Sistem Klasifikasi dan Penomoran Posteriror Dental Radiography Menggunakan Support Vector Machine dengan Fitur Mesiodistal Neck
|
|
- Yohanes Cahyadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) Sistem Klasifikasi dan Penomoran Posteriror Dental Radiography Menggunakan Support Vector Machine dengan Fitur Mesiodistal Neck Ahmad Mustofa Hadi, Agus Zainal A, Anny Yuniarti Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember Jl. Arief Rahman Hakim, Surabaya agusza@ cs.its.ac.id Abstrak Bidang Dental Radiography memiliki tantangan untuk mengidentifikasi gigi secara tepat. Identifikasi gigi adalah sebuah kontribusi utama untuk domain lain, seperti halnya forensic bahkan biomedis. Paper ini bertujuan untuk membuat sistem klasifikasi gigi yang mampu mengenali gigi molar (geraham belakang) dan premolar (geraham depan). Sebuah pendekatan dengan Support Vector Machine diusulkan dengan sebuah fitur baru Lebar Mesiodistal Neck. Fitur ini merupakan solusi untuk foto gigi yang tidak sempurna (mahkota akar gigi). Sebelum klasifikasi dilakukan, beberapa perbaikan citra dilakukan dengan morphological operation, contrast adaptive, dan tresholding. Untuk meningkatkan akurasi dari klasifikasi maka dilakukan juga penomoran dan pemeriksaan ulang susunan gigi. Sistem yag dibangun menunjukan nilai akurasi hingga 90%. Pendekatan yang digunakan tangguh dan optimal untuk mengatasi permasalahan identifikasi foto gigi. Kata Kunci Dental Radiography, Dental Numbering, Mesiodistal, Support Vector Machine. P I. PENDAHULUAN ada bidang forensik, gigi merupakan salah satu elemen penting untuk identifikasi korban. Gigi memiliki karakteristik khusus yang dapat digunakan untuk mengidentifikasi korban secara akurat. Identifikasi menggunakan gigi untuk beberapa kasus merupakan sebuah alternatif terbaik, karena tidak ditemukan bagian tubuh lain yang mampu memberikan informasi valid mengenai korban, misalkan pada kasus pemboman atau tsunami. Pada kasuskasus tersebut umumnya tubuh manusia mengalami kerusakan yang fatal, kecuali pada beberapa bagian yang memang cukup kuat seperti halnya gigi. Oleh karena itu gigi dipilih sebagai faktor identifikasi yang membantu investigasi bidang forensik. Tahap pertama yang harus dilakukan sebelum menggunakan gigi sebagai faktor indentifikasi manusia adalah mengklasifikannya. Klasifikasi terhadap gigi menjadi suatu tahap penting karena masing-masing gigi menyimpan informasi yang berbeda terhadap pemiliknya. Oleh karena itu, klasifikasi harus dilakukan diikuti dengan ekstraksi informasi dari gigi terkait, dimana dalam sistem ini akan digunakan gigi molar dan premolar. Beberapa penelitian telah dilakukan untuk menyelesaikan permasalahan klasifikasi gigi. Referensi [1] telah memperkenalkan sebuah pendekatan untuk mengklasifikasikan dan memberi nomor pada citra bitewing. Pendekatan yang diusulkan menggunakan metode klasifikasi Bayes untuk membedakan antara gigi molar dan premolar, dan metode penomoran sesuai standar internasional penomoran gigi. Metode klasifikasi yang digunakan menggunakan fitur fourier descriptor dari citra gigi. Pendekatan yang diusulkan dapat melakukan klasifikasi secara baik namun dengan berbagai batasan. Metode tersebut gagal untuk mengklasifikasikan gigi yang tidak memiliki bagian utuh, misalkan akar gigi. Penggunaan fourier descriptor pada kontur gigi memiliki batasan pada kondisi mahkota gigi molar dan premolar yang identic pada beberapa citra. Sehingga cukup susah dibedakan antara molar dan premolar menggunakan fitur ini. Error yang ditemukan akan memberikan dampak yang besar pada proses penomoran, karena dapat terjadi kesalahan identifikasi gigi. Sebuah pendekatan diusulkan untuk menangani kelemahan dari metode sebelumnya [2][3]. Pada pendekatan ini diajukan sebuah metode dengan Support Vector Machine (SVM) sebagai metode klasifikasi menggantikan bayes. Metode SVM ini menggunakan rasio panjang-lebar gigi sebagai fitur. Metode ini secara umum memberikan hasil yang optimal kecuali pada beberapa kondisi citra yang tidak memiliki akar secara sempurna sehingga fitur panjang menjadi kurang valid. Pada paper ini disajikan implementasi menggunakan pendekatan klasifikasi SVM dengan fitur Mesiodistal Neck [4]. Pendekatan ini diajukan karena mesiodistal mampu merepresentasikan informasi gigi meskipun citra tersebut tidak mengandung akar gigi. Fitur yang dipilih juga digunakan pada citra panoramic tidak hanya bitewing untuk membuktikan tingkat ketangguhan dari sistem yang diimplementasikan. Penjelasan detil mengenai metode ini akan disampaikan pada bab berikutnya. Penjelasan meliputi mengenai metode yang diusulkan, penjelasan masing-masing tahap dan analisis hasil percobaan dan terahir adalah kesimpulan dari implementasi metode. II. METODE Inti dari sistem implemetasi ini adalah klasifikasi namun sebelum mencapai tahap klasifikasi, beberapa langkah preprocess perlu dilakukan agar hasil klasifikasi bisa didapatkan sesuai ekspektasi. Gambaran umum dari metode yang digunakan ditunjukan oleh Gambar 1.
