihat pada Gambar 14. Selanjutnya akan dibahas untuk kelas jamblang, jambu biji dan manggis yang mempunyai nilai precision tinggi. Perbandingan nilai precision untuk kelas jamblang dapat dilihat pada Tabel 1. Pada kelas ini, nilai rata-rata precision terbesar diperoleh menggunakan gabungan ciri tekstur dan morfologi dengan model Bayesian Network. Sementara nilai rata-rata precision terkecil diperoleh menggunakan penciri morfologi. Nilai rata-rata precision menggunakan penciri tekstur lebih tinggi jika dibandingkan dengan nilai ratarata precision menggunakan penciri morfologi. Hal ini disebabkan citra-citra pada kelas jamblang memiliki tekstur yang hampir sama. Tabel 1. Perbandingan nilai recall precision pada kelas jamblang Recall Morfologi Tekstur Bayesian Rataan Perbandingan nilai precision untuk kelas jambu biji dapat dilihat pada Tabel 2. Pada kelas ini, nilai rata-rata precision terbesar diperoleh menggunakan gabungan penciri tekstur dan morfologi dengan model Bayesian Network. Sementara nilai rata-rata precision terkecil diperoleh menggunakan penciri tekstur. Nilai rata-rata precision menggunakan penciri morfologi lebih tinggi jika dibandingkan dengan nilai rata-rata precision menggunakan penciri tekstur. Hal ini disebabkan citra-citra pada kelas jambu biji memiliki morfologi yang hampir sama. Tabel 2. Perbandingan nilai recall precision pada kelas jambu biji Recall Morfologi Tekstur Bayesian Rataan Perbandingan nilai precision untuk kelas manggis dapat dilihat pada Tabel 3. Pada kelas ini, nilai rata-rata precision terbesar diperoleh menggunakan penciri tekstur. Sementara nilai rata-rata precision terkecil diperoleh menggunakan penciri morfologi. Nilai rata-rata precision menggunakan penciri tekstur lebih tinggi jika dibandingkan dengan nilai rata-rata precision menggunakan penciri morfologi. Hal ini disebabkan citra-citra pada kelas manggis memiliki morfologi yang lebih beragam. Tabel 3. Perbandingan nilai recall precision pada kelas manggis Recall Morfologi Tekstur Bayesian Rataan Perbandingan rata-rata nilai recall precision menggunakan ciri morfologi, tekstur dan model Bayesian Network dapat dilihat pada Tabel 4. Nilai rata-rata precision terbesar untuk seluruh kelas diperoleh menggunakan model Bayesian Network. Namun demikian, nilai ratarata precision terkecil untuk seluruh kelas diperoleh menggunakan penciri morfologi. Hal ini disebabkan morfologi pada citra helai daun 8
17 umumnya lebih beragam sedangkan tekstur pada citra helai daun hampir sama. Grafiknya dapat dilihat pada Gambar 15. Tabel 4. Perbandingan rata-rata nilai recall precision menggunakan ciri morfologi, tekstur dan model Bayesian Network Recall Morfologi Tekstur Bayesian Rataan Kesimpulan KESIMPULAN DAN SARAN Penelitian ini telah berhasil mengimplementasikan pendekatan ekstraksi ciri morfologi untuk mendapatkan ciri dasar dan turunan dari morfologi citra helai daun dan cooccurrence matrix untuk ekstraksi ciri tekstur. Ciri morfologi yang didapatkan yaitu diameter, leaf area, leaf perimeter, smooth factor, form factor dan perimeter ratio of diameter. Ciri tekstur yang didapatkan yaitu energy, moment, entropy, maximum probablity, contrast, correlation, dan homogenity. Model Bayesian Network digunakan untuk menggabungan ciriciri tersebut untuk pengukuran kemiripan citra. Secara umum, model Bayesian Network dapat meningkatkan nilai precision hasil temu kembali citra. Nilai rata-rata precision untuk model Bayesian network untuk seluruh kelas menghasilkan nilai terbesar yaitu , sedangkan nilai rata-rata precision menggunakan penciri tekstur adalah sebesar Sementara nilai rata-rata precision menggunakan penciri morfologi menghasilkan nilai terkecil yaitu Saran Hasil temu kembali akan lebih baik jika ciri-ciri yang didapatkan lebih lengkap. Oleh karena itu, penelitian selanjutnya disarankan untuk mendapatkan ciri morfologi yang lainnya, yaitu physiological length, physiological width, aspect ratio, rectangularity, narrow factor, perimeter ratio of physiological length and physiological width dan vein features. Gambar 11 Hasil temu kembali menggunakan penciri morfologi. 9
18 Gambar 12 Hasil temu kembali menggunakan penciri tekstur. Gambar 13 Hasil temu kembali menggunakan model Bayesian Network. 10
19 Gambar 14 Grafik recall precision untuk semua kelas menggunakan model Bayesian Network. Gambar 15 Grafik recall precision menggunakan ciri morfologi, tekstur dan model Bayesian Network. 11
