Analisis dan Implementasi Deteksi Citra Spam Menggunakan Gray Level Co-occurences Matrix dan Naive Bayes
|
|
- Susanti Pranata
- 6 tahun lalu
- Tontonan:
Transkripsi
1 OPEN ACCESS OPEN ACCESS ISSN socj.telkomuniversity.ac.id/indosc ISSN XXXX-XXXX NO. XX, SEPT 2016 SOCJ.TELKOMUNIVERSITY.AC.ID/INDOSC Ind. Symposium on Computing Sept pp doi: /indosc IND. SYMPOSIUMON COMPUTINGVOL. XX, PP. XX-XX. DOI:XXX Analisis dan Implementasi Deteksi Citra Spam Menggunakan Gray Level Co-occurences Matrix dan Naive Bayes Abdurrahman Jundullah #1, Mohammad Syahrul Mubarok #2, Adiwijaya #3 # InformaticsDepartment, Telkom University Telekomunikasi Street no. 1 Ters. Buah Batu Bandung Indonesia 1 abdurrahmanjun@students.telkomuniversity.ac.id 2 3 adiwijaya@telkomuniversity.ac.id Abstract Image spam is one of spamming techniques for sending spam message through image message content. Spam messages can be used as an opportunity for cybercriminals in the process of data theft. The message will detected as a spam when the system performs data processing with feature extraction. This study uses GLCM as texture-based on image extraction with an output parameter which is contrast, correlation, energy, homogeneity and entrophy. The GLCM output parameters will be the input data for naïve bayes classification process. Naïve Bayes approach used to implement the system that already built to define a set of images into image spam class or nonspam class. Based on this research observations result, known that the system has the average of performance classification f1-measure on 93%. Keywords: Gray Level Co-Occurrence Matrix (GLCM), Image Analysis, Naive Bayes classifier Abstrak Image Spam merupakan salah satu teknik spamming dengan mengirimkan spam melalui citra pada isi pesan. Pesan spam dapat dijadikan sebagai peluang untuk pelaku cybercrime dalam melakukan proses pencurian data. Untuk mengetahui citra pada data merupakan spam, sistem melakukan proses pengolahan data dengan ekstraksi ciri. Penelitian ini menggunakan GLCM sebagai ekstraksi citra berbasis tekstur dengan output parameter contrast, correlation, energy, homogeneity dan entrophy. Kemudian parameter output GLCM tersebut menjadi masukan untuk proses klasifikasi naivebayes. Naïve Bayes digunakan untuk mengimplementasi sistem yang dibangun agar mampu mengklasifikasikan kumpulan citra kedalam kelas imagespam atau non-spam. Berdasarkan hasil observasi, diketahui bahwa sistem yang dibangun memiliki performansi klasifikasi f1-measure rata-rata 93%. Kata Kunci: Gray Level Co-Occurences Matrix (GLCM), Analisis Citra, Naive Bayes Classifier Received on August Accepted on Sept 2016
2 Abdurrahman Jundullah et.al. Analisis dan Implementasi Deteksi P I. PENDAHULUAN erkembangan internet untuk memenuhi kebutuhan masyarakat semakin hari semakin cepat. Hal tersebut mempengaruhi proses komunikasi yang membuat semakin populer nya komunikasi menggunakan media digital. merupakan salah satu dari media komunikasi digital dengan jumlah pengguna yang sangat banyak, bahkan di sebutkan pada Statistic Report [1] pengguna diperkirakan akan meningkat hingga 4.3 billion account di akhir tahun 2016.Proses komunikasi menggunakan media digital dapat terganggu oleh pesan-pesan yang tidak dinginkan, pesan ini biasa disebut pesan spam. Pesan spam menjadi kendala pada proses komunikasi menggunakan media digital, karena para pengirim pesan (spammers)mengirimkan pesan-pesan yang tidak dinginkan seperti penjualan produk farmasi, konten dewasa, dan directlink yang tidak berhubungan dengan kebutuhan user penerima pesan. pesan tersebut biasanya dikirimkan dalam jumlah yang cukup banyak ke beberapa pengguna layanan. Karenanya pada , kasus spam sudah menjadi sebuah penyalahgunaan sistem elektronik pada media penyiaran dan sistem pengiriman digital. Penelitian untuk membangun sistem pendeteksi spam menggunakan learning kumpulan isi kalimat pesan sudah banyak dikembangkan oleh penyedia layanan. Oleh karena itu Image Spam menjadi hal yang baru dan menjadi salah