Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
|
|
- Shinta Sudirman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknologi Informasi dan Ilmu omputer e-issn: X Vol. 2, No. 3, Maret 2018, hlm Identifikasi ondisi esehatan Ayam Petelur Berdasarkan Ciri Warna HSV Dan Gray Level Cooccurence Matrix (GLCM) Pada Citra Jengger Dengan lasifikasi -Nearest Neighbour Maharani Tri Hastuti 1, Agus Wahyu Widodo 2, Candra Dewi 3 Teknik Informatika, Fakultas Ilmu omputer, Universitas Brawijaya 1 hastuti587@gmail.com, 2 a_wahyu_w@ub.ac.id, 3 dewi_candra@ub.ac.id Abstrak Salah satu cara pemeliharaan ayam petelur yang baik adalah melakukan pemisahan ayam yang memiliki kondisi sehat dan tidak sehat secara cepat dan tepat. Namun terbatasnya ahli seperti dokter hewan dan penyuluh kesehatan di wilayah pedesaan menyebabkan proses tersebut kurang diperhatikan. Sehingga diperlukan suatu sistem untuk mengidentifikasi kondisi kesehatan ayam secara otomatis. Pada kasus ini gejala klinis yang nampak pada ayam petelur sakit dapat diamati melalui perubahan warna dan tekstur di area jengger. Ayam sehat memiliki jengger berwarna merah cerah dan tekstur yang kasar sedangkan ayam sakit memiliki ciri sebaliknya. Solusi yang bisa diterapkan pada permasalahan tersebut yaitu pengolahan citra digital ekstraksi fitur warna HSV dan graylevel coocurence matrix (GLCM). Metode GLCM yang digunakan berorientasi 4 arah sudut yaitu 0 0, 45 0,90 0 dan dengan jarak d=1. Dari hasil ekstraksi maka akan diperoleh nilai warna HSV dan nilai statistik GLCM seperti entropi, energi, homogenitas, kontras serta korelasi sebagai fitur input klasifikasi -NN. Sebanyak 26 fitur data uji dihitung jarak euclideannya dengan data latih untuk mencari kelas dari data input. Berdasarkan hasil pengujian, nilai akurasi terbaik didapat pada saat klasifikasi dengan GLCM 4 arah atau HSV dan jumlah =3, = 11 atau = 15 yaitu 100% kebenarannya. ata kunci: ayam petelur, ekstraksi fitur, GLCM, HSV, jengger, -NN, warna, tekstur Abstract One way of the good maintenance to laying chickens is separate the healthy and unhealthy chicken in defference cage quickly and correctly. But, in reality there s so many stock farmer who don t have fast response about the issue. Other than that, in the rural area we couldn t find any veterinarian or farm expert easily. So, we need a system to identify the condition of chicken health automatically. In this case, clinical symptoms in sick laying chickens can be observed through changes in color brightnes and texture in the wattle. Healthy laying chicken has bright red wattle and it tends to feel rough. The solution that can be applied to this problem is image processing with HSV color and graylevel coocurence matrix (GLCM) feature extraction. In this study GLCM method oriented by 4 angles that are 0 0, 45 0,90 0 and with d=1. From the extraction results we will get the values of HSV and statistic feature of GLCM such as entropy, energy, homogeneity, contrast and correlation for -NN classification s input. A total of 26 testing data features will be calculated its euclidean distance with training data to search classes from input data. Based on the result of this study, the best accuracy obtained when classification with (GLCM 4 directions or 0 0 ) + all component of HSV and the number = 3, = 11 or = 15 that is 100% correctness. eywords: laying chickens, color, feature extraction, GLCM, HSV, -NN, texture, wattle 1. PENDAHULUAN Ayam ras petelur merupakan hasil persilangan berbagai perkawinan silang dan seleksi yang sangat rumit serta upaya perbaikan manajemen pemeliharaan secara terus menerus. Akibatnya ayam ras petelur bisa disebut hewan ternak yang cengeng kesalahan dari segi pemeliharaan akan mengakibatkan kerugian yang tidak sedikit menurut Abidin dalam (Bahrul, 2014). Pemeliharaan ayam petelur membutuhkan penanganan khusus dan sangat penting untuk diperhatian. arena dengan pemeliharaan yang baik akan menghasilkan Fakultas Ilmu omputer Universitas Brawijaya 1054
2 Jurnal Pengembangan Teknologi Informasi dan Ilmu omputer 1055 pertumbuhan ayam yang baik, kondisi ayam yang sehat, tingkat mortalitas yang rendah dan pada akhirnya akan menghasilkan ayam petelur dengan produksi telur yang tinggi. (Zulfikar, 2013). Ada beberapa faktor penting yang berpengaruh pada kesehatan ternak unggas yaitu managemen, lingkungan dan tipe unggas. Manajemen terbagi atas dua macam yaitu intensive system dan extensive system. Intensive system adalah pemeliharaan dalam kandang sedangkan extensive system dilakukan dengan cara membebaskan ternak di lingkungan terbuka, sistem ini biasanya diterapkan di daerah pedesaan yang memiliki ternak untuk diambil telur dan dagingnya. Faktor lingkungan dapat berupa tipe kandang, tipe dasaran dan iklim. Terakhir tipe ternak yang antara lain: dual purpose (diambil daging dan telurnya), commercial broilers dan layers (Oliver, 2000). Dalam memelihara unggas beberapa hal yang perlu diketahui antara lain: pertimbangan untuk membeli ayam dengan kualitas bagus dan tidak memiliki kelainan fisik atau tanda-tanda berpenyakit, mendapatkan saran dari dokter hewan atau penyuluh kesehatan ternak, dan mampu memisahkan ayam sakit dari golongan ayam sehat. Pemisahan ini bisa mencegah adanya penyakit menular dan memulihkan kondisi ayam yang tidak sehat dengan perlakuan yang lebih intensif (Oliver, 2000). ondisi ternak yang tidak sehat dapat di sebabkan oleh beberapa faktor seperti stress (cekaman), defisiensi zat makanan, parasit penyakit karena protozoa, penyakit karena bakteri, penyakit karena virus dan penyakit karena cendawan (Suprijatno & Atmomarsono, 2005). Dalam keadaan yang tidak sehat akan nampak gejala klinis yang mampu diamati baik dari penampilan fisik dan tingkah laku pada ayam. Penampilan fisik akan lebih cepat dikenali jika dibandingkan dengan tingkah laku yang memerlukan