2 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) A. Segmentasi Citra Gigi Terdapat tiga langkah utama yang harus dilakukan untuk melakukan proses segmentasi citra. Langkah-langkah untuk mendapatkan fitur citra yang diharapkan adalah sebagai berikut a. Perbaikan Citra Perbaikan citra merupakan salah satu langkah penting yang harus diimplementasikan. Hal tersebut dikarenakan akurasi dari klasifikasi sangat ditentukan oleh kondisi citra masukan. Proses ini membuat citra masukan pada kondisi seideal yang diharapkan untuk mendapatkan fitur yang sesuai. Untuk melakukan hal tersebut, beberapa metode perbaikan digunakan, misalkan Top-Bottom Hat morphology untuk mengurasi noise dan Contrast-Limited Adaptive Histogram(CLAHE) untuk menyelaraskan distribusi tingkat kekontrasan dari citra. b. Binerisasi Citra Pada tahap ini, citra gray level yang telah mengalami perbaikan citra, dirubah menjadi citra biner. Proses ini dilakukan untuk membedakan antara background dan foreground, dan juga untuk mengetahui bagian-bagian gigi yang tidak memiliki kontribusi signifikan dalam proses Sebuah metode adaptive tresholding dipilih untuk mendapatkan citra biner. Sebagai tambahan, dilakukan beberapa operasi morphological seperti closing dan opening yang digunakan untuk memperhalus kontur dan mengurangi noise. c. Pemisahan Gigi Pemisahan gigi dilakukan dengan menggunakan metode Integral Projection. Langkah ini bertujuan untuk mendapatkan ROI (Region of Interest) yaitu daerah masingmasing gigi. Pemisahan yang dilakukan meliputi pemisahan rahang dengan algoritma Horizontal Integral Projection dan pemisahan masing-masing gigi menggunakan Vertical Integral Projection. Connected component digunakan untuk mendapatkan region masing-masing gigi yang telah terpisah. B. Klasifikasi Citra Gigi Tujuan utama dari paper ini adalah mendesain sebuah model klasifikasi dengan menggunakan support vector machine yang digunakan untuk mengidentifikasi kelas dari gigi dan nomor yang sesuai. Pada paper ini diperkenalkan sebuah fitur Mesiodistal Neck untuk mendukung proses Sebelum penjelasan mengenai bagaimana cara mengklasifikasi, penjelasan mengenai Mesiodistal Neck perlu diperhatikan. Sebuah Mesiodistal Neck merupakan sebuah garis diantara cementum dan enamel yang memisahkan antara mahkota dan akar gigi. Mesiodistal cenderung lebih stabil terhadap penuaan maupun penyakit gusi. Beberapa penelitian hanya menggunakan mahkota gigi padahal diketahui beberapa gigi memiliki mahkota yang mirip. Pada kasus seperti keberhasilan sistem sangat tergantung pada mahkota. Sebagaimana juga mahkota, akar gigi pada beberapa kasus juga mempunyai batasan. Akar gigi cenderung kabur dan tidak berbeda secara signifikan dengan daerah gusi. Mesiodistal diilustrasikan pada Gambar 2. a. Deteksi Mesiodistal Neck Leher gigi (Mesiodistal) terletak pada pada mahkota gigi dengan lebar terkecil namun pada akar dengan lebar terbesar. Dengan kata lain, mesiodistal berada pada batas antara mahkota dan akar. Lebar gigi cenderung stabil mulai pada bagian sepertiga dari bawah, dan mulai berubah pada mesiodistal. Gigi secara normal akan membentuk sudut 90 terhadap sumbu vertikal sehingga dapat dideteksi dengan mudah daerah mesiositalnya. Namun pada beberapa kasus, gigi tersebut tidak membentuk sudut yang seharusnya. Oleh karena itu, rotasi pada gigi yang tidak vertikal diperlukan untuk mendapatkan fitur yang sesuai. Langkah pertama yang harus dilakukan adalah menghitung sudut yang dibentuk oleh gigi terhadap sumbu x. Sudut tersebut akan dirubah menjadi 90 atau -90 untuk menjadikan gigi tersebut vertikal. Jika sudut α yang dibentuk kurang dari 0 maka sudut tersebut akan diputar hingga menjadi -90 begitu sebaliknya jika sudut yang dibentuk lebih dari 0. Pendekatan ini menjadikan pengambilan titik mesiodistal lebih valid. Gambar 1. Diagram alur
3 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) Gambar 2. Penjelasan Mesiodistal Neck [3] Setelah didapatkan sebuah gigi yang vertikal, lebar mesiodistal dapat dihitung dengan Persamaan 1 sehingga didapatkan sekumpulan nilai lebar yang nantinya akan diseleksi sebagai mesiodistal. (1) Sebuah linier SVM dijelaskan dalam langkah sebagai berikut. Pertama dipilih N data, (x i,y i )(i=1,..,n), secara random dari keseluruhan dataset sebagai data training untuk mencari w* dan b* optimal. Hal tersebut untuk membentuk w* x+ b* = 0 sebagaimana hingga berada pada posisi yang paling jauh diantara kedua kumpulan data yang ingin dipisah (molar atau premolar). Training tersebut yang kemudian dikenal sebagai support vectors (x,y)s, dimana untuk kelas pertama B1 : w x+ b = 1 dan kelas kedua B2 : w x+ b = -1. Hyperplane w x+ b = 0 dikenal sebagai batas untuk pengambilan keputusan Masing-masing data training dinyataan dalam tuple (x i,y i )(i=1,..,n), dimana x i =(x i1,x i2,,x id ) T representasi feature vector (luas area gigi, lebar mesiodistal gigi) T, and y i ε {1, -1} menyatakan kelas dari gigi, i.e., molar atau premolar. Model binary linear SVM ini dapat dinyatakan dengan w* and b* yang dihitung sesuai Persamaan 2 dan 3. (2) 1 i max row i adalah indeks baris pada citra, maksimum dan minimum indeks kolom pada sebuah baris ke-i, ditunjukan dengan Max(y i ) dan Min (y i ). Kumpulan