satu teknik yang cukup popular di kalangan spammers.image spam muncul pada akhir tahun 2005 dan mencapai puncaknya pada tahun hingga lebih dari 50% spam [2]. Pada kasus lain pesan spam juga dapat dijadikan peluang oleh para pelaku cybercrime untuk melakukanpencurian data dengan teknik yang biasa disebut phishing. Pada teknik ini spammer mengirimkan isi pesan yang mengrahkan kan pengguna ke url tertentu untuk mendapatkan data-data penting pengguna tersebut. Penelitian pada tugas akhir ini akan melakukan proses implementasi dan analisa performansi sebuah sistem klasifikasi menggunakan fitur ekstraksi ciri berdasarkan tekstur file citra dengan metode gray level co-occurences matrix (GLCM). Metode ini berperan dalam membandingkan seberapa sering kombinasi piksel dengan ketetanggaannya terjadi pada gambar. Proses klasifikasi pada tugas akhir ini akan menggunakan naive bayes classifier, naive bayes dipilih karena hasil outputnya memiliki asumsi yang kuat (naive) terhadap ketertidakgantungan antar variable (variable independence) hal ini yang membuatnya memiliki performance yang baik namun mudah di implementasikan[3]. Proses ekstraksi GLCM akan mengahasilkan 5 variabel parameter yaitu contrast, correlation, energy, entrophy dan homogeneity. Parameter ini akan dijadikan input pada proses klasifikasi naive bayes. Lalu output klasifikasi dijadikan input pada proses evaluasi performansi sistem yang dinyatakan dalam accuracy, precision, recall dan f1-measure. A. Gray Level Co-Occurence Matrix (GLCM) II. TINJAUAN PUSTAKA Metode GLCM termasuk dalam metode statistik dimana dalam perhitungan statistiknya menggunakan distribusi derajat keabuan dengan mengukur hubungan ketetanggaan antar piksel di dalam citra. Penggunaan paradigma statistik ini tidak terbatas, sehingga sesuai untuk tekstur-tekstur alami yang tidak terstruktur dari sub pola dan himpunan aturan (mikrostruktur). Metode statistik terdiri dari ekstraksi ciri orde pertama dan ekstraksi ciri orde kedua. Ekstraksi ciri orde pertama dilakukan melalui histogram citra sedangkan ekstraksi ciri statistik orde kedua dilakukan dengan matriks kookurensi, yaitu suatu matriks yang merepresentasikan hubungan ketetanggaan antar piksel dalam citra pada berbagai arah orientasi dan jarak spasial[4]. Ilustrasi ekstraksi ciri statistik ditunjukkan pada Gambar 1.
3 OPEN ACCESS Ind. Symposium on Computing Sept ISSN XXXX-XXXX IND. SYMPOSIUMON COMPUTINGVOL. XX, NO. XX, SEPT 2016 SOCJ.TELKOMUNIVERSITY.AC.ID/INDOSC PP. XX-XX. DOI:XXX Gambar 1 ilustrasi pendekatan ciri statistik (a) (b) Histogram citra sebagai fungsi probabilitas kemunculan nilai intensitas pada citra, Hubungan ketetanggaan antar piksel sebagai fungsi orientasi dan jarak spasial Pada penelitian ini ciri statistik yang digunakan adalah ciri statistik orde dua. Salah satu teknik yang digunakan pada ciri ini adalah menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu. Kookurensi berarti kejadian bersama, yaitu jumlah kejadian nilai piksel bertetangga dengan nilai piksel lain dalam jarak (d) dan orientasi sudut (θ) tertentu dimana jarak dinyatakan dalam piksel dan orientasi dinyatakan dalam derajat. Orientasi dibentuk dalam empat arah sudut dengan interval sudut 45, yaitu 0, 45, 90, dan 135 sedangkan jarak antar piksel biasanya ditetapkan sebesar 1 piksel, 2 piksel, 3 piksel dan seterusnya. Setiap titik (i,j) pada matriks kookurensi berorientasi berisi peluang kejadian piksel bernilai i bertetangga dengan piksel bernilai j pada jarak d serta orientasi dan (180 θ). Sebagai contoh matriks 5 5 memiliki matriks GLCM dengan ukuran yang sama. Matriks kookurensi akan dihitung dengan nilai d=1 dan θ=0 derajat. Jumlah frekuensi munculnya pasangan (i,j) dihitung untuk keseluruhan matriks. Jumlah kookurensi diisikan pada matriks GLCM pada posisi sel yang bersesuaian[4]. Diberikan contoh matriks 5x5 pada tabel 1. TABEL 1 MATRIKS I Dengan menggunakan contoh matriks I dan level pengelompokan warna dari 1 hingga 4 maka proses pembentukan matriks ketetanggaan dapat di jelaskan seperti pada gambar 2. Gambar 2 pembentukan matriks kookurensi