pengamatan dalam rentang waktu tertentu untuk melihat perubahan pola yang terjadi. Pengelompokan ayam yang sehat dan tidak sehat dapat dilihat dari tingkat kecerahan warna dan tekstur pada jengger. Ayam yang sehat cenderung memiliki jengger merah terang dan tekstur kasar, sedangkan ayam yang tidak sehat memiliki jengger pucat dan tekstur lebih lembut. Di wilayah pedesaan tidak semua peternakan dapat melakukan pemisahan dengan cepat dan benar. Peternakan dalam skala kecil menengah cenderung melakukan pemisahan tanpa adanya prosedur uji laboraturium sehingga sering kali ditemukan kesalahan dalam penanganan ataupun kurang tanggap dalam meilhat perubahan yang terjadi pada ternak. Di sisi lain, terbatasnya jam kerja tidak memungkinkan dokter hewan atau penyuluh peternakan untuk dapat memperhatikan peternakan di masyarakat setiap saat. Oleh karena itu diperlukan alat bantu dalam mengenali kondisi awal kesehatan ayam petelur. Pengolahan citra telah menjadi temuan yang menarik dalam bidang penelitian, utamanya di bidang kesehatan yang memiliki tantangan tersendiri dalam memproses berbagai tipe citra medis. Penggunaan terbesar dilakukan dalam diagnosis penyakit seperti tumor, kanker, diabetes dan sebagainya. Selain itu pada kasus pemisahan kualitas bahan pakan, pemisahan ternak berdasakan kondisi kesehatan, serta pengelompokan jenis buah dan sayuran yang dapat dilihat dari tampilan visualnya, karakteristik citra merupakan parameter penting yang dapat diproses dalam citra digital. Citra dikelompokan atau diklasifikasikan jika terdapat ciri khusus sebagai pembeda antar citra seperti warna, tekstur, bentuk, dan ukuran. Pada penelitian ini ciri khusus yang dapat mengidentifikasi kondisi kesehatan ayam petelur antara lain warna dan tekstur. Ciri warna merepresentasikan jenis, tingkat kemurnian, dan kecerahan warna. Sedangkan tekstur menampilkan keteraturan pola-pola tertentu yang terbentuk dari susunan piksel-piksel dalam citra digital. Oleh karena itu penggabungan dua ciri tersebut dilakukan untuk mendapatkan hasil yang optimal pada proses klasifikasi citra dalam permasalahan identifikasi kondisi kesehatan ayam petelur. Salah satu metode yang cukup mumpuni dalam ekstraksi tekstur adalah metode Graylevel Cooccurence Matrix (GLCM). Pada ekstraksi fitur warna model HSV digunakan karena mampu memisahkan komponen intensitas citra warna. edua metode tersebut telah dibahas pada penelitian-penelitian sebelumnya. Pada penelitian yang dilakukan Fakultas Ilmu omputer, Universitas Brawijaya
3 Jurnal Pengembangan Teknologi Informasi dan Ilmu omputer 1056 Wibawanto dkk. (2008) dalam (Listia & Harjoko, 2014) mengatakan fitur-fitur dengan GLCM menggunakan 4 arah (135 0,90 0,45 0,0 0 ) dan jarak = 1 dapat digunakan untuk membedakan antara massa kistik dan massa non kistik meliputi citra mioma dan citra tumor padat pada citra ultrasonografi. Selanjutnya penelitian yang dilakukan oleh Listia & Harjoko (2014) membandingkan tiga metode ektraksi ciri tekstur Gray Level Cooccurence Matrix (GLCM) yaitu GLCM 4 arah (d=1 dan d=2), GLCM 8 arah (d=1) dan GLCM 16 arah (d=2). Fitur yang digunakan ada 5 yaitu kontras, energi, entropi, korelasi dan homogenitas. Hasil penelitian menunjukkan bahwa fitur ekstraksi GLCM 4 arah (0 0, 45 0, 90 0,135 0 ) dengan jarak d=1 memiliki akurasi terbaik dalam mengklasifikasi mammogram yaitu sebesar 81,1% dan khusus pada arah 0 0 akurasi klasifikasi diperoleh sebesar 100%. Penelitian yang dilakakukan oleh Budianita, Jasril, & Handayani (2015) metode histogram model warna HSV dan ekstraksi fitur tekstur menggunakan orde dua GLCM dapat memperoleh ciri pembeda antara citra daging sapi dan babi yang selanjutnya diklasifikasikan menggunakan metode -NN. Hasil akhir dari penlitian ini yaitu program dapat mengklsifikasikan daging sapi dan babi dengan akurasi sebesar 88,75% pada pengujian tanpa background sedangkan pengujian dengan background keberhasilannya sebesar 73,375%. emudian penelitian yang hanya menggunakan perbandingan kadar warna HSV saja dapat mengklasifikasikan varietas tomat merah berdasarkan tingkat atau tahapan kematangan ke dalam kelas Ripe (matang), Half-Ripe (setengah matang), dan Un-Ripe (tidak matang). Dari proses pengujian yang dilakukan pada 10 data uji pada masing-masing kelas didapat bahwa keberhasilan pengujian tomat matang mencapai 90%, tomat setengah matang 90% dan tomat mentah 100%, sehingga total keberhasilan adalah 95% dengan error 5% (Ary, 2009) Perbandingan kadar HSV merupakan metode ekstraksi ciri warna yang sederhana secara komputasi namun dapat bekerja optimal pada objek yang sesuai. Metode GLCM menghitung ciri orde kedua yang memperhatikan probabilitas hubungan ketetanggaan antar dua piksel pada jarak dan orientasi tertentu. Metode tersebut digunakan ketika ciri statistik orde pertama seperti: mean, variance, skewness, kurtosis dan entropy pada tekstur tidak dapat digunakan lagi. Sehingga GLCM dapat diterapkan untuk menghitung ciri orde kedua seperti: Angular Second Moment, ontras, orelasi, Varians, Inverse Different Moment dan Entropy. Melihat dari beragamnya penerapan metode ekstraksi warna HSV dan kegunaan ekstraksi GLCM pada objek citra, maka peneliti mengusulkan penelitian dengan topik Identifikasi ondisi esehatan Ayam Petelur Berdasarkan Ciri Warna HSV dan Gray Level Cooccurence Matrix (GLCM) pada Citra Jengger dengan klasifikasi -Nearest Neighbour. Ciri yang dihasilkan dari kedua metode tersebut kemudian menjadi parameter pada proses klasifikasi dengan metode - Nearest Neighbour untuk mengelompokkan ayam petelur ke dalam kelas sehat dan tidak sehat. 2. ONDISI AYAM PETELUR Pada penelitian ini ayam petelur digolongkan dalam dua kondisi yaitu ayam sehat dan tidak sehat. edua kondisi tersebut didasarkan pada ciri fisik ayam petelur kususnya terdapat di bagian jengger atau pial. Adapun ciri-ciri yang dapat dilihat pada ayam petelur dengan kondisi sehat seperti warna jengger merah terang, tekstur terasa kasar, lekukan cenderung lancip, dan ketebalannya tipis. Sedangkan pada ayam yang tidak sehat memiliki kondisi sebaliknya seperti warna jengger pudar atau pucat, tekstur lebih lembut, lekukan tumpul, dan ketebalaannya lebih tebal. Dari beberapa ciri yang ada, cukup diambil dua ciri pembeda untuk dilakukan ekstraksi dan klasifikasi yaitu tekstur dan warna. Hal tersebut dipertimbangkan karena dengan dua ciri tersebut sistem sudah mampu membedakan antara ayam petelur sehat dan tidak sehat menurut pandangan pakar. Perbedaan ciri ayam petelur terdapat pada Tabel 1 dan Gambar 1. Bagian Tubuh epala muka Tabel 1. Perbandingan ciri ayam petelur dan Ciri Petelur yang sehat asar, lebar, merah, cerah Ciri petelur yang tidak sehat Halus, kecil, dan pucat Fakultas Ilmu omputer, Universitas Brawijaya