20 DAFTAR PUSTAKA Hickey, L.J et al Manual of Leaf Architecture - Morphological Description and Categorization of Dicotyledonous and Net-Veined Monocotyledonous Angiosperms by Leaf Architecture. Leaf Architecture Working Group. Washington DC. McAndrew A Introduction to Digital Image Processing with MATLAB. United States: Course Technology, a division of Thomson Learning, Inc. Osadebey ME Integrated Content-Based Image Retrieval Using Texture, Shape and Spatial Information [thesis]. Umea: Department of Applied Physics and Electronics, Umea Univercity. Pebuardi R Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur menggunakan Bayesian Network. [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Rodrigues PS, Arnaldo de Albuquerque Araujo A Bayesian Network Model Combining Color, Shape and Texture Information to Improve Content Based Image Retrieval Systems. LNCC, Petropolis, Brazil. Vailaya A Shape-Based Image Retrieval [thesis]. Michigan : Michigan State Univercity. Wu, SG, et al A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural Network. [10 April 2009]. 12
21 LAMPIRAN 13
22 Lampiran 1 Contoh citra yang digunakan untuk masing-masing kelas 1 Kelas alpukat Citra 1 Citra 25 Citra 72 Citra 80 Citra 85 2 Kelas bisbul 3 Kelas cokelat Citra 101 Citra 102 Citra 148 Citra 153 Citra 85 4 Kelas durian Citra 203 Citra 219 Citra 223 Citra 282 Citra 85 5 Kelas jamblang Citra 301 Citra 321 Citra 365 Citra 372 Citra Kelas jambu biji Citra 402 Citra 405 Citra 409 Citra 463 Citra 478 Citra 557 Citra 564 Citra 576 Citra 580 Citra
23 Lampiran 1 Lanjutan 7 Kelas jambu bol 8 Kelas kepel Citra 603 Citra 607 Citra 609 Citra 632 Citra Kelas manggis Citra 703 Citra 762 Citra 789 Citra 792 Citra Kelas menteng Citra 804 Citra 808 Citra 811 Citra 871 Citra Kelas nangka Citra 907 Citra 925 Citra 971 Citra 980 Citra 995 Citra 1004 Citra 1074 Citra 1085 Citra 80 Citra
24 Lampiran 2 Nilai recall precision temu kembali citra menggunakan ciri tekstur untuk beberapa jumlah level keabuan. Recall Rataan
25 Lampiran 3 Perbandingan nilai recall precision pada masing-masing kelas 1 Perbandingan nilai recall precision pada kelas alpukat Recall Morfologi Tekstur Bayesian Rataan Perbandingan nilai recall precision pada kelas bisbul Recall Morfologi Tekstur Bayesian Rataan Perbandingan nilai recall precision pada kelas cokelat Recall Morfologi Tekstur Bayesian Rataan
26 Lampiran 3 Lanjutan 4 Perbandingan nilai recall precision pada kelas durian Recall Morfologi Tekstur Bayesian Rataan Perbandingan nilai recall precision pada kelas jambu bol Recall Morfologi Tekstur Bayesian Rataan Perbandingan nilai recall precision pada kelas kepel Recall Morfologi Tekstur Bayesian Rataan
27 Lampiran 3 Lanjutan 7 Perbandingan nilai recall precision pada kelas menteng Recall Morfologi Tekstur Bayesian Rataan Perbandingan nilai recall precision pada kelas nangka Recall Morfologi Tekstur Bayesian Rataan
PENDAHULUAN. Latar Belakang
Latar Belakang ENDHULUN Dalam ilmu biologi dan kehutanan, diketahui terdapat banyak enis daun dengan karakteristik (ciri) yang berbeda-beda. Hal tersebut menyebabkan sulitnya untuk melakukan pengenalan
Lebih 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 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 terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih 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 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 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 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 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 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 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 terperinci100% Akurasi = (11) Lingkungan Pengembangan
Algoritme Dekomposisi Wavelet Dekomposisi wavelet Haar dapat dijelaskan sebagai berikut : 1 Transformasi linear digunakan untuk mengubah ruang warna secara linear menjadi warna dasar. Karena citra yang
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 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 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 terperinciKLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA
KLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA Arina Diori (0722107) Jurusan Teknik Elektro email: arinadiorisinaga@yahoo.com ABSTRAK Buah
Lebih terperincidengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan
dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan.
