BAB IV HASIL DAN PEMBAHASAN
|
|
- Sri Kartawijaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Pengukuran Precision & Recall Pada penelitian ini, eksperimen dilakukan terhadap 1000 gambar corel yang terdiri dari 10 kategori gambar (setiap kategori terdiri atas 100 gambar corel). Eksperimen dilakukan untuk mengukur precision dan recall dari sistem TKCBK yang menggunakan color histogram, forward diagonal mean, dan forward diagonal mean digabung dengan GLCM. Untuk setiap metode, eksperimen dilakukan pada setiap kategori gambar. Untuk setiap kategori gambar tersebut, dilakukan 5 query acak, kemudian hasil perhitungan precision dan recall dari setiap query tersebut dirata-rata, sehingga mendapatkan hasil precision dan recall untuk setiap kategori gambar. Hasil precision dan recall dari setiap kategori gambar dirata-rata sehingga mendapatkan hasil precision dan recall dari metode tersebut. Gambar di bawah ini merupakan contoh hasil query dari eksperimen untuk kategori gunung pada sistem TKCBK yang menggunakan forward diagonal mean dan sistem TKCBK yang diusulkan. 36
2 37 Gambar 4.1 Contoh Hasil Query Forward Diagonal Mean Gambar 4.2 Contoh Hasil Query Metode yang Diusulkan
3 38 Gambar-gambar kategori gunung terdiri dari 100 gambar yaitu dari 800.jpg hingga 899.jpg. Hasil temu kembali merepresentasikan hasil yang relevan jika hasil temu kembali tersebut termasuk ke dalam kategori gambar yang sama dengan gambar query. Pada gambar 4.1 terdapat 7 gambar relevan dari 10 gambar hasil temu kembali (842.jpg, 863.jpg, 808.jpg, 856.jpg, 845.jpg, 830.jpg, 803.jpg). Hasil precision pada gambar 4.1 adalah 7/10 = 70% dan recall pada gambar 4.1 adalah 7/100 = 7%. Pada gambar 4.2 terdapat 9 gambar relevan dari 10 gambar hasil temu kembali (842.jpg, 863.jpg, 808.jpg, 856.jpg, 845.jpg, 830.jpg, 803.jpg, 807.jpg, 820.jpg). Hasil precision pada gambar 4.2 adalah 9/10 = 90% dan recall pada gambar 4.2 adalah 9/100 = 9%. Peningkatan dari sistem TKCBK yang hanya menggunakan forward diagonal mean ke sistem TKCBK yang diusulkan pada gambar query 842.jpg adalah sebesar 20% untuk precision dan 2% untuk recall. Informasi hasil pengukuran precision dan recall untuk semua metode ditampilkan pada tabel-tabel di bawah. Tabel 4.1, tabel 4.2, dan tabel 4.3 di bawah ini berisi informasi mengenai hasil pengukuran precision dan recall dari sistem TKCBK yang menggunakan color histogram, forward diagonal mean, dan metode yang diusulkan (forward diagonal mean + GLCM + R*-Tree) pada setiap kategori gambar. Color histogram diukur sebagai pembanding dari forward diagonal mean yang merupakan sesama teknik untuk mengekstraksi fitur warna, sehingga dapat dilihat apakah forward diagonal mean merupakan teknik ekstraksi fitur warna yang lebih baik atau tidak.
4 39 Tabel 4.1 Precision & Recall dari Color Histogram Precision Recall Afrika 76.00% 7.60% Pantai 40.00% 4.00% Bangunan 40.00% 4.00% Bus 56.00% 5.60% Dinosaurus % 10.00% Gajah 62.00% 6.20% Bunga 82.00% 8.20% Kuda 58.00% 5.80% Gunung 18.00% 1.80% Makanan 54.00% 5.40% Rata-rata 58.60% 5.86% Tabel 4.2 Precision & Recall dari Forward Diagonal Mean Precision Recall Afrika 46.00% 4.60% Pantai 68.00% 6.80% Bangunan 38.00% 3.80% Bus 62.00% 6.20% Dinosaurus % 10.00% Gajah 66.00% 6.60% Bunga 96.00% 9.60% Kuda 84.00% 8.40% Gunung 62.00% 6.20% Makanan 48.00% 4.80% Rata-rata 67.00% 6.70%
5 40 Tabel 4.3 Precision & Recall dari Forward Diagonal Mean+GLCM+R*-Tree Precision Recall Afrika 54.00% 5.40% Pantai 84.00% 8.40% Bangunan 58.00% 5.80% Bus 74.00% 7.40% Dinosaurus % 10.00% Gajah 80.00% 8.00% Bunga % 10.00% Kuda 96.00% 9.60% Gunung 80.00% 8.00% Makanan 62.00% 6.20% Rata-rata 78.80% 7.88% Gambar 4.3 dan gambar 4.4 di bawah ini merupakan grafik perbandingan dari precision dan recall pada sistem TKCBK yang menggunakan color histogram, forward diagonal mean, dan metode yang diusulkan pada setiap kategori gambar berdasarkan tabel-tabel di atas % % 80.00% Precision 60.00% 40.00% 20.00% Color Histogram FDM Metode yang Diusulkan 0.00% Afrika Pantai Bangunan Bus Dinosaurus Gajah Bunga Kuda Gunung Makanan Rata rata Gambar 4.3 Grafik Perbandingan Precision