4 Jurnal Pengembangan Teknologi Informasi dan Ilmu omputer 1057 Jenggel Pial dan asar, lembab, lebih lebar, merah cerah, bagian tepi runcing Pucat, Lembut, tebal, dan bagian tepi tumpul Data citra diperoleh dari peternakan ayam Desa Sekarputih, Pendem Junrejo, Batu No.54A yang dimati secara langsung dengan memotret beberapa ayam yang dipilih secara acak. Penelitian yang dilakukan hanya berfokus pada ciri yang terdapat di bagian jengger ayam petelur seperti bentuk, warna, dan tekstur oleh karena itu citra yang didapat hanya pada bagian kepala ayam. Setelah memperoleh data yang cukup maka akan dilakukan klasifikasi dari pakar yaitu Prof. Dr. Drh. Pratiwi Trisusuwati, MS epala Laboraturium Epidemiologi Fakultas Peternakan Universitas Brawijaya untuk mendapat validitas data training. a Gambar 1. a. citra ayam petelur sehat dan b. citra ayam petelur tidak sehat 3. METODOLOGI Dalam mengidentifikasi kondisi kesehatan ayam petelur metode yang diterapkan adalah klasifikasi -NN dengan ekstraksi warna HSV dan graylevel cooccurrence matrix (GLCM) pada citra jengger. Gambaran sistem secara garis besar meliputi akuisisi citra, preprocessing, ekstrasi ciri dan klasifikasi citra. Preprocessing meliputi resize dan konversi warna, ekstraksi fitur dengan HSV dan GLCM serta tahap klasifikasi dengan -NN yang ditunjukkan pada gambar 2. b Gambar 2. Diagram alur sistem 3.1 Preprocessing Preprocessing bertujuan untuk mendapatkan citra dengan ukuran dan format warna tertentu yang selanjutnya citra siap digunakan untuk proses selanjutnya. Dimana tahap awal yang dilakukan adalah menentukan ukuran citra input agar semua citra input yang akan diolah memiliki nilai ukuran yang sama. Langkah selanjutnya melakukan proses konversi warna. Sesuai dengan kebutuhan pada pengolahan citra tahap ekstrasi ciri warna HSV dan ciri tekstur GLCM maka akan ada 2 format warna yang dibutuhkan yaitu warna grayscale dan warna HSV. 3.2 Ekstraksi ciri warna Ciri warna diperoleh melalui perhitungan nilai HSV pada citra ayam petelur. Pengambilan nilai mean dan kadar Hue, Saturation dan Value didapat dari citra hasil konversi RGB ke dalam format warna HSV. Hal tersebut dilakukan untuk mempermudah proses pemisahan warna H, S, dan V. Tahap perhitungan nilai HSV diawali dengan konversi citra RGB ke format HSV. emudian pengambilan masing-masing komponen warna pada HSV yang dapat dihitung nilai mean dan kadar warnanya. Berikut langkah-langkah perhitungan ekstraksi HSV. Fakultas Ilmu omputer, Universitas Brawijaya
5 Jurnal Pengembangan Teknologi Informasi dan Ilmu omputer Citra RGB dikonversikan dalam format warna HSV 2. Setelah itu citra HSV akan dihitung nilai mean masing-masing warna H, S, dan V dengan rumus berikut: H = j=1 H ij S = j=1 S ij V = j=1 V ij (1) Dengan i,j adalah posisi piksel, H ij adalah nilai Hue pada piksel i,j; S ij adalah nilai Saturation pada piksel i,j; V ij adalah nilai Value pada piksel i,j 3. Nilai dari rata-rata H, S, dan V akan diubah menjadi rasio yang menyatakan besarnya kadar H, S, dan V dengan rumus sebagai berikut: h = H H +S +V s = S H +S +V v = 3.3 Ekstraksi ciri tekstur V H +S +V (2) Pada ciri tekstur digunakan GLCM 4 arah dengan orientasi 0 0, 45 0, 90 0, dan dan jarak yang akan digunakan adalah jarak 1 piksel tetangga (d=1). Proses awal adalah penentuan jarak piksel yaitu d = 1, dan akan dihitung pada orientasi 4 arah, 0 0, 45 0,90 0, Sebagai contoh, untuk arah 0 0 dan jarak d=1 artinya koordinat (x, y) adalah (1,0). Setelah menentukan arahnya, selanjutnya membentuk matriks kookurensi dengan cara menghitung frekuensi kemunculan pasangan nilai keabuan piksel referensi dan piksel tetangga pada jarak dan arah yang ditentukan. Dalam kasus ini matriks kookurensi adalah 256x256 dan tidak dilakukan konversi atau penyederhanaan. Selanjutnya menjumlahkan semua elemen untuk menghitung probabilitas setiap elemen dengan cara membagi setiap elemen GLCM dengan total jumlah semua elemen. Proses pembentukan elemen matriks kookurensi pada GLCM ditunjukkan pada Gambar 3 dan ( ) Gambar 3 Matriks asal, matriks I Gambar 4 Pembentukan matriks kookurensi dari matrik I Langkah terakhir adalah menghitung ciri statistik GLCM yaitu kontras, energi, entropi, korelasi dan homogenitas. 3.4 Fitur Statistik GLCM Berikut ini fitur-fitur GLCM yang digunakan dalam ekstraksi ciri dengan ukuran matriks kookurensi (Haralick, 1973) yaitu: 1. Entropi Entropi menyatakan ukuran ketidakteraturan aras keabuan di dalam citra, yang didefinisikan dengan rumus berikut: Entropi = p(i, j) log p(i, j) i j (3) 2. ontras Fitur kontras digunakan untuk mengukur kekuatan perbedaan intensitas dalam citra dinyatakan dengan: ontras = P i,j (i j) 2 i j (4) 3. Angular Second Moment (ASM) Fitur ASM atau energi digunakan untuk mengukur konsentrasi pasangan intensitas pada matriks co-occurrence, dan didefinisikan dengan: ASM = p 2 (i, j) (5) i j 4. Inverse Different Moment (IDM) ebalikan dari kontras adalah IDM atau homogenitas, yaitu untuk mengukur kehomogenan variasi intensitas dalam citra, dan didefinisikan dengan: Fakultas Ilmu omputer, Universitas Brawijaya