4 Abdurrahman Jundullah et.al. Analisis dan Implementasi Deteksi Setelah matriks ketetanggaan terbentuk,matriks tersebut akan dijadikan input untuk mencari matriks gclm simetrisnya, proses ini dilakukan dengan menjumlah kan matriks tersebutdan matriks tranposenya[4]. Proses pembentukan matriks di jabarkan pada Gambar 3. Gambar 3 pembentukan matriks simteris Selanjutnya matriks simetris akan di normalisasi untuk dijadikan input dari parameter pengukuran probabilistik GLCM. Proses normalisasi matriks simetris di jelaskan pada Gambar 4. Gambar 4 normalisasi matriks simetris Hasil normalisasi matriks akan dijadikan input pengukuran probabilistik yang merepresentasikan ciri tekstur berdasarkan persamaan Harralick[5]. Persamaan tersebut adalah contrast, correlation, energy, entrophy dan homogeneity. 1. Contrast/Kontras Parameter kontras mereperesentasikan variasi level keabuan dalam sebuah file citra, biasanya kontras dijadikan sebagai parameter nilai ketergantungan linear terhadap level keabuan pixel tetangga. Kontras juga bisa disebut variansi jumlah kuadrat (sum of squares variance)[6].rumus persamaan kontras dapat dilihat pada persamaan(1). i j 2 p(i, j) i,j (1) 2. Homogeneity/Homogenitas Homogenitas adalah kehomogenan variasi intensitas dalam citra. Persamaan ini dikatakan dapat merepresentasikan kekasaran pada bidang gambar[6]. Komputasi Homogenitas dapat dilihat pada persamaan (2). p(i, j) 1 + i j i,j (2)
5 OPEN ACCESS Ind. Symposium on Computing Sept ISSN XXXX-XXXX IND. SYMPOSIUMON COMPUTINGVOL. XX, NO. XX, SEPT 2016 SOCJ.TELKOMUNIVERSITY.AC.ID/INDOSC PP. XX-XX. DOI:XXX 3. Energi (Angular Second Moment) Energi merupakan fitur GLCM yang digunakan untuk mengukur konsentrasi pasangan intensitas pada matriks GLCM. Nilainya akan semakin tinggi ketika daerah citra memiliki nilai konstan atau pola yang berulang [6]. Komputasi energy dapat dilihat pada persamaan(3). p(i, j) 2 i,j (3) 4. Entropy Entropy merepresentasikan besar ukuran ketidakteraturan bentuk pada file citra[6].rumus persaman dapat dilihat pada persamaan(4). P i,j (log 2 P i,j ) i j (4) 5. Correlation/Korelasi Korelasi menunjukkan ketergantungan linier derajat keabuan dari piksel-piksel yang saling bertetangga pada citra[6]. Persamaan korelasi dapat di lihat pada persamaan(5). (i µ i )(j µ j ) P i,j i j (σ 2 [ i )(σ 2 j ) ] (5) Naïve Bayes Classifier Naïve Bayes Classifier merupakan sebuah metode klasifikasi yang berakar pada teorema Bayes. Ciri utama dari Naïve Bayes Classifier ini adalah asumsi yang sangat kuat (naïf) akan independensi dari masing-masing kondisi/kejadian. Sebelum menjelaskan Naïve Bayes Classifier ini, dijelaskan terlebih dahulu Teorema Bayes yang menjadi dasar dari metode tersebut. Pada teorema Bayes, bila terdapat dua kejadian yang terpisah (misalkan c dan d) [7], maka teorema Bayes dirumuskan seperti pada persamaan (6). P(c d) = P(d c)p(c) P(d) (6) Peluang kejadian c sebagai d ditentukan dari peluang d ketika c, peluang c, dan peluang d. Untuk menjelaskan teorema Naïve Bayes, perlu diketahui bahwa proses klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang cocok bagi sampel yang dianalisis tersebut. Karena itu, teorema Bayes di atas disesuaikan menjadi seperti pada persamaan(7). P(C F 1... F n ) = P(C)P(F 1... F n C) P(F 1... F n ) (7) Variabel C merepresentasikan kelas, sementara variabel F1... Fn merepresentasikan karakteristikkarakteristik petunjuk yang dibutuhkan untuk melakukan klasifikasi. Rumus tersebut menjelaskan bahwa peluang masuknya sampel dengan karakteristik tertentu dalam kelas C (posterior) adalah peluang munculnya kelas C (sebelum masuknya sampel tersebut, seringkali disebut prior), dikalikan dengan peluang kemunculan karakteristik-karakteristik sampel pada kelas C (disebut juga likelihood), dibagi dengan peluang kemunculan karakteristik-karakteristik sampel secara global (disebut juga evidence) [7]. Perumusan dapat ditulis secara sederhana seperti persamaan (8).