6 % Recall 10.00% 8.00% 6.00% 4.00% 2.00% Color Histogram FDM Metode yang Diusulkan 0.00% Afrika Pantai Bangunan Bus Dinosaurus Gajah Bunga Kuda Gunung Makanan Rata rata Gambar 4.4 Grafik Perbandingan Recall Gambar 4.5 di bawah ini merupakan grafik perbandingan pasangan recallprecision dari setiap metode. Untuk membentuk garis pada grafik ini, recall dan precision pada setiap hasil query dihitung. Penghitungan berupa penghitungan dari recall dan precision pada saat hasil temu kembali pertama hingga hasil ke 10 (setiap query hasilnya berupa 10 gambar) untuk setiap hasil query. Setelah itu, dilakukan penghitungan rata-rata recall dan precision dari hasil temu kembali pertama hingga hasil ke 10 dari semua query, sehingga didapatkan hasil rata-rata recall dan precison dari hasil temu kembali pertama hingga hasil ke 10. Pasangan hasil rata-rata recall dan precision pada hasil temu kembali pertama hingga hasil ke 10 membentuk titik-titik yang dihubungkan menjadi garis.
7 Precision Color Histogram FDM Metode yang Diusulkan Recall Gambar 4.5 Grafik Perbandingan Recall-Precision 4.2 Hasil Pengukuran Waktu Proses Pencarian Untuk pengukuran waktu proses pencarian, eksperimen dilakukan terhadap sistem TKCBK sebelum menggunakan R*-Tree dan sistem TKCBK yang diusulkan yaitu menggunakan R*-Tree. Untuk setiap metode, eksperimen dilakukan pada setiap kategori gambar. Untuk setiap kategori gambar tersebut, dilakukan 5 query acak, kemudian hasil waktu proses pencarian dari setiap query tersebut dirata-rata, sehingga mendapatkan hasil waktu proses pencarian untuk setiap kategori gambar. Hasil waktu proses pencarian dari setiap kategori gambar dirata-rata sehingga mendapatkan hasil waktu proses pencarian dari metode tersebut.
8 43 Tabel 4.4 dan tabel 4.5 di bawah ini berisi informasi mengenai hasil pengukuran waktu proses pencarian gambar dari sistem TKCBK yang tidak menggunakan struktur data R*-Tree dan sistem TKCBK yang menggunakan R*- Tree pada setiap kategori gambar, sehingga dapat dilihat perbedaan waktu proses pencarian gambar dari sistem TKCBK yang tidak menggunakan R*-Tree dengan sistem TKCBK yang menggunakan R*-Tree. Tabel 4.4 Waktu Proses Pencarian Tanpa R*-Tree Waktu Afrika s Pantai s Bangunan s Bus s Dinosaurus s Gajah s Bunga s Kuda s Gunung s Makanan s Rata-rata s Tabel 4.5 Waktu Proses Pencarian Menggunakan R*-Tree Waktu Afrika s Pantai s Bangunan s Bus s Dinosaurus s Gajah s Bunga s Kuda s Gunung s Makanan s Rata-rata s
9 44 Gambar 4.6 di bawah ini merupakan grafik perbandingan dari waktu proses pencarian gambar pada sistem TKCBK yang tidak menggunakan R*-Tree dengan sistem TKCBK yang menggunakan R*-Tree pada setiap kategori gambar berdasarkan tabel-tabel di atas. Gambar 4.6 Grafik Perbandingan Waktu Prosess Pencarian 4.3 Pembahasan Hasil Hasil yang telah ditampilkan pada tabel 4.2 dan tabel 4.3 menunjukkan bahwa sistem TKCBK yang diusulkan yaitu menggunakan fitur forward diagonal mean, GLCM, dan struktur data R*-Tree menghasilkan peningkatann precision rata-rata sebesar 11.8% dan recall rata-rata sebesar 1.18% dari sistem TKCBK precision pada gambar yang hanya menggunakan fitur forward diagonal mean. Grafik pasangan recall- 4.5 juga menggambarkan bahwa metode yang diusulkan