6 Jurnal Pengembangan Teknologi Informasi dan Ilmu omputer 1059 rumus sebagai pada Persamaan (8). p(i, j) IDM = 1 + i j i j (6) d i (P, Q) = n (p i q i ) 2 (8) 5. orelasi orelasi merupakan ukuran ketergantungan linear antarnilai aras keabuan dalam citra dihitung dengan menggunakan rumus: orelasi = (1 m r) (j m c )P ij (7) σ r σ c j=1 m r = i P ij j=1 m c = j P ij j=1 σ 2 r = (i m r ) 2 P ij eterangan: P i,j = Probabilitas pasangan intensitas padalam baris ke-i dan kolom ke-j m r = Rata-rata untuk baris m c = Rata-rata untuk kolom σ r = Standar deviasi untuk baris σ c = Standar deviasi untuk kolom 3.5 lasifikasi - Nearest Neighbour j=1 σ 2 c = (j m c ) 2 P ij j=1 Algoritma -Nearest Neighbor (k-nn atau -NN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. lasifikasi yang berdasar pada teorema bayes sangat cocok digunakan untuk dimensi masukan yang sangat besar. Menurut Whidhiasih, 2013 prinsip kerja -NN adalah mencari jarak terdekat antara data yang akan dievaluasi dengan tetangga (neighbour) terdekatnya dalam data pelatihan. Data pelatihan diproyeksikan ke ruang berdimensi banyak, dimana masing-masing dimensi merepresentasikan fitur dari data. Setelah memperoleh nilai HSV dan ciri statistik GLCM maka data akan digabungkan yang kemudian menjadi fitur input metode klasifikasi -NN. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan jarak Euclidean dengan eterangan: P dan Q = titik pada ruang vektor n dimensi p i dan q i = besaran scalar untuk dimensi ke i 4. HASIL DAN PEMBAHASAN Pada penelitian ini terdapat 4 macam pengujian yang dilakukan. Pengujian yang pertama adalah fitting data latih yaitu mengukur ketepatan dan konsistensi dari hasil klasifikasi 20 data latih. edua, menguji akurasi hasil klasifikasi dengan GLCM 4 arah dan komponen Hue (H), Saturation (S), Value (V), HS, HV, SV, dan HSV. etiga, menguji akurasi hasil klasifikasi dengan GLCM arah 0 0, 45 0, 90 0, dan 4 arah. Dalam pengujian GLCM dan HSV nilai yang digunakan adalah 3. Dan terakhir menguji akurasi hasil klasifikasi dengan nilai =3, =11, =15, dan =19 pada GLCM 4 arah dan komponen HSV. Dari Pengujian tersebut maka dapat dilihat pengaruh nilai HSV, arah GLCM dan nilai terhadap klasifikasi -NN. 4.1 Fitting data latih Fitting data latih dilakukan dengan menguji masing-masing 20 data latih. Data yang menjadi input merupat data yang sama dengan data latih. Pertama memasukkan data satu untuk melihat apakah data tersebut telah sesuai dengan target hasil yang diinginkan. Jika data yang diuji adalah data ayam sehat maka ouput harus mengklasifikasikannya ke dalam ayam sehat begitu pun sebaliknya. Jika terjadi error maka akan mengurangi akurasi metode yang diterapkan. Tabel 2 menunjukkan hasil dari fitting data. Dat a Uji e- Tabel 2 Hasil pengujian fitting data latih Targ et Nama Nila i k ecocok an Hasil Nilai jarak euclidien 1 ah1.jpg 3 Ayam Benar ah2.jpg 3 Ayam Benar ah3.jpg 3 Ayam Benar Fakultas Ilmu omputer, Universitas Brawijaya
7 Jurnal Pengembangan Teknologi Informasi dan Ilmu omputer ah4.jpg 3 Ayam 5 ah5.jpg 3 Ayam 6 ah6.jpg 3 Ayam 7 ah7.jpg 3 Ayam 8 ah8.jpg 3 Ayam 9 ah9.jpg 3 Ayam 10 ah10.jp 3 Ayam g 11 as1.jpg 3 Ayam 12 as2.jpg 3 Ayam 13 as3.jpg 3 Ayam 14 as4.jpg 3 Ayam 15 as5.jpg 3 Ayam 16 as6.jpg 3 Ayam 17 as7.jpg 3 Ayam 18 as8.jpg 3 Ayam 19 as9.jpg 3 Ayam 20 as10.jp 3 Ayam g Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar nilai mean dan kadar warnanya yaitu mean H, mean S, dan mean V serta adar H, kadar S, dan kadar V kemudian diuji dengan menghilangkan salah satu nilainya. Apabila ingin menguji nilai S maka komponen yang digunakan hanya S begitu pula untuk komponen lain atau kombinasinya. Data yang digunakan adalah 10 data ayam sehat dan 10 data ayam sakit. Hasil pengujian pengaruh komponen warna HSV akan ditunjukkan pada Gambar 5. Pada fitting data latih akan dicari kecocokan antara data latih terhadap target yang ingin dicapai. Dalam kasus ini target data adalah kelas ayam sehat dan ayam sakit. Apabila data latih diambil dari kelas ayam sakit maka hasil yang keluar seharusnya adalah ayam sakit dan sebaliknya apabila data latih yang diambil dari kelas ayam sehat maka hasilnya adalah ayam sehat. Setelah dilakukan fitting terhadap 20 data baik ayam sakit maupun ayam sehat menunjukkan bahwa data memiliki kecocokan 100% atau hasil keseluruhannya benar. Sehingga 20 data tersebut memenuhi kriteria sebagai data latih pada sistem identifikasi kondisi kesehatan ayam petelur pada citra jengger. 4.2 Hasil pengujian pengaruh komponen warna HSV pada GLCM 4 arah + =3 Pengujian ini untuk mengetahui pengaruh masing-masing komponen warna HSV terhadap tingkat kebenaran klasifikasi data. etiga komponen penyusun warna HSV telah dihitung Gambar 5 Hasil pengujian akurasi parameter HSV pada GLCM 4 arah + =3 Pada pengujian pengaruh komponen warna HSV akan dilihat ketepatan dalam mengklasifikasikan data apabila hanya menggunakan satu atau beberapa kombinasi dari komponen warna HSV. Disini pengujian dilakukan dengan mengambil komponen H, S, atau V dan kombinasi HS, HV, atau SV pada setiap data uji. Ada 10 data yang akan diuji yaitu 5 data ayam sakit dan 5 data ayam sehat. Terdapat 5 data yang mengalami kesalahan klasifikasi atau misclassification dimana semuanya merupakan kelas ayam sehat. Sedangkan pada kelas ayam sakit kelima data teridentifikasi dengan benar. Pada kombinasi ketiga komponen HSV seluruh data memiliki akurasi 100 % atau semua benar. Sehingga dapat disimpulkan bahwa kombinasi dari ketiga komponen HSV memiliki akurasi yang lebih tinggi daripada hanya menggunakan satu atau dua komponennya saja. Fakultas Ilmu omputer, Universitas Brawijaya