lebar yang telah didapatkan kemudian direpresentasikan kedalam sebuah histogram. Karakteristik mesiodistal seperti yang telah dijelaskan pada bagian sebelumnya, merupakan dasar untuk proses seleksi lebar mesiodistal yang sesuai. Pada histogram Gambar 3 terdapat beberapa titik ekstrim. Mesiodistal merupakan titik ekstrim setelah sekumpulan titik yang cenderung stabil dan terletak diantar mahkota dan akar gigi. Dengan menggunakan algoritma untuk menemukan titik ekstrim dapat ditemukan titik-titik ekstrim tersebut kemudian dipilih titik ekstrim yang paling rendah pada bagian tengah gigi. Lebar yang ditemukan digunakan sebagai nilai mesiodistal dan posisinya disimpan untuk menggambarkan garis leher gigi sebagai representasi visual. Setelah melakukan perhitungan mesiodistal pada seluruh objek maka proses klasifikasi dapat dilakukan. b. Metode Klasifikasi Pada paper ini, sebuah supervised learning digunakan untuk mengklasifikasikan gigi menjadi molar atau premolar. Support Vector Machine (SVM) dipilih karena ketangguhannya namun cukup sederhana secara implementasi. Ide dasar dari SVM adalah mentransfer data menjadi sebuah representasi bidang 2D kemudian mencari sebuah pemisah antara kumpulan data tersebut. Data diasumsikan sebagai data yang dapat dipisahkan SVM secara linier dan kemudian akan diuji pada tahap selanjutnya apakah data tersebut benar-benar terpisah secara linier. Secara umum SVM digambarkan sebagai sebuah vector yang memenuhi persamaan, w x +b= 0, dimana w sebuah vektor normal and b/ w adalah jarak antara hyperplane terhadap data asal. Dimana α adalah Lagrange multiplier sehingga dapat dimaksimalkan, konstrain yang harus dipenuhi adalah dan ; B adalah sebuah matrix dimana B ij = y i y j x i.x j, dan S kumuplan dari support vector yang memiliki nilai. SVM terdiri dari proses training dan proses testing. Pada tahap ini langkah training telah diselesaikan, sehingga langkah testing bisa dilakukan. Setiap data pada kumpulan datatest harus dilabeli dengan molar atau premolar berdasarkan persamaan y. y = sgn(w* x + b*) adalah fungsi sign dan x adalah data test. Setiap datatest yang nilai y >0 maka akan dikelompokan kedalam kelas molar, dan sebaliknya akan menjadi kelompok premolar. Gambar 3. Representasi lebar gigi perbaris dengan tanda merah sebagai kandidat titik mesiodistal (3)
4 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) c. Penomoran Gigi Penomoran gigi merupakan proses untuk memberikan sebuah nomor unik untuk setiap gigi yang terdapat pada citra. Nomor tersebut berdasarkan sistem penomoran universal (dimulai dari 1 hingga 32). Metode yang digunakan adalah mencocokan pola groundtruth dengan pola yang didapatkan pada proses Pola pada groundtruth telah memiliki nomor untuk masing-masing gigi, yang harus dilakukan adalah memeriksa pola yang ditemukan memiliki kemiripan dengan bagian mana dari ground truth. Dalam proses ini juga dilakukan pemeriksaan apakah gigi yang didapatkan mebentuk urutan secara sekuensial atau tidak. Pola M-P-M bukan sebuah pola yang valid, sehingga saat dicocokan dengan pattern pada groundtruth maka pola groundtruth yang termirip yang digunakan dan tentu saja tidak M-P-M namun P-P-M atau mungkin M-P-P tergantung pada kasusnya. III. HASIL DAN PEMBAHASAN Sistem ini telah diuji menggunakan 15 citra gigi dimana terdapat 110 gigi tunggal dengan jumlah molar 60 dan premolar 50. Dalam proses ujicoba terdapat tiga proses utama yang dianalisa, yaitu segmentasi, klasifikasi dan penomoran gigi. A. Segmentasi Dapat disimpulkan bahwa algoritma segmentasi telah cukup bagus sesuai dengan akurasi yang dihasilkan. Pada sistem ini, 95% dari total gigi dapat dipisahkan dan dikenali. Pada beberapa kasus yang gagal, seperti ditunjukan pada Gambar 4, faktor utama adalah kondisi gigi yang memiliki intensitas yang cukup mirip dengan gusi sehingga sulit untuk dibedakan. Setelah ROI didapatkan, mesiodistal dihitung dengan contoh hasil mesiodistal ditampilkan dalam Gambar 5. Gambar tersebut menunjukan bahwa sistem telah mampu menemukan mesiodistal sesuai dengan karakteristik yang diharapkan. Gambar 4. (a) and (c) contoh input dan output citra tidak tersegmentasi sempurna, (b) and (d) tersegmentasi sempurna. Gambar 5. a) Mesiodistal untuk gigi Maxilla, 4b) untuk gigi mandibular. B. Klasifikasi Klasifikasi sebagai bagian inti dari sistem ini menunjukan hasil yang memuaskan. Sistem dapat mengklasifikasi secara benar 99 gigi dari 110 total gigi yang tersegmentasi. 54 molar dapat terklasifikasi dari 60 and 45 premolar terklasifikasi dengan benar dari 50 premolar. Detil akurasi ditunjukan pada Tabel 1. Beberapa kasus tidak normal ditemukan selama proses Beberapa citra yang tidak tersegmentasi secara sempurna tentu menyebabkan klasifikasi yang kurang valid, sehingga mengurangi nilai akurasi dari sistem. Secara umum, citra dapat dikenali dengan benar. Beberapa kasus yang ditemukan ditunjukan dalam Gambar 6. Beberapa gigi yang memiliki ukuran yang hampir sama, sangat dimungkinkan untuk gigi-gigi tersebut; terletak pada area didalam margin Hyperplane, atau bahkan terjadi salah c) d) c) d) Gambar 6. a) Normal. b) Gagal segmentasi beberapa gigi, c) Gigi 14 gagal klasifikasi d) gagal segmentasi dan terdapat pola ambigu (MM).