10 45 lebih baik dari sistem TKCBK yang hanya menggunakan Forward diagonal mean. Hasil pada tabel 4.1 dan tabel 4.2 menunjukkan bahwa Forward diagonal mean lebih baik dari pada color histogram, karena pada sistem TKCBK yang hanya forward diagonal mean memiliki precision lebih tinggi rata-rata sebesar 8.4% dan recall lebih tinggi rata-rata sebesar 0.84%. Hasil pada tabel 4.4 dan tabel 4.5 menunjukkan bahwa sistem TKCBK yang menggunakan struktur data R*-Tree lebih cepat rata-rata 13.2% ( s) daripada sistem TKCBK yang tidak menggunakan R*-Tree. Hasil pada gambar 4.3 di atas menunjukkan bahwa semua kategori mengalami peningkatan kecuali pada kategori dinosaurus, karena pada kategori dinosaurus akurasi sistem TKCBK yang dicapai sebelum ditambahkan GLCM sudah maksimum (100%), namun ada beberapa kategori yaitu afrika, bangunan, dan makanan yang mengalami peningkatan tetapi belum mencapai hasil yang memuaskan dari sisi akurasi dibandingkan kategori lainnya. Pada kategori afrika dan makanan, gambar memiliki karakteristik berupa intensitas warna yang bervariasi dan ketidakteraturan yang tinggi, sehingga akibat kemiripan karakteristik tersebut, hasil temu kembali dari kategori afrika sering terdapat gambar kategori makanan dan sebaliknya, selain itu latar belakang pada gambar tersebut ikut diperhitungkan dalam proses mendapatkan hasil temu kembali. Pada gambar kategori afrika, latar belakang banyak didominasi oleh tumbuhan maupun langit, sehingga pada hasil temu kembalinya sering terdapat gambar kategori lain yang ada tumbuhan maupun langit. Pada kategori bangunan, gambar memiliki karakteristik berupa bangunan yang didominasi bebatuan dan didominasi warna abu-abu, sehingga hasil temu kembali sering terdapat gambar kategori lain yang
11 46 terdapat bebatuan atau objek yang berwarna abu-abu. Pada ketiga kategori tersebut, sebagian besar karakteristik pada gambar banyak dimiliki oleh gambar pada kategori lain, sehingga pada saat proses mendapatkan hasil temu kembali, gambar dari kategori lainnya ikut muncul pada hasil temu kembali. Selain itu, hasil pada gambar 4.3 tersebut menunjukkan bahwa color histogram yang digunakan sebagai pembanding menghasilkan hasil akurasi rata-rata yang paling kecil. Dampak dari hasil penelitian adalah gambar relevan yang didapatkan akan semakin meningkat karena akurasi dari sistem TKCBK meningkat, sehingga dapat membantu mendapatkan gambar yang diinginkan dari kumpulan gambar yang besar.
BAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Pada saat ini, perkembangan teknologi memungkinkan kita untuk menyimpan gambar dalam format digital. Kumpulan gambar yang banyak membutuhkan sebuah sistem
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
32 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Pengukuran Precision Pada penelitian ini, eksperimen dilakukan terhadap 160 gambar ZuBuD yang terdiri dari 40 kategori gambar (setiap kategori terdiri atas 4 gambar).
Lebih terperinciBAB 4 HASIL PENELITIAN DAN PEMBAHASAN. Berikut ini adalah contoh tampilan hasil dari kueri:
BAB 4 HASIL PENELITIAN DAN PEMBAHASAN 4.1 Proses Retrival Berikut ini adalah contoh tampilan hasil dari kueri: 1. Kategori Gajah Gambar 4.1 Hasil kueri kategori gajah dengan histogram biasa 48 Gambar 4.2
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Temu Kembali Citra Berbasis Konten (TKCBK) 2.1.1 Pengertian TKCBK Menurut (Kondekar, Kolkure, & Kore, 2010) pengertian dari TKCBK adalah temu kembali dari gambar berbasis fitur
Lebih terperinciHASIL DAN PEMBAHASAN. B fch a. d b
7 dengan nilai σ yang digunakan pada tahap pelatihan sebelumnya. Selanjutnya dilakukan perhitungan tingkat akurasi SVM terhadap citra yang telah diprediksi secara benar dan tidak benar oleh model klasifikasi.
Lebih terperinciAPLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN ALGORITMA SOBEL S EDGE DETECTION Arwin Halim 1, Hernawati Gohzali 2, In Sin 3, Kelvin Wijaya 4
APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN ALGORITMA SOBEL S EDGE DETECTION Arwin Halim 1, Hernawati Gohzali 2, In Sin 3, Kelvin Wijaya 4 1,2,3,4 Jurusan Teknik Informatika, STMIK Mikroskil, Medan 1,2,3,4
Lebih 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 terperinci2.Landasan Teori. 2.1 Konsep Pemetaan Gambar dan Pengambilan Data.