8 Jurnal Pengembangan Teknologi Informasi dan Ilmu omputer Hasil pengujian pengaruh orientasi arah GLCM pada HSV + =3 Pengujian ini dilakukan untuk mengetahui pengaruh orientasi arah GLCM terhadap tingkat kebenaran klasifikasi data. Masing- masing arah GLCM yaitu pada sudut 0 0, 45 0, 90 0, dan akan diuji dengan cara memakai salah satu arah orientasi untuk setiap data input. Selanjutnya akan dihitung berapa data yang benar jika hanya menggunakan arah 0 0, 45 0, 90 0, atau menggunakan keempat arah orientasi tersebut. Hasil pengujian pengaruh orientasi arah GLCM akan ditunjukkan pada Gambar 6. NN dengan fitur input nilai statistik GLCM 4 arah + warna HSV. Nilai berguna untuk menentukan jumlah ketetanggaan yang diinginkan. Nilai yang diinputkan adalah angka ganjil. Jumlah angka ganjil tersebut dimaksudkan agar tidak terjadi hasil yang seimbang antar dua kelas. Hasil pengujian pengaruh nilai pada klasifikasi -NN akan ditunjukkan pada Gambar 7. Gambar 6 Hasil pengujian akurasi arah sudut GLCM pada HSV + =3 Pada pengujian pengaruh orientasi arah GLCM akan diukur tingkat akurasi disetiap arah sudut terhadap ketepatan hasil klasifikasi. Ada 10 data yang akan diuji yaitu 5 data ayam sakit dan 5 data ayam sehat. Setelah dilakukan pengujian terdapat beberapa data yang mengalami misclassification yaitu pada arah 45 0, 90 0, dengan akurasi terendah pada sudut sebesar 70%. Sedangkan pada sudut 0 0 memiliki akurasi tertinggi sebesar 100%. Pada sudut tersebut memiliki tingkat akurasi yang sama dengan kombinasi keempat arah GLCM. Sehingga dapat dikatakan bahwa sudut 0 0 memiliki tingkat akurasi terbaik. 4.4 Hasil pengujian pengaruh nilai pada GLCM 4 arah + HSV Pengujian ini dilakukan untuk mengetahui pengaruh nilai terhadap hasil klasifikasi - Gambar 7 Hasil pengujian akurasi nilai pada GLCM 4 arah + HSV Berdasarkan hasil pengujian pengaruh nilai pada HSV + GLCM 4 arah =3, =7, =15, =19 menunjukkan akurasi yang berbeda pada setiap nilai. Data yang digunakan masih sama dengan pengujian-pengujian sebelumnya yaitu 5 data ayam sakit dan 5 data ayam sehat. Pada nilai = 3 menunjukkan hasil yang optimal dengan tingkat kebenaran atau akurasi sebesar 100%. Hasil tersebut juga serupa di saat pengujian =11 dan =15 yang juga mencapai 100%. Sedangkan pada nilai =7 dan =19 ditemukan beberapa kesalahan dimana seharusnya data masuk dalam kelas sehat dikenali pada kelas sakit. Akurasi terendah terdapat pada nilai =19 yaitu 80%. 5. ESIMPULAN Berdasarkan hasil pengujian dan analisis yang telah selesai dilakukan, dapat disimpulkan sebagai berikut: 1. Identifikasi kondisi kesehatan ayam petelur dapat dilakukan dengan menerapkan metode ekstraksi warna HSV dan ekstraksi tekstur graylevel Fakultas Ilmu omputer, Universitas Brawijaya
9 Jurnal Pengembangan Teknologi Informasi dan Ilmu omputer 1062 cooccurrence matrix serta klasifikasi - NN 2. lasifikasi dengan nilai =3 dan GLCM 4 arah memperoleh akurasi 100% pada ketiga komponen HSV. 3. lasifikasi dengan nilai =3 dan HSV memperoleh akurasi 100% pada GLCM 0 0 dan 4 arah 4. lasifikasi dengan ekstraksi warna HSV dan GLCM 4 arah memperoleh akurasi 100% pada =3, =11, dan =15 6. DAFTAR PUSTAA Ary, N. (2009). lasifikasi Tingkat ematangan Tomat Merah dengan Metode Perbandingan adar Warna Bahrul, S. (2014). Pilihan Peternak Ayam Ras Petelur Terhadap Pemeliharaan Fase Grower atau Fase Layer Di ecamatan Mattirobulu abupaten Pinrang. Makasar: Universitas Hasanuddin. Budianita, E., Jasril, & Handayani, L. (2015). Implementasi pengolahan citra dan klasifikasi -Nearest Neighbour untuk membangun aplikasi pembeda daging sapi dan babi. Jurnal Sains,Teknologi dan Industri, Haralick, R., Shanmugam, &. Dinstein, I. (1973). Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics,SMC-3, adir, A., & Susanto, A. (2013). Teori dan Aplikasi Pengolahan Citra. Yogjakarta: Penerbit ANDI. Listia, R., & Harjoko, A. (2014). lasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM). IJCCS, Oliver, A. (2000). Are My Chickens Healthy? Retrieved Agustus 2, 2017, from Prasetyo, E. (2011). Pengolahan Citra Digital dan Aplikasinya. Yogjakarta: CV.ANDI OFFSET. Rakhmawati, R. P. (2013). Sistem Deteksi Jenis Bunga Menggunakan Nilai HSV dari Citra Mahkota Bunga. Semarang: UNISBAN. Sumarno. (2009). Manajemen Pemeliharaan Ayam Petelur Di Peternakan PT. SARI UNGGAS FARM. Surakarta: Fakutas Pertanian Universitas Sebelas Maret. Suprijatno, & Atmomarsono. (2005). Ilmu Dasar Ternak. Jakarta. Hal: : Penebar Swadaya. Whidhiasih, R. N. (2012). Pengembangan Model lasifikasi ematangan Buah Manggis berdasarkan Warna Menggunakan Fuzzy Neural Network. Bogor: Institut Pertanian Bogor. Zulfikar. (2013). Manajemen Pemeliharaan Ayam Petelur Ras. Jurnal Peternakan Fakultas Ilmu omputer, Universitas Brawijaya
Klasifikasi 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 terperinciKLASIFIKASI JENIS DAGING BERDASARKAN TEKSTUR MENGGUNAKAN METODE GRAY LEVEL COOCURENT MATRIX
KLASIFIKASI JENIS DAGING BERDASARKAN TEKSTUR MENGGUNAKAN METODE GRAY LEVEL COOCURENT MATRIX Nurul Lihayati 1, Ratri Enggar Pawening 2, Mohammad Furqan 3 1,2, 3 Jurusan Teknik Informatika, STT Nurul Jadid
Lebih 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 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 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 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 II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih 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 terperinciEktraksi Fitur Citra Paru-Paru Menggunakan Gray Level Co-ocurance Matriks
Ektraksi Fitur Citra Paru-Paru Menggunakan Gray Level Co-ocurance Matriks Tri Deviasari Wulan Sistem Informasi, Fakultas Teknik, Universitas Nahdlatul Ulama Surabaya tridevi@unusa.ac.id ABSTRAK Penelitian
Lebih 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 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 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 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 terperinciLEMBAR PENGESAHAN TUGAS AKHIR...