5 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) Tabel 1. Akurasi Proses Klasifikasi. Method Teeth Pre Molar 87% 90% Premolar 88% 90% Total 87.5% 90% C. Penomoran Gigi Final DAFTAR PUSTAKA [1] MohammadH. Mahoor, Mohamed Abdel-Mottaleb, Classifcation and numbering of teeth in dental bitewing images, Elsevier, 2005, 38 : [2] P.L.Lin, YH.Lai, P.W.Huang, An effective classification and numbering system for dental bitewing radiographs using teeth region and contour infonnation, Patter Recognition, [3] Anny Yuniarti, Anindhita Sigit Nugroho, Bilqis Amaliah, Agus Zainal Arifin, Classification and Numbering of Dental Radiographs for An Automated Human Identification System, Telkomnika Journal, Vol.10 No.1 Apr [4] Faraein Aeini, Fariborz Mahmou, Classifcation and numbering of posterior teeth in bitewing dental images, 3rd International Conference on Advanced Computer Theor and Engineering(CTE), Algoritma yang digunakan pada penomoran gigi memberikan dampak positif pada hasil Data yang sama diujicoba untuk proses penomoran dan menghasilkan nilai 86%. Hal tersebut dikarenakan ada beberapa pattern hasil klasifikasi yang dianggap ambigu, sehingga terjadi salah penomoran. Misalkan, pola MM sulit dibedakan antara bagian dari PPPMMM, PPPMMM atau bahkan mungkin posisi yang lain. Meskipun masih ditemukan kekurangan, namun secara umum metode ini meningkatkan akurasi klasifikasi. Jika terdapat pola-pola yang aneh misalkan PMPMM, menurut algoritma ini, patter ini akan dirubah menjadi patter yang seharusnya yaitu PPPMMM. Oleh karena itu, proses penomoran ini dapat meningkatkan akurasi klasifikasi hingga 3% seperti pada Tabel 1. IV. KESIMPULAN Segmentasi, klasifikasi dan penomoran gigi merupakan kontribusi penting untuk Dental Radiography bahkan penelitian forensik. Sistem identifikasi korban bencana secara otomatis mutlak dibutuhkan, dengan tingkat kecepetan dan akurasi yang tinggi. Pada paper ini, kami megusulkan pendekatan klasifikasi gigi menggunakan lebar mesiodistal neck. Perbaikan citra gigi menggunakan homomorphic filtering dan contrast enhancement dijelaskan pada bagian awal metodologi. Perbaikan citra tersebut dilanjutkan dengan adaptive threshold untuk mentransfer gray image menjadi binary. Integral projection dipilih sebagai cara untuk memisahkan masing-masing gigi dan mendapatkan ROI. Pendekatan utama dalam menemukan mesiodistal juga telah dijelaskan pada bab sebelumnya. Algoritma yang diusulkan telah memberikan nilai akurasi dengan beberapa kasus yang ditemukan. Sistem mampu menangani noise dan memisahkan gigi menjadi molar atau premolar dengan akurasi 90% dan sebagian besar gigi dapat dinomori secara tepat. Citra dengan kondisi yang kabur dan gray level yang kurang jelas masih harus diteliti untuk mendapatkan akurasi yang lebih tinggi lagi. Beberapa kasus yang belum ditemukan dalam penelitian ini merupakan tantangan besar untuk penelitian selanjutnya.
Segmentasi Dan Pelabelan Pada Citra Panoramik Gigi
Segmentasi Dan Pelabelan Pada Citra Panoramik Gigi Nur Nafi iyah 1, Yuliana Melita, S.Kom, M.Kom 2 Program Pascasarjana Sekolah Tinggi Teknik Surabaya Email: nafik_unisla26@yahoo.co.id 1, ymp@stts.edu
Lebih terperinciKLASIFIKASI GIGI MOLAR DAN PREMOLAR PADA DENTAL PANORAMIC RADIOGRAPH
SEMINAR TUGAS AKHIR PERIODE JANUARI 2010 KLASIFIKASI GIGI MOLAR DAN PREMOLAR PADA DENTAL PANORAMIC RADIOGRAPH Evan Yofiyanto Agus Zainal Arifin Bilqis Amaliah Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciPEMISAHAN GIGI PADA DENTAL PANORAMIC RADIOGRAPH DENGAN MENGGUNAKAN INTEGRAL PROJECTION YANG DIMODIFIKASI
Vol. 6, No. 2, Juli 2011 ISSN 0216-0544 PEMISAHAN GIGI PADA DENTAL PANORAMIC RADIOGRAPH DENGAN MENGGUNAKAN INTEGRAL PROJECTION YANG DIMODIFIKASI a Bilqis Amaliah, b Anny Yuniarti, c Anindita Sigit Nugroho,
Lebih terperinciPEMISAHAN GIGI PADA DENTAL PANORAMIC RADIOGRAPH DENGAN MENGGUNAKAN INTEGRAL PROJECTION YANG DIMODIFIKASI
Vol. 6, No. 2, Juli 2011 ISSN 0216-0544 PEMISAHAN GIGI PADA DENTAL PANORAMIC RADIOGRAPH DENGAN MENGGUNAKAN INTEGRAL PROJECTION YANG DIMODIFIKASI a Bilqis Amaliah, b Anny Yuniarti, c Anindita Sigit Nugroho,
Lebih terperinciBAB 3 METODOLOGI. melakukan pengamatan dan analisis dari gambar yang didapat. Untuk bisa mendapatkan
BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah 3.1.1 Analisis Kebutuhan Dalam melakukan analisa gambar mammogram, biasanya dokter secara langsung melakukan pengamatan dan analisis dari gambar yang
Lebih terperinciImplementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector Machine
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-346 Implementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector
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 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 terperinciBINERISASI CITRA DOKUMEN DENGAN FILTERISASI HOMOMORPHIC
BINERISASI CITRA DOKUMEN DENGAN FILTERISASI HOMOMORPHIC Naser Jawas STMIK STIKOM BALI naser.jawas@stikom-bali.ac.id Abstrak Binerisasi citra dokumen adalah sebuah langkah awal yang sangat penting dalam
Lebih terperinciModifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-5 1 Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram Shabrina Mardhi Dalila, Handayani Tjandrasa, dan Nanik