6 2.Landasan Teori 2.1 Konsep Pemetaan Gambar dan Pengambilan Data. Informasi Multi Media pada database diproses untuk mengekstraksi fitur dan gambar.pada proses pengambilan, fitur dan juga atribut atribut
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 7 Diagram alur proses mutasi.
5 Mulai HASIL DAN PEMBAHASAN Kromosom P = rand [0,1] Ya P < Pm R = random Gen(r) dimutasi Selesai Tidak Gambar 7 Diagram alur proses mutasi. Hasil populasi baru yang terbentuk akan dievaluasi kembali dan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Pada bab pendahuluan ini akan diuraikan penjelasan mengenai latar belakang penelitian, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan
Lebih terperinciUCAPAN TERIMAKASIH. Denpasar, Agustus Penulis
UCAPAN TERIMAKASIH Segenap puja dan puji syukur penulis panjatkan kehadapan Ida Sang Hyang Widhi Wasa sebagai sumber dari segala sumber pengetahuan, karena atas asung kertha wara nugrahanya Tesis yang
Lebih terperinciAplikasi Image Retrieval dengan Histogram Warna dan Multiscale
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 Aplikasi Image Retrieval dengan Histogram Warna dan Multiscale GLCM Arwin Halim 1, Hardy 2, Mytosin 3 STMIK Mikroskil, Jl. Thamrin No. 112, 124, 140,
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 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 terperinciLatar Belakang. Perlunya inventarisasi data dari tiap motif batik dari seluruh daerah di Indonesia
Latar Belakang Latar Belakang 1 Perlunya inventarisasi data dari tiap motif batik dari seluruh daerah di Indonesia 2 Pengenalan motif citra batik contoh dengan pencarian citra batik yang mirip menggunakan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
Lebih 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 terperinciBAB 4 HASIL PENELITIAN DAN PEMBAHASAN. Berikut ini adalah contoh tampilan hasil dari kueri:
BAB 4 HASIL PENELITIAN DAN PEMBAHASAN 4.1 Proses Retrival Berikut ini adalah contoh tampilan hasil dari kueri: 1. Kategori Buah Gambar 4.1 Hasil kueri kategori buah dengan metode histogram warna 55 56
Lebih terperinciBAB IV ANALISA HASIL SISTEM. Lingkup uji coba aplikasi web ini adalah pada komputer yang terdapat web server
75 BAB IV ANALISA HASIL SISTEM 4.1 UMUM Lingkup uji coba aplikasi web ini adalah pada komputer yang terdapat web server Apache menggunakan PHP4-PHP5 dengan Apache2Triad sebagai tool dan matlab 6.1 sebagai
Lebih terperinciBAB III ANALISIS MASALAH DAN RANCANGAN PROGRAM
BAB III ANALISIS MASALAH DAN RANCANGAN PROGRAM III.1. Analisis Sistem yang Sedang Berjalan Proses analisa sistem merupakan langkah kedua pada pengembangan sistem. Analisa sistem dilakukan untuk memahami
Lebih terperinciEkstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE)
Teknologi Elektro, Vol. 16, No1, Januari-April 2017 85 Ekstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE) I Gusti Rai Agung Sugiartha 1, Made Sudarma 2, I Made
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 III METODOLOGI PENELITIAN
27 BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Saat ini perkembangan teknologi memungkinkan kita untuk membantu memberikan solusi di berbagai bidang. Multimedia Database memberikan banyak kontribusi
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 terperinciRata-rata token unik tiap dokumen
Percobaan Tujuan percobaan ini adalah untuk mengetahui kinerja algoritme pengoreksian ejaan Damerau Levenshtein. Akan dilihat apakah algoritme tersebut dapat memberikan usulan kata yang cukup baik untuk
Lebih terperinciAPLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK
APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK Arwin Halim 1, Hardy 2, Alvin Yufandi 3, Fiana 4 Program Studi Teknik Informatika, STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan
Lebih 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 terperinciBAB II LANDASAN TEORI
16 BAB II LANDASAN TEORI 2.1 Retrival Citra Saat ini telah terjadi peningkatan pesat dalam penggunaan gambar digital. Setiap hari pihak militer maupun sipil menghasilkan gambar digital dalam ukuran giga-byte.
Lebih terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih 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 terperinci1. Pendahuluan 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Saat ini, kebutuhan manusia akan teknologi semakin meningkat karena tidak bisa dipungkiri bahwa teknologi tersebut dapat meringankan pekerjaan manusia. Hal ini juga diimbangi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Menginterprestasi sebuah citra untuk memperoleh diskripsi tentang citra tersebut melalui beberapa proses antara lain preprocessing, segmentasi citra, analisis
Lebih terperinciGambar 2 Prinsip pencarian: (a) struktur dan area-area pencarian, (b) jumlah dari garis-garis sampling (Sumber: (Kirchgeβner et al. 2002).