Lebih terperinciIdentifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ)
Identifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ) Sutarno Rouzan Fiqri Abdullah Rossi Passarella Jurusan Sistem
Lebih 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 Citra Daun Menggunakan Morfologi, Local Binary Patterns dan Convex Hulls
ISSN : 2442-8337 Identifikasi Citra Daun Menggunakan Morfologi, Local Binary Patterns dan Convex Hulls Desta Sandya Prasvita Program Studi Sistem Informasi, STIMIK ESQ Jl. TB Simatupang Kavling 1, Cilandak,
Lebih terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
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 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 terperinciIDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA
IDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
Lebih 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 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 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 terperinciIDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN K-NEAREST NEIGHBOUR DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN M BANGKIT PRATAMA
IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN K-NEAREST NEIGHBOUR DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN M BANGKIT PRATAMA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPENGGABUNGAN FITUR MORFOLOGI, LOCAL BINARY PATTERN VARIANCE, DAN COLOR MOMENTS UNTUK APLIKASI MOBILE IDENTIFIKASI CITRA TUMBUHAN OBAT
PENGGABUNGAN FITUR MORFOLOGI, LOCAL BINARY PATTERN VARIANCE, DAN COLOR MOMENTS UNTUK APLIKASI MOBILE IDENTIFIKASI CITRA TUMBUHAN OBAT MAYANDA MEGA SANTONI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
Lebih terperinciEKSTRAKSI FITUR MENGGUNAKAN ELLIPTICAL FOURIER DESCRIPTOR UNTUK PENGENALAN VARIETAS TANAMAN KEDELAI HERMAWAN SYAHPUTRA
EKSTRAKSI FITUR MENGGUNAKAN ELLIPTICAL FOURIER DESCRIPTOR UNTUK PENGENALAN VARIETAS TANAMAN KEDELAI HERMAWAN SYAHPUTRA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengenalan Wajah Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem keamanan selain pengenalan retina mata, pengenalan sidik jari
Lebih 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 terperinciAPLIKASI PENGENALAN DAUN UNTUK KLASIFIKASI TANAMAN DENGAN METODE PROBABILISTIC NEURAL NETWORK
APLIKASI PENGENALAN DAUN UNTUK KLASIFIKASI TANAMAN DENGAN METODE PROBABILISTIC NEURAL NETWORK 1 Gregorius Satia Budhi 2 Tok Fenny Handayani 3 Rudy Adipranata 1, 2, 3 Teknik Informatika Universitas Kristen
Lebih 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 terperinciIDENTIFIKASI DAUN SHOREA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN NORMALISASI FITUR MORFOLOGI DAUN ALITA WULAN DINI
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN NORMALISASI FITUR MORFOLOGI DAUN ALITA WULAN DINI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciBAB 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 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 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 terperinciBAB II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan
BAB II LANDASAN TEORI 2.1. Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus dan intensitas cahaya pada bidang dwimatra
Lebih terperinciKlasifikasi Tanaman berdasarkan Fitur Bentuk dan Tekstur pada Daun menggunakan Decision Tree
Klasifikasi Tanaman berdasarkan Fitur Bentuk dan Tekstur pada Daun menggunakan Decision Tree Ratih Kartika Dewi Universitas Brawijaya ratihkartikad@ub.ac.id ABSTRAK Pengenalan pola daun untuk klasifikasi
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
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 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 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 terperinciCONTENT BASED IMAGE RETRIEVAL BERDASARKAN CIRI TEKSTUR MENGGUNAKAN WAVELET
CONTENT BASED IMAGE RETRIEVAL BERDASARKAN CIRI TEKSTUR MENGGUNAKAN WAVELET Nana Ramadijanti RG. Computer Vision, Program Studi Teknologi Informasi, Politeknik Elektronika Negri Surabaya E-mail: nana@eepis-its.edu
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 terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Sistem Optik dan Proses Akuisisi Citra Digital 2 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 Bisa dilihat pada slide berikut. SISTEM OPTIK MANUSIA