DAFTAR ISI HALAMAN SAMPUL... i HALAMAN JUDUL... ii PERNYATAAN... iii LEMBAR PENGESAHAN TUGAS AKHIR... iv BERITA ACARA TUGAS AKHIR... v KATA PENGANTAR... vi ABSTRAK... vii ABSTRACT... viii DAFTAR ISI...
Lebih terperinciBAB 4 PENGUJIAN DAN ANALISIS SISTEM
BAB 4 PENGUJIAN DAN ANALISIS SISTEM Bab ini akan membahas mengenai proses pengujian dari sistem yang dirancang terhadap beberapa citra dijital replika kulit. Pengujian terhadap sistem ini dilakukan untuk
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan dan Praproses Data Kegiatan pertama dalam penelitian tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data sekunder
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 5, No. 1 (2016) 158-163 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone IDENTIFIKASI JENIS PENYAKIT DAUN TEMBAKAU MENGGUNAKAN METODE GRAY LEVEL
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker merupakan proses penyakit yang terjadi karena sel abnormal mengalami mutasi genetik dari DNA seluler. Sel abnormal membentuk klon dan berproliferasi secara abnormal
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 terperinciIDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN)
IDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN) SKRIPSI Disusun Oleh : THOMI LUTHFIANTO 1203030010 PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS
Lebih terperinciKlasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM)
IJCCS, Vol.8, No.1, January 2014, pp. 59~68 ISSN: 1978-1520 59 Klasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM) Refta Listia* 1, Agus Harjoko 2 1 Prodi S2/S3 lmu
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 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 terperinciKLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES
KLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES Tri Adhi Atmaji 1, Catur Supriyanto 2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Lebih terperinciKLASIFIKASI CITRA BERAS BERDASARKAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN MENGGUNAKAN k-nearest NEIGHBOUR
MAKALAH SEMINAR TUGAS AKHIR KLASIFIKASI CITRA BERAS BERDASARKAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN MENGGUNAKAN k-nearest NEIGHBOUR Eko Prasetyo, Imam Santoso, Budi Setiyono. Jurusan Teknik Elektro
Lebih 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 terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Bab ini membahas langkah-langkah dari implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi aktivitas menggunakan algoritma k-nearest neighbor
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan studi (state of the art) Berikut penelitian yang telah dilakukan sebelumnya : 1. Penelitian dilakukan oleh Sigit Sugiyanto Feri Wibowo (2015), menjelaskan tentang klasifikasi
Lebih terperinciABSTRACT. Keyword : Reef Fish, HSL, GLCM, PNN.
ABSTRACT Suharindra, Muhammad Ryzani. 2017. Identification Reef Fish Image With HSL Color Extraction And GLCM Texture Extraction Based on Probabilistic Neural Network Algorithm Thesis.Tanjungpinang: Department
Lebih terperinciPerancangan Konversi Braille Ke Teks Berbasis Android
Perancangan Konversi Braille Ke Teks Berbasis Android Intan Sulviyani 1, Ledya Novamizanti 2, Ratri Dwi Atmaja 3 Teknik Telekomunikasi, Telkom University 1,2,3 intansviany@gmail.com Abstrak Komunikasi
Lebih 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Tuberkulosis merupakan penyakit yang disebabkan oleh infeksi mycobacterium tuberculosis complex (bakteri berbentuk basil lurus, sedikit melengkung, tidak berspora dan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penyakit malaria merupakan penyakit yang disebabkan oleh infeksinya parasit malaria terhadap sel darah merah. Parasit malaria tergolong jenis parasit dari genus Plasmodium,
Lebih terperinciSISTEM IDENTIFIKASI CITRA KAYU BERDASARKAN TEKSTUR MENGGUNAKAN GRAY LEVEL COOCURRENCE MATRIX (GLCM) DENGAN KLASIFIKASI JARAK EUCLIDEAN
ISSN: 1410-233 SISTEM IDENTIFIKASI CITRA KAYU BERDASARKAN TEKSTUR MENGGUNAKAN GRAY LEVEL COOCURRENCE MATRIX (GLCM) DENGAN KLASIFIKASI JARAK EUCLIDEAN Saifudin 1, Abdul Fadlil 2 1 Program Studi Teknik Informatika,
Lebih terperinciSistem Deteksi Cacat Kayu dengan Metode Deteksi Tepi SUSAN dan Ekstraksi Ciri Statistik
ELKOMIKA ISSN (p): 2338-8323 ISSN (e): 2459-9638 Vol. 6 No. 1 Halaman 140-152 DOI : http://dx.doi.org/10.26760/elkomika.v6i1.140 Januari 2018 Sistem Deteksi Cacat Kayu dengan Metode Deteksi Tepi SUSAN
Lebih terperinciDETEKSI ADANYA CACAT PADA KAYU MENGGUNAKAN METODE LOCAL BINARY PATTERN DETECTION OF THE EXISTENCE OF THE DEFECTS IN WOOD USING LOCAL BINARY PATTERN
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 298 DETEKSI ADANYA CACAT PADA KAYU MENGGUNAKAN METODE LOCAL BINARY PATTERN DETECTION OF THE EXISTENCE OF THE DEFECTS IN WOOD USING
Lebih terperinciKLASIFIKASI 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 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 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 terperinciBAB III LANDASAN TEORI. 3.1 Metode GLCM ( Gray Level Co-Occurrence Matrix)
BAB III LANDASAN TEORI 3.1 Metode GLCM ( Gray Level Co-Occurrence Matrix) Metode GLCM menurut Xie dkk (2010) merupakan suatu metode yang melakukan analisis terhadap suatu piksel pada citra dan mengetahui
Lebih 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 terperinciImplementasi Pengolahan Citra dan Klasifikasi K-Nearest Neighbour Untuk Membangun Aplikasi Pembeda Daging Sapi dan Babi
Implementasi Pengolahan Citra dan Klasifikasi K-Nearest Neighbour Untuk Membangun Aplikasi Pembeda Daging Sapi dan Babi Elvia Budianita 1, Jasril 2, Lestari Handayani 3, 1,2,3 Jurusan Teknik Informatika,
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN
4 BAB HASIL DAN PEMBAHASAN Ada tiga tahap utama yang dilakukan pada percobaan ini yaitu ektraksi ciri, pelatihan dan pengujian JST. Percobaan dilakukan dengan mengkombinasikan data hasil ekstraksi ciri
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah
BAB IV HASIL DAN PEMBAHASAN A. Data Sampel Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah sampel beras B, 1 buah sampel beras C, dan 2 buah sampel beras D. 1. Data Pengujian Mutu Beras