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 terperinciDETEKSI DAN SEGMENTASI OTOMATIS DERET PADA CITRA METERAN AIR
DETEKSI DAN SEGMENTASI OTOMATIS DERET PADA CITRA METERAN AIR Naser Jawas STIKOM Bali Jl. Raya Puputan, No.86, Renon, Denpasar, Bali Email: naser.jawas@gmail.com ABSTRAK Meter air adalah sebuah alat yang
Lebih terperinci1 BAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi dibidang transportasi darat khususnya kendaraan bermotor, semakin membantu masyarakat penggunanya, sehingga menjadikan kendaraan bermotor sebagai
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker adalah suatu penyakit dimana terjadi pertumbuhan berlebihan atau perkembangan tidak terkontrol dari sel-sel jaringan pada bagian tubuh tertentu. Kanker payudara
Lebih terperinciReview Paper. Image segmentation by histogram thresholding using hierarchical cluster analysis
Review Paper Image segmentation by histogram thresholding using hierarchical cluster analysis Agus Zainal Arifin a,*, Akira Asano b a Graduate School of Engineering, Hiroshima University, 1-4-1 Kagamiyama,
Lebih terperinciIMPLEMENTASI METODE BERBASIS MULTISCALE FEATURE EXTRACTION UNTUK SEGMENTASI PEMBULUH DARAH CITRA RETINA RED-FREE DAN FLUORESCEIN
IMPLEMENTASI METODE BERBASIS MULTISCALE FEATURE EXTRACTION UNTUK SEGMENTASI PEMBULUH DARAH CITRA RETINA RED-FREE DAN FLUORESCEIN Dosen Pembimbing Dr. Agus Zainal Arifin, S.Kom., M.Kom. Dosen Pembimbing
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 terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciSISTEM PENGENALAN BUAH ON-LINE MENGGUNAKAN KAMERA
SISTEM PENGENALAN BUAH ON-LINE MENGGUNAKAN KAMERA Nana Ramadijanti, Achmad Basuki Politeknik Eletronika Negeri Surabaa, Institut Teknologi Sepuluh Nopember Surabaa Kampus PENS-ITS, Keputih, Sukolilo, Surabaa
Lebih terperinciSegmentasi Citra menggunakan Support Vector Machine (SVM) dan Ellipsoid Region Search Strategy (ERSS) Arimoto Entropy berdasarkan Ciri Warna dan Tekstur Lukman Hakim 1, Siti Mutrofin 2, Evy Kamilah Ratnasari
Lebih terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciImplementasi Deteksi Copy-move Forgery pada Citra menggunakan Metode Histogram of Oriented Gradients (HOG)
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Deteksi Copy-move Forgery pada Citra menggunakan Metode Histogram of Oriented Gradients (HOG) Ni Luh Made Asri Mulyasari,
Lebih terperinciPERBAIKAN CITRA UNTUK PENGENALAN WAJAH PADA CITRA WAJAH DENGAN PENCAHAYAAN TIDAK MERATA
PERBAIKAN CITRA UNTUK PENGENALAN WAJAH PADA CITRA WAJAH DENGAN PENCAHAYAAN TIDAK MERATA Naser Jawas STMIK STIKOM Bali Jl Raya Puputan no.86, Renon, Denpasar 80226 Email : naser.jawas@stikom-bali.ac.id1)
Lebih terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah
BAB 3 METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Prosesor Intel (R) Atom (TM) CPU N550
Lebih terperinciBAB III METODE YANG DIUSULKAN
BAB III METODE YANG DIUSULKAN Pada bab ini akan dijelaskan tentang metode pengenalan manusia dengan menggunakan citra dental radiograph yang diusulkan oleh peneliti. Pengenalan ini akan dilakukan dalam
Lebih terperinciPENGENALAN POLA MARGINS TULISAN TANGAN UNTUK MENGIDENTIFIKASI KARAKTER SESEORANG MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM)
PENGENALAN POLA MARGINS TULISAN TANGAN UNTUK MENGIDENTIFIKASI KARAKTER SESEORANG MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) Adiatandy Geovani (0722091 ) Jurusan Teknik Elektro email: adiatandy.mail@gmail.com
Lebih terperinciFAKULTAS TEKNIK (FT) PROGRAM TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI 2016
DETEKSI KEMUNCULAN BULAN SABIT MENGGUNAKAN METODE CIRCULAR HOUGH TRANSFORM ARTIKEL Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Deteksi wajah pada suatu citra merupakan bagian yang penting dalam perkembangan sistem pengenalan wajah (Face Recognition). Pengenalan wajah banyak digunakan untuk
Lebih terperinciKOMBINASI METODE MORPHOLOGICAL GRADIENT DAN TRANSFORMASI WATERSHED PADA PROSES SEGMENTASI CITRA DIGITAL
KOMBINASI METODE MORPHOLOGICAL GRADIENT DAN TRANSFORMASI WATERSHED PADA PROSES SEGMENTASI CITRA DIGITAL Rudy Adipranata Universitas Kristen Petra Jl. Siwalankerto 121-131, Surabaya. Telp. (031) 8439040
Lebih terperinciIMPLEMENTASI SEGMENTASI PEMBULUH DARAH RETINA PADA CITRA FUNDUS MATA BERWARNA MENGGUNAKAN PENDEKATAN MORFOLOGI ADAPTIF
IMPLEMENTASI SEGMENTASI PEMBULUH DARAH RETINA PADA CITRA FUNDUS MATA BERWARNA MENGGUNAKAN PENDEKATAN MORFOLOGI ADAPTIF Dini Nuzulia Rahmah 1, Handayani Tjandrasa 2, Anny Yuniarti 3 Teknik Informatika,
Lebih terperinciPERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA
PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA Naser Jawas Sistem Komputer STMIK STIKOM Bali Jl Raya Puputan No.86 Renon, Denpasar, Bali 80226
Lebih terperinciBAB IV UJI COBA DAN ANALISIS
BAB IV UJI COBA DAN ANALISIS Bab ini tersusun atas penjelasan hasil uji coba terhadap Sistem Pencocokan Dental yang dikembangkan beserta analisis hasil uji coba. Pengujian dan analisis dilakukan untuk
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN SISTEM