6 Abdurrahman Jundullah et.al. Analisis dan Implementasi Deteksi Posterior = (Prior)(Likelihood) Evidance (8) Nilai evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai dari Posterior tersebut yang nantinya akan dibandingkan dengan nilai-nilai Posterior kelas lainnya untuk menentukan ke kelas apa suatu sampel akan diklasifikasikan. Penentuan kelas yang cocok bagi suatu sampel dilakukan dengan cara membandingkan nilai Posterior untuk masing-masing kelas, dan mengambil kelas dengan nilai Posterior yang tinggi. Secara matematis klasifikasi dirumuskan dengan persamaan(9): c NB = arg max c C n P(c) P(f i c) i=1 (9) Persamaan (9) dinyatakan c adalah variabel kelas yang tergabung dalam suatu himpunan kelas C. Dapat dilihat bahwa rumusan di atas tidak memuat nilai Evidence. Hal ini disebabkan karena evidence memiliki nilai yang positif dan tetap untuk semua kelas sehingga tidak mempengaruhi perbandingan nilai Posterior, sehingga faktor Evidence ini dapat dihilangkan. Perlu menjadi perhatian pula bahwa metode Naïve Bayes Classifier ini dapat digunakan bila sebelumnya telah tersedia data yang dijadikan acuan untuk melakukan klasifikasi [7]. A. Gambaran Umum Sistem III. PERANCANGAN SISTEM Sistem akan menerima dataset berisi kombinasi dari citra spam dan non-spam yang akan diekstrak menggunakan fitur ekstraksi GLCM. keluaran dari fitur ekstraksi GLCM dijadikan masukan pada proses klasifikasi mengunakan naïvebayes. Proses klasifikasi akan menentukan data testing ke kelas spam atau kelas non-spam. Gambaran umum sistem yang telah dibangun dijelaskan pada Gambar 5. Start Dataset Splitting Dataset Training Data Testing Data Preprocessing GLCM extraction fitur Parameter Parameter Learning Learning Extraction Result Classification Result Classification Testing Extraction Result End Gambar 5 gambaran umum sistem
7 OPEN ACCESS Ind. Symposium on Computing Sept ISSN XXXX-XXXX IND. SYMPOSIUMON COMPUTINGVOL. XX, NO. XX, SEPT 2016 SOCJ.TELKOMUNIVERSITY.AC.ID/INDOSC PP. XX-XX. DOI:XXX 1) Splitting Dataset :Setelah sampling data dilakukan, kumpulan data balance akan di bagi menjadi dua bagian yaitu kumpulan data training dan kumpulan data testing. Data training merupakan kumpulan data yang digunakan untuk membuat parameter classifier, sedangkan data testing merupakan kumpulan data yang digunakan untuk menguji performansi sistem saat melakukan proses klasifikasi. Proses splitting dataset pada penelitian ini menggunakan 3 skenario yaitu 75% data training - 25% data testing, 50% data training - 50% data testing dan 25% data training - 75% data testing. 2) Preprocessing :Setiap data pada kumpulan data training dan data testing di lakukan preprocessing. Pada tahap ini, setiap citra akan dilakukan proses grayscaling agar nantinya dapat dijadikan input proses ekstraksi ciri. Proses ini merubah setiap piksel pada citra RGB yang merupakan kombinasi tiga layer warna, Red, Green dan Blue menjadi citra yang memiliki derajat ke abuan. Proses ini menggunakan average grayscaling. Diberikan contoh pada Gambar 6 dan 7 berupa salah satu tampilan citra spam sebelum dan sesudah proses grayscaling. Gambar 6 citra rgb Gambar 7 citra grayscale 3) GLCM Extraction Fitur :pada tahap ini sistem melakukan proses ekstraksi fitur dari setiap citra grayscale menggunakan GLCM. Metode GLCM merupakan fitur ekstraksi yang menganalisa pola tekstur pada citra keabuan. Alur proses fitur GLCM djelaskan pada Gambar 8. Start Quantization Co- Occurences Matrix Symetrical Matrix Vectorize Feature End Gambar 8 alur proses GLCM a) Quantization : Citra grayscale akan masuk kedalam tahap Quantization. Proses ini mengelompokan nilai piksel keabuan dalam tingkatan level tertentu. Derajat keabuan ini terdapat 256 variasi warna (0-255). Pada table 2 dijelaskan range variasi warna yang akan dikuantisasi menjadi 8 pengelompokan.
8 Abdurrahman Jundullah et.al. Analisis dan Implementasi Deteksi Tabel 2 pengelompokan level warna Level Nilai Contoh proses preprosesing sebuah citra menghasilkan matriks 4x5. Matriks tersebut akan di lakukan kuantisasi. Maka nilai derajat keabuan dari proses greyscaling akan diubah sesuai dengan pengelompokan pada Tabel 2. Pada tabel 3 dan 4 dijelaskan perubahan matriks 4x5 tersebut. Tabel 3 mariks input Tabel 4 matriks kuantisasi b) Co-Occurrence Matrix : matriks yang terdiri dari 8 level variasi tersebut akan dihitung ke tetanggaan antar pikselnya. Pada penelitian ini digunakan 4 macam sudut derajat ketetanggaan dengan jarak masingmasing 1 piksel ketetanggaan. Pada Gambar 9 berikut dijelaskan bagaimana contoh proses perhitungan ketetanggaan antar piksel dengan sudut 0 derajat dan 1 piksel jarak ketetanggaan. Gambar 9 matriks ketetanggaan c) Matrix Simetris :Setelah mendapatkan matriks ketetanggaan (Co Occurences Matrix), matriks tersebut dijumlahkan dengan matriks transpose-nya agar menghasilkan matriks yang simestris.