Lebih 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 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 terperinciISSN : e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 263
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 263 DETEKSI KANKER KOLOREKTAL (KANKER USUS BESAR) MENGGUNAKAN METODE GRAY LEVEL COOCCURENCE MATRIX DAN K-NEAREST NEIGHBOR BERBASIS
Lebih 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 terperinciIDENTIFIKASI RETINA MATA MENGGUNAKAN JARAK EUCLIDEAN DENGAN PENCIRIAN MATRIKS KOOKURENSI ARAS KEABUAN (GRAY LEVEL CO-OCCURRENCE MATRIX-GLCM)
IDENTIFIKASI RETINA MATA MENGGUNAKAN JARAK EUCLIDEAN DENGAN PENCIRIAN MATRIKS KOOKURENSI ARAS KEABUAN (GRAY LEVEL CO-OCCURRENCE MATRIX-GLCM) 1 Andi Widiasmoro, 2 R. Rizal Isnanto, 3 Jatmiko Endro Suseno
Lebih terperinciGRAY LEVEL COOCURENCE MATRIX SEBAGAI PENGEKSTRAKSI CIRI PADA PENGENALAN NASKAH BRAILLE
GRAY LEVEL COOCURENCE MATRIX SEBAGAI PENGEKSTRAKSI CIRI PADA PENGENALAN NASKAH BRAILLE Yegar Sahaduta 1), Chairisni Lubis 2) 1) Fakultas Teknologi Informasi-Universitas Tarumanagara Jl. S. Parman No.1,
Lebih terperinciPENERAPAN SEGMENTASI MULTI KANAL DALAM MENDETEKSI SEL PARASIT PLASMODIUM SP. I Made Agus Wirahadi Putra 1, I Made Satria Wibawa 2 ABSTRAK
Jurnal Dinamika, April 2017, halaman 18-29 P-ISSN: 2087-889 E-ISSN: 2503-4863 Vol. 08. No.1 PENERAPAN SEGMENTASI MULTI KANAL DALAM MENDETEKSI SEL PARASIT PLASMODIUM SP. I Made Agus Wirahadi Putra 1, I
Lebih terperinciPengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2)
Pengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2) ISSN : 1693 1173 Abstrak Pengenalan obyek pada citra merupakan penelitian yang banyak dikembangkan. Salah satunya pengenalan
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 terperinciBAB II IDENTIFIKASI DAERAH TERKENA BENCANA MENGGUNAKAN TEKNOLOGI PENGINDERAAN JAUH
BAB II IDENTIFIKASI DAERAH TERKENA BENCANA MENGGUNAKAN TEKNOLOGI PENGINDERAAN JAUH Teknologi penginderaan jauh merupakan teknologi yang memegang peranan yang sangat penting dalam manajemen bencana salah
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih 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 terperinciPENCARIAN ISI CITRA MENGGUNAKAN METODE MINKOWSKI DISTANCE
PENCARIAN ISI CITRA MENGGUNAKAN METODE MINKOWSKI DISTANCE Budi Hartono 1, Veronica Lusiana 2 Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Stikubank Semarang Jl Tri Lomba
Lebih terperinciKLASIFIKASI SERAT MIRING PADA KAYU MENGGUNAKAN EKSTRAKSI CIRI STATISTIK BERDASARKAN PADA PENGOLAHAN CITRA
ISSN : 355-9365 e-proceeding of Engineering : Vol., No.1 April 015 Page 09 KLASIFIKASI SERAT MIRING PADA KAYU MENGGUNAKAN EKSTRAKSI CIRI STATISTIK BERDASARKAN PADA PENGOLAHAN CITRA Dyah Norma Maharsi [1],
Lebih 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 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 terperinciKLASIFIKASI JENIS KUALITAS KEJU DENGAN MENGGUNAKAN METODE GRAY LEVEL COOCCURRENCE MATRIX (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) PADA CITRA DIGITAL
e-proceeding of Engineering : Vol.4, No.2 Agustus 207 Page 2035 KLASIFIKASI JENIS KUALITAS KEJU DENGAN MENGGUNAKAN METODE GRAY LEVEL COOCCURRENCE MATRIX (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) PADA CITRA
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 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 terperinciKLASIFIKASI BATIK MENGGUNAKAN METODE K-NEAREST NEIGHBOUR BERDASARKAN GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM)
KASIFIKASI BATIK MENGGUNAKAN METODE K-NEAREST NEIGHBOUR BERDASARKAN GRAY EVE CO-OCCURRENCE MATRICES (GCM) Hanang Wijayanto Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131 1110110686@mhs.dinus.ac.id
Lebih terperinciANALISIS TEKSTUR DAN EKSTRAKSI FITUR WARNA UNTUK KLASIFIKASI APEL BERBASIS CITRA. Arie Qur ania, Lita Karlitasar, Sufiatul Maryana
ANALISIS TEKSTUR DAN EKSTRAKSI FITUR WARNA UNTUK KLASIFIKASI APEL BERBASIS CITRA Arie Qur ania, Lita Karlitasar, Sufiatul Maryana ABSTRAK ANALISIS TEKSTUR DAN EKSTRAKSI FITUR WARNA UNTUK KLASIFIKASI APEL
Lebih terperinciKlasifikasi Tingkat Keparahan Non- ProliferativeI Diabetic Retinopathy Bedarsarkan Hard Exudate Menggunakan Extreme Learning Machine
JURNAL SAINS DAN SENI POMITS Vol. 6, No.2, (2017) 2337-3520 (2301-928X Print) A 89 Klasifikasi Tingkat Keparahan Non- ProliferativeI Diabetic Retinopathy Bedarsarkan Hard Exudate Menggunakan Extreme Learning
Lebih terperinciIDENTIFIKASI DAGING SAPI DAN DAGING BABI MENGGUNAKAN FITUR EKSTRAKSI GREY LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR CLASSIFIER
IDENTIFIKASI DAGING SAPI DAN DAGING BABI MENGGUNAKAN FITUR EKSTRAKSI GREY LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR CLASSIFIER Ferry Anggriawan Susanto A11.2011.06083 1, Catur Supriyanto 2 Program
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka tentang identifikasi iris mata ataupun identifikasi citra digital sudah pernah dilakukan sebelumnya, berikut merupakan tabel perbandingan terhadap
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 1638
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 1638 KLASIFIKASI JENIS BATUAN SEDIMEN BERDASARKAN TEKSTUR DENGAN METODE GRAY LEVEL CO-OCCURRENCE MATRIX DAN K-NN Classification
Lebih terperinciAnalisis dan Implementasi Deteksi Citra Spam Menggunakan Gray Level Co-occurences Matrix dan Naive Bayes
OPEN ACCESS OPEN ACCESS ISSN 2460-3295 socj.telkomuniversity.ac.id/indosc ISSN XXXX-XXXX NO. XX, SEPT 2016 SOCJ.TELKOMUNIVERSITY.AC.ID/INDOSC Ind. Symposium on Computing Sept 2016. pp. 319-334 doi:10.21108/indosc.2016.164
Lebih terperinciDeteksi Glaukoma pada Citra Fundus Retina dengan Metode K-Nearest Neighbor
Deteksi Glaukoma pada Citra Fundus Retina dengan Metode K-Nearest Neighbor Dian Saktian Tobias 1, Anastasia Rita Widiarti 2 1,2 Program Studi Teknik Informatika, Fakultas Sains Dan Teknologi, Universitas
Lebih terperinciMagister Teknik Informatika, Universitas Ahmad Dahlan, Yogyakarta 2. Program Studi Teknik Elektro, Universitas Ahmad Dahlan, Yogyakarta 3
Sistem Identifikasi Jamur Menggunakan Metode Ekstraksi Ciri Statistik Orde 1 dan Klasifikasi Jarak Mushroom Identification System Using the 1st Order Statistic Characteristic Extraction and Distance Classification
Lebih terperinciDAFTAR ISI. BAB II... Error! Bookmark not defined.