BAB 3 ANALISA DAN PERANCANGAN SISTEM 3.1 Analisa Program Aplikasi Dalam proses identifikasi karakter pada plat nomor dan tipe kendaraan banyak menemui kendala. Masalah-masalah yang ditemui adalah proses
Lebih terperinciPenjejakan Objek Visual berbasis Algoritma Mean Shift dengan menggunakan kamera Pan-Tilt
Penjejakan Objek Visual berbasis Algoritma Mean Shift dengan menggunakan kamera Pan-Tilt Sulfan Bagus Setyawan 1, Djoko Purwanto 2 Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember 1 sulfan13@mhs.ee.its.ac.id
Lebih terperinciJurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya
Pengenalan Wajah Menggunakan Metode Adjacent Pixel Intensity Difference Quantization Histogram Generation Oleh : ANDIK MABRUR 1206 100 716 Dosen Pembimbing : Drs. Soetrisno, MI.Komp. Jurusan Matematika
Lebih terperinciPENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN
PENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN 1008605032 JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciSegmentasi Bagian Paru-Paru di Citra 2D CT-Scan
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Segmentasi Bagian Paru-Paru di Citra 2D CT-Scan Naser Jawas STIKOM Bali Jl. Raya Puputan no.86 Renon Denpasar e-mail: naser.jawas@stikom-bali.ac.id
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 terperinciBAB 2 LANDASAN TEORI. metode yang digunakan sebagai pengawasan kendaraan yang menggunakan pengenalan
BAB 2 LANDASAN TEORI 2.1 Automatic Number Plate Recognition Automatic Number Plate Recognition atau yang disingkat dengan ANPR adalah metode yang digunakan sebagai pengawasan kendaraan yang menggunakan
Lebih terperinciOleh Yuli Wijayanti. Dosen Pembimbing : 1. Bilqis Amaliah, S.Kom, M.Kom 2. Anny Yuniarti, S.Kom, M.Com.Sc
Oleh Yuli Wijayanti Dosen Pembimbing : 1. Bilqis Amaliah, S.Kom, M.Kom 2. Anny Yuniarti, S.Kom, M.Com.Sc TEKNIK INFORMATIKA-ITS 26 JULI 2010 Latar Belakang Segmentasi gambar merupakan salah satu faktor
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Dalam penelitian ini diperlukan sebuah desain dan metode penelitian agar dalam pelaksanaaannya dapat menjadi lebih teratur dan terurut. 3.1. Desain Penelitian Bentuk dari desain
Lebih terperinci2 BAB II TINJAUAN PUSTAKA
9 2 BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terkait Secara umum penelitian pengenalan plat nomor kendaraan terdiri dari tiga tahapan [1][7][11], yaitu deteksi plat nomor kendaraan, segmentasi karakter,
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
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 terperinciSISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON
30 BAB IV SISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON 4.1 Gambaran Umum Sistem Diagram sederhana dari program yang dibangun dapat diilustrasikan dalam diagram konteks berikut. Gambar
Lebih terperinciDeteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna
F7 bentuk [5]. Pendekatan berbasis bentuk bibir menggunakan Deteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna Shinta Puspasari, STMIK lobal Informatika MDP Abstrak Metode yang
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Pada bab ini akan dibahas mengenai teori pendukung dan penelitian sebelumnya yang berhubungan dengan metode ekstraksi fitur, serta metode klasifikasi Support Vector Machine dalam
Lebih terperinciBAB 4 UJI COBA DAN EVALUASI
BAB 4 UJI COBA DAN EVALUASI 4.1 Data dan Metode Pengujian Pada bagian ini akan dijelaskan mengenai data yang digunakan dalam proses penelitian yang dilakukan oleh penulis. Selain itu, akan dilakukan juga
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini menggunakan jenis penelitian eksperimen, dengan tahapan penelitian sebagai berikut: 3.1 Pengumpulan Data Tahap ini merupakan langkah awal dari penelitian. Dataset
Lebih terperinciPENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR
PENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR Angga Lisdiyanto (1), Lukman Zaman P.C.S.W (2) Teknik Informatika, Universitas Islam Lamongan (1) Teknik Informatika, Sekolah
Lebih terperinciDeteksi Citra Objek Lingkaran Dengan Menggunkan Metode Ekstraksi Bentuk Circularity
54 Integer Journal, Vol 1, No 1, Maret 2016: 54-59 Deteksi Citra Objek Lingkaran Dengan Menggunkan Metode Ekstraksi Bentuk Circularity Hendro Nugroho Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Kanker payudara merupakan salah satu penyebab kematian yang sering dialami oleh wanita pada usia lanjut. Tercatat bahwa pada tahun 2011, terdapat lebih
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Forensik Odontologi Forensik odontologi adalah cabang ilmu kedokteran gigi yang mempelajari cara penanganan dan pemeriksaan benda bukti gigi serta cara evaluasi dan presentasi
Lebih terperinciBAB III PERANCANGAN SISTEM. Pada dewasa sekarang ini sangat banyak terdapat sistem dimana sistem tersebut
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Pada dewasa sekarang ini sangat banyak terdapat sistem dimana sistem tersebut sudah terintegrasi dengan komputer, dengan terintegrasinya sistem tersebut
Lebih terperinciDAFTAR ISI HALAMAN PERSETUJUAN... III PERNYATAAN... IV PRAKATA... V DAFTAR ISI... VI DAFTAR GAMBAR... IX DAFTAR TABEL... XII INTISARI...