9 OPEN ACCESS Ind. Symposium on Computing Sept ISSN XXXX-XXXX IND. SYMPOSIUMON COMPUTINGVOL. XX, NO. XX, SEPT 2016 SOCJ.TELKOMUNIVERSITY.AC.ID/INDOSC PP. XX-XX. DOI:XXX Tabel 5 matriks simetris d) Vectorize Feature :Tahapan terakhir adalah vectorize feature. Pada proses ini dilakukan perhitungan fitur parameter GLCM yang akan digunakan sebagai input proses selanjutnya. Matriks simetris yang telah di buat akan di normalisasi dengan cara membagi setiap elemen matriks dengan jumlah total isi matriks simetris. Tabel 6 matriks normalisasi 4/64 4/ /64 0 4/64 0 4/64 0 2/64 2/ / / / / /64 0 2/64 2/64 0 2/64 4/64 2/ / /64 4/ / /64 2/ Setelah mendapatkan matriks normalisasi, data tersebut dihitung sesuai dengan parameter-parameter GLCM yaitu contrast, correlation, energy, homogeneity dan entrophy. Contoh dari perhitungan parameter GLCM menggunakan masukan symmetricalmatrix ditunjukan pada table 6. Tabel 7 komputasi output parameter No. Ciri Statistik Rumus Nilai 1 Contrast i j 2 p(i, j) i,j (i µ i )(j µ j ) 2 Correlation P i,j i j (σ [ 2 i )(σ 2 j ) ] Energy p(i, j) 2 p(i, j) 4 Homogeneity 1 + i j 5 Entrophy P i,j ( ln P i,j ) i,j i j i,j
10 Abdurrahman Jundullah et.al. Analisis dan Implementasi Deteksi ) Classification :Sebelum dapat melakukan proses klasifikasi, naïve bayes harus dibangun dengan masukan parameter dari ekstraksi data training Alur proses klasifikasi menggunakan naïve bayes ditunjukan pada gambar 10. Start Extraction Result Learning Extraction Result Testing Extraction Result Parameter Learning Parameter Classification End Gambar 10 proses klasifikasi Naive Bayes Data training yang telah melalui proses ekstraksi fitur akan dihitung nilai prior probabilityp(c), mean, dan standart deviasi untuk setiap kelas. Parameter-parameter tersebut akan menjadi acuan pada proses pembentukan model klasifikasi.. perhitungan prior probability P(c) dilakukan dengan menggunakan persamaan (10). P(c) = N c N (10) Mean dan standart deviasi merupakan output learning pada data training dari setiap kelas. perhitungan parameter Mean dilakukan dengan menggunakan persamaan (11), n µ = 1 n X i i=1 (11) Sedangkan perhitungan standart deviasidilakukan dengan menggunakan persamaan (12), σ = n i=1 (X i µ) 2 n 1 (12) Conditional probabilityp( X C ) merupakan kondisi jumlah besar kemungkinan nilai parameter X yang ada di kelas C. Dijelaskan Chen bahwa jika naïve bayes menggunakan continuous-valued feature sebagai input, parameter perhitungan pembentukan likelihood alaminya menggunakan distribusi gaussian (Gaussian distribution). Perhitungan distribusi Gaussian dilakukan dengan menggunakan persamaan (13). P( X c ) = 1 2µσ exp ( (X µ)2 2σ 2 ) (13)
11 OPEN ACCESS Ind. Symposium on Computing Sept ISSN XXXX-XXXX IND. SYMPOSIUMON COMPUTINGVOL. XX, NO. XX, SEPT 2016 SOCJ.TELKOMUNIVERSITY.AC.ID/INDOSC PP. XX-XX. DOI:XXX 5) Classification Result :Dalam penelitian ini proses klasifikasi menggunakan dua kelas yaitu kelas Spam dan Non-Spam, dengan parameter learning yang sudah didapatkan maka perhitungan probabilitas sebuah citra testing dapat dihitung sebagai berikut (14). c map = arg max P(c 1, c 2 X 1, X 2, X 2, X 2, X 5 ) c C P( c X X 5 ) = P( X X 5 c ) P(c) P(X X 5 ) Pada penelitian ini pendekatan bayes digunakan untuk menemukan kelas terbaik dari hasil posterior probability. Kelas terbaik dalam naïve bayes classifier adalah kelas yang memiliki probabilitas tertinggi atau maximum a posterior (MAP). B. Evaluasi Sistem Untuk mengukur evaluasi performansi sistem parameter acuan yang digunakan adalah accuracy, precision, recall dan f1-measure. IV. HASIL DAN PEMBAHASAN 1) Analisis Pengaruh Sampling Data : analisis observasi pertama dilakukan dengan menghitung besar perbandingan performansi sistem terhadap pengambilan data undersampling (balance data) dan dataset tanpa undersampling (imbalance data). Output analisa ini merupakan perbandingan besar persantase performansi sistem yang meliputi nilai accuracy dan f1-measure. Perbandingan besar rata-rata performansi sistem dari observasi sampling dataset tersebut ditunjukan pada gambar 11. (14) akurasi Sampling f1-score Without Sampling Gambar 11 perbandingan evaluasi sistem observasi pada proses observasi sampling dataset Proses analisa pada tahap ini didukung oleh asumsi parameter-parameter lain yang akan dianalisa pada tahap selanjutnya. Yaitu pembagian dataset menggunakan 75% data training - 25% data testing, parameter sudut GLCM yang digunakan adalah empat sudut dan pembentukan likelihood menggunakan Gaussian Distribution. Diagram pada gambar 11 menunjukan bahwa pada penelitian ini penggunaan dataset tanpa undersampling menghasilkan rata-rata f1-measure lebih besar dibandingkan dataset yang telah di undersampling. Hal ini dikarenakan semakin banyaknya data yang digunakan pada dataset tanpa undersampling memungkinkan banyak nya variasi data pada proses klasifikasi sehingga menghasilkan besar performansi yang lebih baik dibandingkan kumpulan data undersampling.