6 kebanyakan informasi tentang suatu garis tepi objek akan berada pada frekuensi rendah dari transformasi Fourier diskret (Petković & Krapac 2002). Pada penerapan ekstraksi venasi daun, inisialisasi parameter
Lebih 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 terperinciImplementasi Principal Komponen Analysis untuk Sistem Balik Citra Digital
Nusantara of Engginering (NoE)/Vol. /No. /ISSN : 8 Implementasi Principal Komponen Analysis untuk Sistem Balik Citra Digital Okfan Rizal Ferdiansyah. Sistem Informasi, Fakultas Teknik Universitas Nusantara
Lebih terperinciTemu Kembali Citra Makanan Menggunakan Representasi Multi Texton Histogram
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-368 Temu Kembali Citra Makanan Menggunakan Representasi Multi Texton Histogram Imagine Clara Arabella, Nanik Suciati, dan Dini
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab landasan teori ini akan diuraikan mengenai teori-teori yang terkait dengan Content Based Image Retrieval, ekstraksi fitur, Operator Sobel, deteksi warna HSV, precision dan
Lebih terperinciGambar 1.1 Tahapan Penelitian
BAB 1 PENDAHULUAN Latar Belakang Masalah Content Based Image Retrieval (CBIR) atau dikenal sebagai query dengan konten image dan pengambilan informasi visual berbasis konten merupakan penerapan teknik
Lebih terperinciHASIL DAN PEMBAHASAN. Data
dengan menggunakan model Bayesian Network. Nilai kemiripan dapat dihitung dengan Persamaan 21. P(I j Q)=n[1-(1-P(CS j CS)) x(1-p(ct j CT))] (21) dengan n adalah jumlah citra pada basis data, P(CS j CS)
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1. Implementasi Pengujian dalam penelitian ini dilakukan dengan menggunakan MATLAB 29. Citra mammogram yang digunakan dibagi menjadi tiga kelas, yaitu kelas Normal, Benign
Lebih terperinciContent-Based Image Retrieval berbasis Warna, Bentuk dan Tekstur dengan Modifikasi Skala
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 Content-Based Image Retrieval berbasis Warna, Bentuk dan Tekstur dengan Modifikasi Skala Arwin Halim 1, Alex Xandra Albert Sim 2, Hardy 3, Mytosin
Lebih terperinciBAB 1 PENDAHULUAN. Pada tahun 1970an penelitian awal image retrieval dilakukan dengan
BAB 1 PENDAHULUAN 1.1 Latar belakang Pada tahun 1970an penelitian awal image retrieval dilakukan dengan menggunakan pendekatan pengindeksan dan informasi citra berbasis teks. Teknik pencarian berbasis
Lebih terperinciBAB I PENDAHULUAN. Perkembangan teknologi komputer dan internet semakin maju
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Perkembangan teknologi komputer dan internet semakin maju menyebabkan data digital yang dihasilkan, disimpan, ditransmisikan, dianalisis, dan diakses menjadi
Lebih terperinciBAB I PENDAHULUAN. semakin tinggi jumlah citra dijital yang dapat diakses oleh pengguna. Basis data citra
BAB I PENDAHULUAN 1.1 Latar Belakang Dengan perkembangan teknologi informasi dan komunikasi yang semakin pesat, semakin tinggi jumlah citra dijital yang dapat diakses oleh pengguna. Basis data citra akan
Lebih terperinci4 HASIL DAN PEMBAHASAN
24 4 HASIL DAN PEMBAHASAN 4.1 Data Korpus Data korpus berisi berita-berita nasional berbahasa Indonesia dari tanggal 11 Maret 2002 sampai 11 April 2002. Berita tersebut berasal dari berita online harian
Lebih terperinciABSTRAK. Kata kunci : temu-balik citra, metode BRISK dan ORB, histogram citra, search engine Bing. Universitas Kristen Maranatha
ABSTRAK Erwin Halim Interior Consultant adalah sebuah perusahaan yang bergerak dalam bidang jasa desain interior dan penjualan furnitur. Saat ini Erwin Halim Interior Consultant sudah memiliki sistem untuk
Lebih terperinciAPLIKASI IMAGE RETRIEVAL MENGGUNAKAN KOMBINASI METODE COLOR MOMENT DAN GABOR TEXTURE
APLIKASI IMAGE RETRIEVAL MENGGUNAKAN KOMBINASI METODE COLOR MOMENT DAN GABOR TEXTURE Arwin Halim 1, Hardy 2, Christina Dewi 3, Sulaiman Angkasa 4 Program Studi Teknik Informatika, STMIK Mikroskil Jl. Thamrin
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 terperinciIII METODOLOGI PENELITIAN
13 III METODOLOGI PENELITIAN 3.1 Kerangka Penelitian Penelitian dilakukan dalam lima tahapan utama, yaitu ekstraksi frame video, ekstraksi fitur SIFT dari seluruh frame, pembentukan kantong kata visual
Lebih terperinciBAB III PROSEDUR DAN METODOLOGI. Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala
52 BAB III PROSEDUR DAN METODOLOGI 3.1 ANALISA MASALAH Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala melakukan proses retrival citra dan bagaimana solusi untuk memecahkan masalah
Lebih terperinciMahasiswa: Muhimmatul Khoiro Dosen Pembimbing: M. Arief Bustomi, S.Si, M.Si.