DAFTAR ISI HALAMAN PERSETUJUAN... III PERNYATAAN... IV PRAKATA... V DAFTAR ISI... VI DAFTAR GAMBAR... IX DAFTAR TABEL... XII INTISARI... XIV ABSTRACT...XV BAB 1 PENDAHULUAN... 1 1.1. Latar Belakang Masalah...
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Digital [3] Citra atau gambar didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y), di mana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap
Lebih terperinciDETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ. Muhammad Imron Rosadi 1
DETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ Muhammad Imron Rosadi 1 Prodi Teknik Informatika, Universitas Yudharta Pasuruan Purwosari 67162 Pasuruan Jawa Timur 1 Email : Imron_uyp@yahoo.com ABSTRAK
Lebih terperinciSYSTEMIC Vol. 1, No. 1, Agustus 2015, PENGENALAN CATATAN PENJUALAN MENGGUNAKAN PENGENALAN ANGKA BERBASIS KORELASI.
SYSTEMIC Vol. 1, No. 1, Agustus 2015, 14-19 PENGENALAN CATATAN PENJUALAN MENGGUNAKAN PENGENALAN ANGKA BERBASIS KORELASI Ahmad Yusuf 1) 1) Fakultas Sains dan Teknologi, Universitas Islam Negeri Sunan Ampel
Lebih terperinciPerbaikan Citra X-ray Gigi Menggunakan Contrast Stretching
Perbaikan Citra X-ray Gigi Menggunakan Contrast Stretching Ima Kurniastuti 1, Tri Deviasari Wulan 1, I Ketut Eddy Purnama 2, Mauridhi Hery Purnomo 2, Margareta Rinastiti 3, Fatmala Agustina 1 1 Sistem
Lebih terperinciDeteksi Mobil Menggunakan Histogram of Oriented Gradient
Deteksi Mobil Menggunakan Histogram of Oriented Gradient Cahyo Permata 2207100167 Dosen Pembimbing : DR. I Ketut Eddy Purnama, ST.,MT. Muhtadin, ST.,MT.,Msc. Latar Belakang Pemanfaatan teknologi deteksi
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 terperinciPENGGUNAAN FITUR ABSTRAKSI DAN CATATAN PUBLIKASI PENULIS UNTUK KLASIFIKASI ARTIKEL ILMIAH DENGAN METADATA YANG TERBATAS
PENGGUNAAN FITUR ABSTRAKSI DAN CATATAN PUBLIKASI PENULIS UNTUK KLASIFIKASI ARTIKEL ILMIAH DENGAN METADATA YANG TERBATAS Halimatus Sa dyah, Nurissaidah Ulinnuha Jurusan Teknik Informatika, Fakultas Teknologi
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 terperinciAplikasi Pengenalan Merek Mobil Menggunakan Metode Phase Congruency Dan Probabilistic Neural Network
1 Aplikasi Pengenalan Merek Mobil Menggunakan Metode Phase Congruency Dan Probabilistic Neural Network Najihati Aufa 1), Anny Yuniarti 2), Bilqis Amaliah 3) 1), 2), 3) Jurusan Teknik Informatika, Fakultas
Lebih terperinciBAB III METODE PENELITIAN. tangan dengan menggunakan metode Support Vector Machine (SVM).
BAB III METODE PENELITIAN 3.1 Desain Penelitian Di dalam desain penelitian ini akan menggambarkan proses pengenalan tulisan tangan dengan menggunakan metode Support Vector Machine (SVM). Praproses Input
Lebih terperinciBAB 1 PENDAHULUAN. Perkembangan pengetahuan dibidang kecerdasan buatan sedemikian
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan pengetahuan dibidang kecerdasan buatan sedemikian pesatnya, seperti penelitian segmentasi dokumen. Segmentasi dokumen membuat pengguna menjadi mudah
Lebih terperinciImplementasi Boosted Steganography Scheme dengan Praproses Citra Menggunakan Histogram Equalization
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1 Implementasi Boosted Steganography Scheme dengan Praproses Citra Menggunakan Histogram Equalization Fitra Arifiansyah, Nanik Suciati, Arya Yudhi Wijaya
Lebih terperinciPENGEMBANGAN APLIKASI PERHITUNGAN JUMLAH OBJEK PADA CITRA DIGITAL DENGAN MENGGUNAKAN METODE MATHEMATICAL MORPHOLOGY
PENGEMBANGAN APLIKASI PERHITUNGAN JUMLAH OBJEK PADA CITRA DIGITAL DENGAN MENGGUNAKAN METODE MATHEMATICAL MORPHOLOGY DAN TEKNIK CONNECTED COMPONENT LABELING Oleh I Komang Deny Supanji, NIM 0815051052 Jurusan
Lebih terperinciImplementasi Metode Watershed Transformation Dalam Segmentasi Tulisan Aksara Bali Berbasis Histogram
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Implementasi Metode Watershed Transformation Dalam Segmentasi Tulisan Aksara Bali Berbasis Histogram Komang Budiarta,
Lebih terperinciGLOSARIUM Adaptive thresholding Peng-ambangan adaptif Additive noise Derau tambahan Algoritma Moore Array Binary image Citra biner Brightness
753 GLOSARIUM Adaptive thresholding (lihat Peng-ambangan adaptif). Additive noise (lihat Derau tambahan). Algoritma Moore : Algoritma untuk memperoleh kontur internal. Array. Suatu wadah yang dapat digunakan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Meningkatnya perkembangan teknologi juga diikuti dengan berkembangnya penggunaan berbagai situs jejaring sosial. Salah satu jejaring sosial yang sangat marak digunakan
Lebih terperinciWEBSITE PERANCANGAN SCRAPBOOK DENGAN PEMOTONGAN GAMBAR OTOMATIS
WEBSITE PERANCANGAN SCRAPBOOK DENGAN PEMOTONGAN GAMBAR OTOMATIS C. Pickerling Teknik Informatika,Sekolah Tinggi Teknik Surabaya e-mail: pickerling@stts.edu ABSTRAK Scrapbook merupakan salah satu kegemaran
Lebih terperinciPengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN)
Pengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN) Iman Ilmawan Muharam Manajemen Sistem Informasi Universitas Gunadarma Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat ilmawan@sta.gunadarma.ac.id
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Data mining adalah proses mengeksplorasi dan menganalisis data dalam jumlah besar untuk menemukan pola dan rule yang berarti (Berry & Linoff, 2004). Klasifikasi adalah
Lebih terperinciPengukuran Blok Window Terbaik Berdasarkan MSE...