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciBAB 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 terperinciPROGRAM KREATIVITAS MAHASISWA
PROGRAM KREATIVITAS MAHASISWA Sistem Identifikasi Daun Tanaman Obat dengan Penggabungan Ciri Morfologi, Bentuk, dan Tekstur Menggunakan Probabilistic Neural Network pada Perangkat Mobile Bidang Kegiatan
Lebih terperinciKlasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor
Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor Puspa Rizky Trisnaningtyas 1, Maimunah 2 Program Studi Teknik Komputer Universitas Islam 45 Bekasi, Indonesia
Lebih 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 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 terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
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 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 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 terperinciDAFTAR ISI BAB II TINJAUAN PUSTAKA...4
DAFTAR ISI HALAMAN JUDUL...i PERNYATAAN BEBAS PLAGIARISME...ii HALAMAN PENGESAHAN...iii HALAMAN TUGAS...iv HALAMAN MOTTO...vi KATA PENGANTAR...vii DAFTAR ISI...ix DAFTAR TABEL...xiii DAFTAR GAMBAR...xv
Lebih terperinciOleh: Riza Prasetya Wicaksana
Oleh: Riza Prasetya Wicaksana 2209 105 042 Pembimbing I : Dr. I Ketut Eddy Purnama, ST., MT. NIP. 196907301995121001 Pembimbing II : Muhtadin, ST., MT. NIP. 198106092009121003 Latar belakang Banyaknya
Lebih terperinciABSTRAK. v Universitas Kristen Maranatha
ABSTRAK Tanda tangan merupakan sesuatu yang unik yang dimiliki setiap orang sehingga seringkali dipakai untuk menentukan keabsahan dokumen ataupun transaksi. Akan tetapi tanda tangan menjadi rentan terhadap
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciPENGENALAN DAN PEWARNAAN PADA CITRA GRAY-SCALE ABSTRAK
PENGENALAN DAN PEWARNAAN PADA CITRA GRAY-SCALE NOVIANI KRISNADI/0322064 Email Address: s103novi@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri 65, Bandung 40165, Indonesia
Lebih terperinciBAB 3 METODOLOGI. untuk mengurangi adanya false positive dan false negative. False positive dalam hal ini
34 BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah Dalam proses diagnosis kanker payudara dibutuhkan akurasi yang tinggi untuk mengurangi adanya false positive dan false negative. False positive dalam
Lebih terperinciSISTEM PENGENALAN PENGUCAPAN HURUF VOKAL DENGAN METODA PENGUKURAN SUDUT BIBIR PADA CITRA 2 DIMENSI ABSTRAK
SISTEM PENGENALAN PENGUCAPAN HURUF VOKAL DENGAN METODA PENGUKURAN SUDUT BIBIR PADA CITRA 2 DIMENSI Adhi Fajar Sakti Wahyudi (0722062) Jurusan Teknik Elektro Email: afsakti@gmail.com ABSTRAK Teknologi pengenalan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
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 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 terperinciPENENTUAN LOKASI PARKIR KOSONG MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK (PNN) SKRIPSI JOKO KURNIANTO
PENENTUAN LOKASI PARKIR KOSONG MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK (PNN) SKRIPSI JOKO KURNIANTO 121402102 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
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 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 terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
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 terperinciV HASIL DAN PEMBAHASAN
22 V HASIL DAN PEMBAHASAN 5.1 Karakteristik Video dan Ektraksi Frame Video yang digunakan di dalam penelitian ini merupakan gabungan dari beberapa cuplikan video yang berbeda. Tujuan penggabungan beberapa
Lebih terperinciPENGEMBANGAN ALGORITMA PEMUTUAN EDAMAME MENGGUNAKAN PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN DEDY WIRAWAN SOEDIBYO
PENGEMBANGAN ALGORITMA PEMUTUAN EDAMAME MENGGUNAKAN PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN DEDY WIRAWAN SOEDIBYO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS
Lebih terperinciPERBANDINGAN TINGKAT AKURASI JENIS CITRA KEABUAN, HSV, DAN L*a*b* PADA IDENTIFIKASI JENIS BUAH PIR
PERBANDINGAN TINGKAT AKURASI JENIS CITRA KEABUAN, HSV, DAN L*a*b* PADA IDENTIFIKASI JENIS BUAH PIR Mulia Octavia 1), Jesslyn K 2), Gasim 3) 1), 2),3) Program Studi Teknik Informatika STMIK GI MDP Jl. Rajawali