Mahasiswa: Muhimmatul Khoiro 1110100049 Dosen Pembimbing: M. Arief Bustomi, S.Si, M.Si. Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2014 Diagnosa
Lebih terperinciPercobaan 1 Percobaan 2
direpresentasikan dengan histogram. Perlakuan pertama terhadap data-data penelitian ini adalah menghitung histogramnya. Kemudian dari interval antara 0-255 akan dibagi menjadi interval-interval bagian
Lebih terperinciPENGELOMPOKAN GAMBAR BERDASARKAN WARNA DAN BENTUK MENGGUNAKAN FGKA (FAST GENETIC KMEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR
PENGELOMPOKAN GAMBAR BERDASARKAN WARNA DAN BENTUK MENGGUNAKAN FGKA (FAST GENETIC KMEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR Farah Zakiyah Rahmanti 1, Entin Martiana K. 2, S.Kom, M.Kom, Nana Ramadijanti
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 terperinciFERY ANDRIYANTO
SISTEM ANALISA IMAGE PROCESSING UNTUK MENCARI KEMIRIPAN PADA TEKSTUR WARNA KULIT MANUSIA MENGGUNAKAN HISTOGRAM WARNA SKRIPSI Oleh : FERY ANDRIYANTO 0734010123 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI
Lebih terperinciBAB I PENDAHULUAN 1.1 LATAR BELAKANG. Tekstur adalah salah satu elemen dasar citra. Elemen dasar ini berupa ciriciri
1 BAB I PENDAHULUAN 1.1 LATAR BELAKANG Tekstur adalah salah satu elemen dasar citra. Elemen dasar ini berupa ciriciri atau sifat-sifat yang terdapat didalam citra dan membentuk suatu pola-pola dengan interval
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciBAB 4 ANALISA HASIL SISTEM
BAB 4 ANALISA HASIL SISTEM 4.1. Umum Pada bab ini akan dilakukan mengenai pengujian terhadap prosentase kemiripan dari sistem aplikasi yang telah dirancang. lingkup uji coba sistem aplikasi ini adalah
Lebih terperinci1. BAB I PENDAHULUAN. 1.1 Latar Belakang
1. BAB I PENDAHULUAN 1.1 Latar Belakang Industri kulit (leather) merupakan salah satu sektor industri yang mengalami pertumbuhan cukup tinggi. Pada data Badan Pusat Statistik (BPS) mengenai pertumbuhan
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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Ketersediaan informasi yang semakin banyak menjadikan ringkasan sebagai kebutuhan yang sangat penting (Mulyana, 2010). Menurut (Hovy, 2001) Ringkasan merupakan teks
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi, khususnya Ilmu Komputer telah menghasilkan berbagai kemudahan yang tentunya semakin mempermudah manusia di dalam menangani tugas tugas / permasalahan
Lebih terperinciGrafik yang menampilkan informasi mengenai penyebaran nilai intensitas pixel-pixel pada sebuah citra digital.
PSNR Histogram Nilai perbandingan antara intensitas maksimum dari intensitas citra terhadap error citra. Grafik yang menampilkan informasi mengenai penyebaran nilai intensitas pixel-pixel pada sebuah citra
Lebih terperinciBAB III METODE PENELITIAN
BAB III BAB 3 METODE PENELITIAN 3.1. Tahap pengumpulan data Data awal dalam penelitian ini adalah dokumen berupa artikel teks berita online dalam bahasa Indonesia yang dikumpulkan secara acak dari portal
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 terperinciText dan Web Mining - Budi Susanto 1 EVALUASI IR. Budi Susanto
Text dan Web Mining - Budi Susanto 1 EVALUASI IR Budi Susanto Text dan Web Mining - Budi Susanto 2 Tujuan mahasiswa memahami tentang bagaimana mengukur dan mengartikan precision dan recall terhadap sistem
Lebih terperinciEVALUASI IR. Tujuan 4/16/13. Budi Susanto
Text dan Web Mining - Budi Susanto 1 EVALUASI IR Budi Susanto Text dan Web Mining - Budi Susanto 2 Tujuan mahasiswa memahami tentang bagaimana mengukur dan mengartikan precision dan recall terhadap sistem
Lebih terperinciEKSTRAKSI WARNA, TEKSTUR DAN BENTUK UNTUK IMAGE RETRIEVAL
EKSTRAKSI WARNA, TEKSTUR DAN BENTUK UNTUK IMAGE RETRIEVAL Sugiartha 1), I Gusti Rai Agung 2) 1,2) Sistem Informasi, STMIK STIKOM Bali Jl Raya Puputan No. 86 Renon, Denpasar-Bali Email : sugiartha@stikom-bali.ac.id
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 terperinciUKDW 1. BAB I PENDAHULUAN. 1.1.Latar Belakang Masalah
1. BAB I PENDAHULUAN 1.1.Latar Belakang Masalah Tanaman bunga di dunia saat ini sangat beragam dan setiap bunga memiliki ciri karakteristik tertentu agar dapat dibedakan dari satu bunga dengan yang lain.