DAFTAR ISI SKRIPSI... Error! Bookmark not defined. HALAMAN PERSETUJUAN SKRIPSI... Error! Bookmark not defined. PENGESAHAN DEWAN PENGUJI... Error! Bookmark not defined. PERNYATAAN KEASLIAN TUGAS AKHIR...
Lebih terperinciAnalisis Fitur Warna dan Tekstur untuk Metode Deteksi Jalan
Vol. 2, No. 2, Desember 2016 30 Analisis Fitur Warna dan Tekstur untuk Metode Deteksi Jalan Adhi Prahara, Ahmad Azhari Teknik Informatika, Universitas Ahmad Dahlan Jl. Prof. Dr. Soepomo, S.H., Umbulharjo,
Lebih terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciBAB 1 PENDAHULUAN Latar belakang masalah
BAB 1 PENDAHULUAN 1.1. Latar belakang masalah Saluran pernapasan pada manusia terdiri dari rongga hidung, faring, laring, trakea, percabangan bronkus dan paru-paru (bronkiolus, alveolus). Paru-paru merupakan
Lebih terperinciProdi S1 Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom 3 Fakultas Peternakan, Universitas Padjadjaran
0 DETEKSI KUALITAS DAN KESEGARAN TELUR AYAM RAS BERDASARKAN DETEKSI OBJEK TRANSPARAN DENGAN METODE GREY LEVEL CO-OCCURRENCE MATRIX (GLCM) DAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN) Rizka Kaamtsaalil Salsabiilaa,
Lebih terperinciBAB II LANDASAN TEORI. titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
BAB II LANDASAN TEORI 2. Citra/Image Citra atau yang lebih sering dikenal dengan gambar merupakan kumpulan dari titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
Lebih terperinciIDENTIFIKASI BIOMETRIK FINGER KNUCKLE PRINT MENGGUNAKAN FITUR EKSTRAKSI PCA DAN GLCM
1 IDENTIFIKASI BIOMETRIK FINGER KNUCKLE PRINT MENGGUNAKAN FITUR EKSTRAKSI DAN Ratna Dwi Jayanti A11.2011.05949 Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro, Jl.
Lebih terperinciIDENTIFIKASI VARIETAS DURIO ZIBETHINUS BERDASARKAN SEBARAN TRIKOMA DAUN MENGGUNAKAN GLCM DAN KNN NOORDAMA
IDENTIFIKASI VARIETAS DURIO ZIBETHINUS BERDASARKAN SEBARAN TRIKOMA DAUN MENGGUNAKAN GLCM DAN KNN NOORDAMA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciIndarto 1, Murinto 2, I. PENDAHULUAN. Kampus III UAD Jl.Dr.Soepomo, Janturan, Yogyakarta
Deteksi Kematangan Buah Pisang Berdasarkan Fitur Warna Citra Kulit Pisang Menggunakan Metode Transformasi Ruang Warna HIS (Banana Fruit Detection Based on Banana Skin Image Features Using HSI Color Space
Lebih terperinciRancang Bangun Sistem Temu Kembali Gambar Ikan Berdasarkan Estraksi Ciri Warna HSV, Bentuk Canny dan Tekstur Orde Dua
Rancang Bangun Sistem Temu Kembali Gambar Ikan Berdasarkan Estraksi Ciri Warna HSV, Bentuk Canny dan Tekstur Orde Dua Lestari Handayani 1, Awaliyah 2 1,2 Jurusan Teknik Informatika, Fakultas Sains dan
Lebih terperinciKLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS
Ikhwan Ruslianto KLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS IKHWAN RUSLIANTO Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang ENDHULUN Dalam ilmu biologi dan kehutanan, diketahui terdapat banyak enis daun dengan karakteristik (ciri) yang berbeda-beda. Hal tersebut menyebabkan sulitnya untuk melakukan pengenalan
Lebih terperinciKLASIFIKASI NAMA OBAT TULISAN TANGAN DOKTER DENGAN METODE GLCM DAN BACKPROPAGATION NEURAL NETWORK
KLASIFIKASI NAMA OBAT TULISAN TANGAN DOKTER DENGAN METODE GLCM DAN BACKPROPAGATION NEURAL NETWORK Arrahman¹, Purwanto², Pulung Nurtantio³ 123 Pasca Sarjana Teknik Informatika Universitas Dian Nuswantoro
Lebih 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 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 terperinciANALISIS FITUR TEKSTUR DAUN MANGGA DENGAN FISHER S DISCRIMINANT RATIO UNTUK PENCAPAIAN FITUR YANG INFORMATIF
ANALISIS FITUR TEKSTUR DAUN MANGGA DENGAN FISHER S DISCRIMINANT RATIO UNTUK PENCAPAIAN FITUR YANG INFORMATIF Eko Prasetyo Program Studi teknik Informatika Fakultas Teknik, Univ. Bhayangkara Surabaya email:
Lebih terperinciIdentifikasi Jenis Buah Jeruk Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Jenis Buah Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit Reni Resita *1, Juratminingsih *2, Gasim 3 1,2 STMIK GI MDP; Jl. Rajawali
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 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 terperinciPENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
Lebih terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Cabai merupakan tanaman yang banyak dibutuhkan untuk kehidupan sehari hari seperti memasak, baik secara langsung ataupun diolah dahulu. Salah satu contoh produk olahan
Lebih terperinciPencarian Citra Digital Berbasiskan Konten dengan Ekstraksi Fitur HSV, ACD, dan GLCM
Jurnal Telematika, vol.8 no.2, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-2516 Pencarian Citra Digital Berbasiskan Konten dengan Ekstraksi Fitur HSV, ACD, dan GLCM Muhammad Dendy Agaputra #1,
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 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 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 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 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 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 terperinci