Pengukuran Blok Window Terbaik Berdasarkan MSE... (Dwiyanto dkk.) PENGUKURAN BLOK WINDOW TERBAIK BERDASARKAN MSE UNTUK SEGMENTASI CITRA SIDIK JARI BERBASIS MEAN DAN VARIANS Dwiyanto *, Agus Bejo, Risanuri
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Permainan catur cina, yang dikenal sebagai xiang qi dalam bahasa mandarin, merupakan sebuah permainan catur traditional yang memiliki jumlah 32 biji catur. Setiap
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan
BAB IV IMPLEMENTASI DAN EVALUASI Implementasi dan Evaluasi yang dilakukan penulis merupakan implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan perangkat lunak dari sistem secara keseluruhan
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
Lebih terperinciDosen Pembimbing 1 : Dr. Agus Zainal Arifin, S.Kom, M.Kom Dosen Pembimbing 2 : Anny Yuniarti, S.Kom, M.Comp.Sc MIFTAHUS SHOLIHIN
Dosen Pembimbing 1 : Dr. Agus Zainal Arifin, S.Kom, M.Kom Dosen Pembimbing 2 : Anny Yuniarti, S.Kom, M.Comp.Sc MIFTAHUS SHOLIHIN 5107100609 PENDAHULUAN Segmentasi Endapan Urin 2 LATAR BELAKANG Segmentasi
Lebih terperinciSeminar Nasional Inovasi Dan Aplikasi Teknologi Di Industri 2017 ISSN ITN Malang, 4 Pebruari 2017
PENGENALAN INDIVIDU BERDASARKAN SIDIK RUGAE PALATINA DENGAN MENGGUNAKAN METODE SINGULAR VALUE DECOMPOSITION SEBAGAI PENGOLAH EKSTRAKSI CIRI DAN SUPPORT VECTOR MACHINE SEBAGAI KLASIFIKATOR Shofi Annisa
Lebih terperinciAnalisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital
Analisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital Nurul Fuad 1, Yuliana Melita 2 Magister Teknologi Informasi Institut Saint Terapan & Teknologi
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciBAB II KAJIANPUSTAKA
BAB II KAJIANPUSTAKA 2.1 Klasifikasi Klasifikasi adalah proses pengelompokan data menjadi suatu kelas berdasarkan kesamaan karakteristik pada data data yang ada. Ada 2 jenis metode yang dapat digunakan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
48 BAB IV HASIL DAN PEMBAHASAN 4.1 Analisis Sistem Sistem yang akan dibangun dalam penelitian ini adalah Implementasi Algoritma Template Matching dan Feature Extraction untuk Pengenalan Pola Angka Untuk
Lebih terperinciSUPPORT VECTOR MACHINE UNTUK IMAGE RETRIEVAL
SUPPORT VECTOR MACHINE UNTUK IMAGE RETRIEVAL Muhammad Athoillah 1, M. Isa Irawan 2 dan Elly Matul Imah 3 1 Jurusan Matematika, FMIPA, Institut Teknologi Sepuluh Nopember, Jl. Arief Rahman Hakim, Surabaya,
Lebih terperinciBAB III. METODOLOGI. kegiatan manusia membuat penelitian dengan domain teknik informatika
BAB III. METODOLOGI 3.1. Kerangka Pikir Teknik informatika yang memiliki andil yang cukup besar dalam berbagai kegiatan manusia membuat penelitian dengan domain teknik informatika merupakan hal yang menarik
Lebih terperinci1. BAB I PENDAHULUAN Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang kwh-meter merupakan alat yang digunakan untuk mengukur besarnya pemakaian energi listrik pada suatu bangunan atau gedung [1]. Berdasarkan sistem pembayarannya,
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. fold Cross Validation, metode Convolutional neural network dari deep learning
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Program P rinsip kerja program yaitu dengan melakukan pra pengolahan citra terhadap foto fisik dari permukaan buah manggis agar ukuran seluruh data
Lebih terperinciKLASIFIKASI BENTUK DAUN MENGGUNAKAN METODE KOHONEN ABSTRAK
KLASIFIKASI BENTUK DAUN MENGGUNAKAN METODE KOHONEN Safwandi. ST., M.Kom 1, Yenni Maulida, S.T ABSTRAK Penelitian ini menjelaskan tentang suatu metode klasifikasi bentuk daun berdasarkan input berupa bentuk
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 3573
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 3573 DENTIFIKASI UMUR MENGGUNAKAN RONSEN PANORAMIK GIGI DENGAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE
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 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 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 terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL
1 SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (Human Face Detection System on Digital Images) Setyo Nugroho 1, Agus Harjoko 2 Program Studi Ilmu Komputer Program Pascasarjana Universitas Gadjah
Lebih terperinciPrediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov
JURNAL SAINS DAN SENI POMITS Vol. 6, No.2, (2017) 2337-3520 (2301-928X Print) A 39 Prediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov Risa Septi Pratiwi Daryono Budi Utomo Jurusan
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 terperinciPENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH
PENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH Rikko Ismail Hardianzah 1), Bambang Hidayat 2), Suhardjo 3) 1),2) Fakultas Teknik
Lebih terperinci