Lebih terperinciBAB IV PEMBAHASAN. Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil
BAB IV PEMBAHASAN Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil model Radial Basis Function Neural Network untuk diagnosa kanker otak, hasil klasifikasi, dan ketepatan hasil klasifikasinya.
Lebih terperinciVI. HASIL DAN PEMBAHASAN. Warna merupakan ciri dominan yang bisa dibedakan secara visual untuk
VI. HASIL DAN PEMBAHASAN A. Segmentasi Warna merupakan ciri dominan yang bisa dibedakan secara visual untuk mendapatkan informasi dari basisdata citra. Segmentasi warna adalah proses mengelompokkan citra
Lebih terperinciBab III ANALISIS&PERANCANGAN
3.1 Analisis Masalah Bab III ANALISIS&PERANCANGAN Pada penelitian sebelumnya yaitu ANALISIS CBIR TERHADAP TEKSTUR CITRA BATIK BERDASARKAN KEMIRIPAN CIRI BENTUK DAN TEKSTUR (A.Harris Rangkuti, Harjoko Agus;
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengenalan Wajah Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem keamanan selain pengenalan retina mata, pengenalan sidik jari
Lebih terperinciBAB 3 METODE PENELITIAN. pengelolaan dokumen yang efektif agar kita dapat me-retrieve informasi yang
58 BAB 3 METODE PENELITIAN 3.1 Analisis Masalah Seiring dengan perkembangan zaman, jumlah informasi yang disimpan dalam betuk digital semakin bertambah, sehingga dibutuhkan cara pengorganisasian dan pengelolaan
Lebih terperinciV HASIL DAN PEMBAHASAN
22 V HASIL DAN PEMBAHASAN 5.1 Karakteristik Video dan Ektraksi Frame Video yang digunakan di dalam penelitian ini merupakan gabungan dari beberapa cuplikan video yang berbeda. Tujuan penggabungan beberapa
Lebih terperinciIMPLEMENTASI TEMU KEMBALI CITRA BERBASIS ISI DENGAN FITUR TITIK-TITIK SIGNIFIKAN
IMPLEMENTASI TEMU KEMBALI CITRA BERBASIS ISI DENGAN FITUR TITIK-TITIK SIGNIFIKAN Rifky Alif Tama 1, Nanik Suciati 2, Arya Yudhi Wijaya 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS email : rifkyalif@gmail.com
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 terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Beras merupakan makanan pokok penduduk dunia salah satunya Indonesia sebagai Negara dengan tingkat konsumsi beras mencapai 139 kilogram perkapita per tahun dan menjadikan
Lebih terperinciBAB III METODE PENELITIAN. sekunder berupa citra Magnetic Resonansi Image (MRI) yang diperoleh dari
BAB III METODE PENELITIAN Metode penelitian yang dilakukan pada penelitian ini adalah teknik pengumpulan data dan teknik analisis data. A. Teknik Pengumpulan Data Data yang digunakan pada penelitian ini
Lebih terperinciImplementasi Principal Component Analysis - Scale Invariant Feature Transform pada Content Based Image Retrieval
e-issn : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi Volume 3 Nomor 3 Desember2017 Implementasi Principal Component Analysis - Scale Invariant Feature Transform pada Content Based Image Retrieval
Lebih terperinciSISTEM TEMU KEMBALI CITRA BERBASIS KONTEN MENGGUNAKAN HAAR WAVELET TRANSFORM DAN K-MEANS CLUSTERING
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 1, Maret 2016, hlm. 27-34 SISTEM TEMU KEMBALI CITRA BERBASIS KONTEN MENGGUNAKAN HAAR WAVELET TRANSFORM DAN K-MEANS CLUSTERING Eriq Muhammad
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Penelitian 4.1.1 Support Vector Machines (SVM) Setelah melalui proses training dan testing dengan metode Support Vector Machines (SVM), diperoleh hasil yang tertera
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sistem parkir khususnya untuk parkir mobil di tempat-tempat pusat perbelanjaan di Indonesia pada umumnya sudah menerapkan sistem otomatis. Setiap mobil yang
Lebih terperinciBAB I PENDAHULUAN. digunakan untuk identitas citra adalah nama file, tanggal pengambilan,
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Seiring berkembangnya teknologi, makin banyak pulalah hasil-hasil citra digital di berbagai aspek. Citra tersebut bisa merupakan hasil digitalisasi foto-foto analog,
Lebih terperinciPENDAHULUAN. Latar belakang
Latar belakang PEDAHULUA Kata kunci atau yang biasa disebut dengan query pada pencarian informasi dari sebuah search engine digunakan sebagai kriteria pencarian yang tepat dan sesuai dengan kebutuhan.