Lebih 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 terperinciIDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN ASEP HARYONO
IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN ASEP HARYONO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih 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 terperinciEKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX. Abstrak
EKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX Karina Auliasari, Bastian, Bella Fardani, Zulkifli, Ivandi Jurusan Teknik Informatika Fakultas Teknik
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. 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 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 terperinciKONSEP DASAR PENGOLAHAN CITRA
KONSEP DASAR PENGOLAHAN CITRA Copyright @ 2007 by Emy 2 1 Kompetensi Mampu membangun struktur data untuk merepresentasikan citra di dalam memori computer Mampu melakukan manipulasi citra dengan menggunakan
Lebih terperinciIDENTIFIKASI VARIETAS DURIAN BERDASARKAN CITRA DAUN MENGGUNAKAN K NEAREST NEIGHBOR DENGAN EKSTRAKSI TEKSTUR CO-OCCURRENCE MATRIX NELLA SABRINA
IDENTIFIKASI VARIETAS DURIAN BERDASARKAN CITRA DAUN MENGGUNAKAN K NEAREST NEIGHBOR DENGAN EKSTRAKSI TEKSTUR CO-OCCURRENCE MATRIX NELLA SABRINA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. perhitungan LSI dan juga interface yang akan dibuat oleh penulis.
BAB 3 PROSEDUR DAN METODOLOGI Pada Bab ini, penulis akan membahas mengenai prosedur dan metodologi seperti perhitungan LSI dan juga interface yang akan dibuat oleh penulis. 3.1 Sistem CBIR Gambar 3.1 Sistem
Lebih 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 terperinciPengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector Quantization
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3, Maret 2018, hlm. 1313-1317 http://j-ptiik.ub.ac.id Pengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector
Lebih terperinciDedi Argya Nugroho Effendi 1,Erna Zuni Astuti 2 1,2
37 Pengelompokan Jenis Tekstur Kayu Menggunakan K- Nearest Neighbor dan Ekstraksi Fitur Histogram Wood Texture Classification Using K-Nearest Neighbor and Histogram Feature Extraction Dedi Argya Nugroho
Lebih terperinciIV. HASIL DAN PEMBAHASAN
26 IV. HASIL DAN PEMBAHASAN A. Pengukuran Parameter Mutu Jeruk Pontianak Secara Langsung Dari Hasil Pemutuan Manual Pemutuan jeruk pontianak secara manual dilakukan oleh pedagang besar dengan melihat diameter
Lebih terperinciHASIL DAN PEMBAHASAN. Generalisasi =
6 Kelas Target Sidik jari individu 5 0000100000 Sidik jari individu 6 0000010000 Sidik jari individu 7 0000001000 Sidik jari individu 8 0000000100 Sidik jari individu 9 0000000010 Sidik jari individu 10
Lebih terperinciBAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA
BAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA 3.1 Analisis Masalah Jaringan saraf tiruan hopfield merupakan salah satu Algoritma Machine Learning yang dapat mengklasifikasikan suatu objek citra berdasarkan pelatihan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
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 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 I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN Latar Belakang Tanaman merupakan bagian penting dalam ekosistem, berbagai jenis tanaman telah digunakan selama berabad-abad dalam bidang pangan, papan, maupun obat-obatan. Gloria Samantha
Lebih terperinciFERY ANDRIYANTO
SISTEM ANALISA IMAGE PROCESSING UNTUK MENCARI KEMIRIPAN PADA TEKSTUR WARNA KULIT MANUSIA MENGGUNAKAN HISTOGRAM WARNA SKRIPSI Oleh : FERY ANDRIYANTO 0734010123 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI
Lebih terperinciAPLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK
APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK Arwin Halim 1, Hardy 2, Alvin Yufandi 3, Fiana 4 Program Studi Teknik Informatika, STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan
Lebih terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
Lebih terperinciIMPLEMENTASI ALGORITMA RANDOM FORESTS UNTUK KLASIFIKASI SPAM PADA CITRA DAN TEXT INSTAGRAM TUGAS AKHIR
IMPLEMENTASI ALGORITMA RANDOM FORESTS UNTUK KLASIFIKASI SPAM PADA CITRA DAN TEXT INSTAGRAM TUGAS AKHIR RIZKY NOVRIYEDI PUTRA 1132001001 PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS
Lebih terperinci