12 percentage (%) Abdurrahman Jundullah et.al. Analisis dan Implementasi Deteksi ) Analisis Pengaruh Observasi Pembagian Data : analisis observasi kedua melakukan besar perbandingan performansi sistem terhadap observasi Pembagian dataset. Pada analisa sebelumnya diketahui bahwa dataset yang memiliki output performansi paling baik adalah dataset tanpa undersampling. Karenanya pada tahap ini parameter-parameter yang digunakan adalah, dataset tanapa undersampling, parameter sudut yang digunakan adalah empat sudut dan pembentukan likelihood menggunakan Gaussian Distribution.Keluaran dari analisa ini merupakan perbandingan besar persantase performansi istem yang meliputi nilai Accuracy dan F1Measure. Pada gambar 12 adalah perbandingan nilai performansi dari observasi dataset f1-score accuracy 1490 Training 1000 training 500 training Gambar 12 perbandingan evaluasi sistem pada observasi splitting dataset Gambar 12menjelaskan bahwa pada penelitian ini penggunaan dataset dengan pembagian data 1420 file training 1000 file testing lebih baik dibandingkan pembagian data lainnya. Hal ini dikarenakan sistem akan memiliki wawasan tentang ciri dari dataset yang banyak jika semakin banyak data yang di pelajari oleh sistem. 3) Analisis Pengaruh Parameter Sudut Pada Proses Ekstraksi GLCM :Analisis observasi ketiga melakukan perbandingan besar performansi pada observasi parameter sudut di proses ekstraksi GLCM. Pada analisa sebelummnya diketahui bahwa pembagian data paling baik dengan menggunakan 1490 data training. Semakin banyak data yang dilearning oleh sistem semakin baik sistem output klasifikasi sistem. Pada tahap ini pembagian dataset training dan testing dilakukan dengan banyak data 75% data training dan 25% data testing. parameter-parameter yang digunakan adalah, dataset tanpa undersampling, menggunakan 75% data training 25% data testing dan pembentukan likelihood menggunakan Gaussian Distribution. Output analisa ini merupakan perbandingan besar persantase performansi istem yang meliputi nilai Accuracy dan F1Measure. Pada gambar 13 dijelaskan perbandingan nilai performansi dari observasi parameter GLCM tersebut.
13 OPEN ACCESS Ind. Symposium on Computing Sept ISSN XXXX-XXXX IND. SYMPOSIUMON COMPUTINGVOL. XX, NO. XX, SEPT 2016 SOCJ.TELKOMUNIVERSITY.AC.ID/INDOSC PP. XX-XX. DOI:XXX akurasi f1-score Satu Sudut Dua Sudut Tiga Sudut Empat Sudut Gambar 13 perbandingan evaluasi sistem dengan observasi parameter GLCM Gambar 13 menjelaskan bahwa pada penelitian ini penggunaan empat sudut pada parameter ekstraksi GLCM lebih baik dibandingkan observasi sudut lainnya. Banyak parameter sudut yang digunakan, akan mempengaruhi hasil performansi sistem. Pada skenario observasi ini ditujukan bahwa banyak jumlah parameter sudut yang digunakan pada ekstraksi ciri GLCM tidak mempengaruhi besar performansi sistem. Pengaruh penggunaan parameter sudut bergantung dari dataset yang digunakan. 4) Analisis Pengaruh Observasi Pembentukan Likelihood :Analisis observasi terakhir adalah melakukan perbandingan besar performansi pada observasi pembentukan likelihood. Observasi membandingkan antara pembentukan likelihood menggunakan Gaussian distribution dan diskritisasi menggunakan K-means. Pada analisa sebelummnya diketahui bahwa penggunaan empat sudut pada parameter ekstraksi GLCM menghasilkan besar performansi yang paling baik Karenanya pada tahap ini parameter-parameter yang digunakan adalah, dataset tanpa undersampling, menggunakan 75% data training 25% data testing dan empat sudut parameter ekstraksi. Output analisa ini merupakan perbandingan besar persantase performansi sistem yang meliputi nilai Accuracy dan F1Measure. Berikut pada Gambar 14 dijelaskan perbandingan nilai performansi dari observasi pembentukan likelihood akurasi Gaussian Distribution f1-score k-means Gambar 14 perbandingan evaluasi sistem dengan observasi pembentukan likelihood pada naive bayes
14 Abdurrahman Jundullah et.al. Analisis dan Implementasi Deteksi Gambar 14 menjelaskan bahwa pada penelitian ini pembentukan likelihood menggunakan GaussianDistribution menghasilkan besar perfomansi lebih baik dibandingkan diskritisasi menggunakan k- means. Hal ini dikarenakan output dari ekstraksi GLCM merupakan bilangan kontinu dan distribusi Gaussian merupakan teknik pendistribusian probabilitas data untuk kumpulan data kontinu. Sedangkan K-means merupakan teknik diskritisasi dengan K tertentu, pada analisa ini K yang digunakan sebanyak 5 namun menghasilkan hasil yang tidak lebih baik dibanding menggunakan distribusi Gaussian. V. KESIMPULAN Berdasarkan penelitian yang telah dilakukan, penulis menarik kesimpulan sebagai berikut : 1) Penggunaan Naïve bayes classifier pada penelitian ini terbukti dapat melakukan proses klasifikasi dengan besar rata-rata nilai f1-measure 93%. pada distribusi data 75% training dan 25% testing dengan menggunakan kumpulan data tanpa undersampling (imbalance). 2) Pada penelitian ini performansi sistem akan lebih baik jika menggunakan dataset tanpa undersampling dengan selisih besar akurasi 0.11% dan f1-measure 0.36%. 3) Banyak nya sudut pada parameter ekstraksi GLCM mampu mempengaruhi besar nilai f1-measure pada proses klasifikasi. Pada penelitian ini penggunaan 4 parameter sudut menghasilkan performansi sistem terbaik dengan besar rata-rata f1-measure 94.08%. 4) Pada penelitian ini penggunaan Gaussian distribution dalam proses pembentukan likelihood menghasilkan besar performansi yang lebih baik dibandingkan dengan menggunakan diskritisasi via K-means dengan selisih f1-measure sebesar 0.5%.