Lebih terperinciII TINJAUAN PUSTAKA. * adalah operasi konvolusi x dan y, adalah fungsi yang merepresentasikan citra output,
5 II INJAUAN PUSAKA.1 Fitur Scale Invariant Feature ransform (SIF) Fitur lokal ditentukan berdasarkan pada kemunculan sebuah objek pada lokasi tertentu di dalam frame. Fitur yang dimaksudkan haruslah bersifat
Lebih 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 terperinciIMAGE COLOR FEATURE. Achmad Basuki Politeknik Elektronika Negeri Surabaya
IMAGE COLOR FEATURE Achmad Basuki Politeknik Elektronika Negeri Surabaya Materi: 1. Image Color Feature 2. Application Using Image Color Feature 3. RGB-Cube 4. Histogram RGB Gabungan Layer Color Indeks
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 Rancang Bangun Sistem Pemantau Ruangan Berbasis Multi Kamera untuk Smartphone Android pada Jaringan Pikonet yang Adaptif terhadap Perubahan Situasi Ruangan
Lebih terperinciBAB 1 PENDAHULUAN. tubuh manusia. Hal itu dapat dipicu oleh berbagai faktor. Salah satunya adalah dari
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Di zaman ini, semakin banyak penyakit yang bermunculan dan terjangkit pada tubuh manusia. Hal itu dapat dipicu oleh berbagai faktor. Salah satunya adalah dari makanan
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 I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kain adalah bahan dasar dari pakaian yang biasa digunakan sebagai kebutuhan pokok manusia untuk melindungi dan menutup dirinya. Kain pun dapat menjadi identitas suatu
Lebih terperinciPENERAPAN ALGORITMA LATENT SEMANTIC INDEXING PADA CONTENT BASED IMAGE RETRIEVAL SYSTEM
PENERAPAN ALGORITMA LATENT SEMANTIC INDEXING PADA CONTENT BASED IMAGE RETRIEVAL SYSTEM Tugas Akhir Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas
Lebih terperinciDAFTAR ISI BAB II TINJAUAN PUSTAKA...4
DAFTAR ISI HALAMAN JUDUL...i PERNYATAAN BEBAS PLAGIARISME...ii HALAMAN PENGESAHAN...iii HALAMAN TUGAS...iv HALAMAN MOTTO...vi KATA PENGANTAR...vii DAFTAR ISI...ix DAFTAR TABEL...xiii DAFTAR GAMBAR...xv
Lebih terperinciImplementasi Principal Component Analysis Untuk Sistem Temu Balik Citra Digital
218 ISSN: 2354-5771 Implementasi Principal Component Analysis Untuk Sistem Temu Balik Citra Digital Okfan Rizal Ferdiansyah* 1, Ema Utami 2, Armadyah Amborowati 3 1 STMIK AMIKOM Yogyakarta 2,3 Magister
Lebih terperinciIMPLEMENTASI METODE MODIFIED HAUSDORFF DISTANCE DALAM MENILAI KEMIRIPAN CITRA. Andi Shahreza Harahap 1 Dini Sundani 2 Dewi Agushinta R 3.
IMPLEMENTASI METODE MODIFIED HAUSDORFF DISTANCE DALAM MENILAI KEMIRIPAN CITRA Andi Shahreza Harahap 1 Dini Sundani 2 Dewi Agushinta R 3 1, 2 Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas
Lebih terperinciBAB 4 HASIL DAN BAHASAN. dengan melampirkan tabel data precision dan recall serta diagram-diagramnya Precision Recall Interpolasi
67 BAB 4 HASIL DAN BAHASAN 4.1 Hasil Penelitian dan Evaluasi 4.1.1 Hasil Penelitian Berikut disajikan beberapa data hasil query dari penelitian yang dilakukan dengan melampirkan tabel data precision dan
Lebih terperincicomparing the search results using the method GCHs with the search results using the method LCHs or use both types of these histograms. So get a color
CBIR BERDASARKAN EKSTRAKSI FITUR WARNA MENGGUNAKAN JAVA Agus Sumarna sumarna_agus@yahoo.com Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Gunadarma, Margonda Raya 100 Depok 16424
Lebih terperinci