15 OPEN ACCESS Ind. Symposium on Computing Sept ISSN XXXX-XXXX IND. SYMPOSIUMON COMPUTINGVOL. XX, NO. XX, SEPT 2016 SOCJ.TELKOMUNIVERSITY.AC.ID/INDOSC PP. XX-XX. DOI:XXX REFERENCES [1] S. Radicati, " Statistics Report," The Radicati Group, Inc., CA, [2] Marshal Security, "Rise and Fall of Image Spam," Mashal Inc., United Kingdom, [3] Y. Song, A. Kolez and C. L. Giles, "Better Naive Bayes Classfication for High-Precision Spam Detection," vol. 39, pp , [4] I. P. G. S. PRADNYANA, PERANCANGAN SISTEM PENDETEKSI GENANGAN AIR POTENSI PERKEMBANGBIAKAN NYAMUK MELALUI FOTO CITRA UDARA DENGAN METODE GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM), Bandung: Telkom University, [5] R. M. Haralick, K. Shanmugam and I. Dinstein, "Textural Features for Image Classification," IEEE Transactions On Systems, Man and Cybernetics, vol. 3, pp , [6] microimages, " [Online]. Available: [Accessed ]. [7] S. Natalius, "Metoda Naive Bayes Classifier dan Penggunaannya pada Klasifikasi Dokumen," 2011.
16 334
ABSTRAK. 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Indonesia merupakan negara tropis yang memiliki + 30.000 spesies tumbuh-tumbuhan ([Depkes] 2007). Tumbuh-tumbuhan tersebut banyak yang dibudidayakan sebagai tanaman hias. Seiring
Lebih terperinciIMPLEMENTASI ALGORITMA RANDOM FORESTS UNTUK KLASIFIKASI SPAM PADA CITRA DAN TEXT INSTAGRAM TUGAS AKHIR
IMPLEMENTASI ALGORITMA RANDOM FORESTS UNTUK KLASIFIKASI SPAM PADA CITRA DAN TEXT INSTAGRAM TUGAS AKHIR RIZKY NOVRIYEDI PUTRA 1132001001 PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS
Lebih 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 PARAFRASA BAHASA INDONESIA MENGGUNAKAN NAÏVE BAYES
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 4978 IDENTIFIKASI PARAFRASA BAHASA INDONESIA MENGGUNAKAN NAÏVE BAYES Bayu Indrawarman Julianto 1, Adiwijaya 3, Mohamad Syahrul
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM
ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Dalam mengetahui suatu bahan jenis kulit cukup sulit karena bahan jenis kulit memeliki banyak jenis. Setiap permukaan atau tekstur dari setiap jenisnya
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 perolehan citra berbasis isi Berdasarkan tekstur menggunakan metode Gray level co-occurrence matrix dan Euclidean distance
Vol 1, No 3 Desember 2010 ISSN 2088-2130 Sistem perolehan citra berbasis isi Berdasarkan tekstur menggunakan metode Gray level co-occurrence matrix dan Euclidean distance * Fitri Damayanti, ** Husni, ***
Lebih terperinciBAB 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 terperinciMetoda Naïve Bayes Classifier dan Penggunaannya pada Klasifikasi Dokumen
Metoda Naïve Bayes Classifier dan Penggunaannya pada Klasifikasi Dokumen Samuel Natalius / 18209031 Program Studi Sistem dan Teknologi Informasi Sekolah Teknik Elektro dan Informatika Institut Teknologi
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 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 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 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 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 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 ANALISA DAN PERANCANGAN
BAB III ANALISA DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan yang paling awal dalam pembuatan sistem aplikasi ini. Analisis sistem dilakukan dengan tujuan untuk mengetahui dan
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 Topik pada Lirik Lagu dengan Metode Multinomial Naïve Bayes
OPEN ACCESS ISSN 2460-3295 socj.telkomuniversity.ac.id/indosc Ind. Symposium on Computing Sept 2016. pp. 139-148 doi:10.21108/indosc.2016.131 Klasifikasi Topik pada Lirik Lagu dengan Metode Multinomial
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 terperinciPengenalan Pola. Klasifikasi Naïve Bayes
Pengenalan Pola Klasifikasi Naïve Bayes PTIIK - 2014 Course Contents 1 Naïve Bayes Classifier 2 Fase Training 3 Fase Testing 4 Studi Kasus dan Latihan Naïve Bayes Classifier Metode klasifikasi ini diturunkan
Lebih terperinciKlasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor
Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor Puspa Rizky Trisnaningtyas 1, Maimunah 2 Program Studi Teknik Komputer Universitas Islam 45 Bekasi, Indonesia
Lebih 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 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 terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Lebih 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 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 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 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 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 terperinciREKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER
REKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER Titis Suwartiningsih (11 1065 1116) 1, Bagus Setya Rintyarna,
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 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 terperinciBAB III ANALISA DAN PERANCANGAN
BAB III ANALISA DAN PERANCANGAN 3.1. Analisis Sistem Tahapan analisis merupakan tahapan yang paling awal dalam pembuatan sistem aplikasi ini. Analisis sistem dilakukan dengan tujuan untuk mengetahui dan
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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Rancangan Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau informasi
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Pada bagian ini penulis akan menganalisa kebutuhan kebutuhan dalam membuat program ini. Setelah semua kebutuhan selesai dianalisa, maka penulis akan melanjutkan ke tahap
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih 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 terperinciEKSTRAKSI FITUR TEKSTUR CITRA TEMPE MENGGUNAKAN METODE GRAY LEVEL CO-OCCURENCE MATRIX
EKSTRAKSI FITUR TEKSTUR CITRA TEMPE MENGGUNAKAN METODE GRAY LEVEL CO-OCCURENCE MATRIX WINDAYANI ACHMAD ZAENULLAH 41511120110 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS MERCU BUANA
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 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 terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih 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 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 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 terperinciProdi S1 Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom.
PERANCANGAN SISTEM PENDETEKSI LEUKOPLAKIA MELALUI CITRA KLINIS RONGGA MULUT BERBASIS GRAY LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR DESIGN OF LEUKOPLAKIA DETECTION SYSTEM THROUGH CLINICAL PICTURE
Lebih terperinciKata kunci: Klasifikasi, warna kulit, naïve bayes
PENGKLASIFIKASI GENUS PANTHERA (HARIMAU, SINGA, JAGUAR DAN MACAN TUTUL DENGAN METODE NAIVE BAYES Program Studi Informatika, Program Teknologi Informasi dan Ilmu Komputer, Agus Suryanto, Brian Andrianto,
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 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 terperinciIMPLEMENTASI APLIKASI PENGENALAN JENIS KELAMIN BERDASARKAN CITRA WAJAH DENGAN METODE SUPPORT VECTOR MACHINE SECARA REAL TIME
IMPLEMENTASI APLIKASI PENGENALAN JENIS KELAMIN BERDASARKAN CITRA WAJAH DENGAN METODE SUPPORT VECTOR MACHINE SECARA REAL TIME Implementation of Gender Recognition Applications Based on Face Image with Support
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 terperinciSCENE COMPLETION MENGGUNAKAN TEMPLATE MATCHING DAN POISSON BLENDING
SCENE COMPLETION MENGGUNAKAN TEMPLATE MATCHING DAN POISSON BLENDING Erick Alfons Lisangan Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Atma Jaya Makassar Alamat email : erick_lisangan@lecturer.uajm.ac.id
Lebih terperinciKLASIFIKASI USIA MENGGUNAKAN CIRI ORDE DUA
KLASIFIKASI USIA MENGGUNAKAN CIRI ORDE DUA Mukti Qamal * Abstract Identification of image is needed to facilitate the work of humans in terms of classification. The statistical method is one method often
Lebih terperinciIdentifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ)
Identifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ) Sutarno Rouzan Fiqri Abdullah Rossi Passarella Jurusan Sistem
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENEITIAN 3. Pengumpulan Data Data yang digunakan dalam penelitian ini merupakan data citra tenun yang berasal dari beberapa daerah yang ada di indonesia, yakni tenun dari daerah Bali, Sumatra,
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 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 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 terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDESAIN KARTU UCAPAN
PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDESAIN KARTU UCAPAN Rudy Adipranata 1, Liliana 2, Gunawan Iteh Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas Kristen Petra Jl. Siwalankerto
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 terperinciKLASIFIKASI MOTIF KAIN TRADISIONAL BATIK BOMBA KAILI BERDASARKAN FITUR TEKSTUR CITRA DIGITAL
KLASIFIKASI MOTIF KAIN TRADISIONAL BATIK BOMBA KAILI BERDASARKAN FITUR TEKSTUR CITRA DIGITAL Nuraedah 1), Muhammad Bakri 2) 1) Jurusan Pendidikan Sejarah, Fakultas Ilmu Pendidikan dan Keguruan, Universitas
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 terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : Tabel 2.1 Penelitian sebelumnya Parameter Penulis Objek Metode Hasil
Lebih terperinciPengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya
Pengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya 1 Hafidz Surahman 1, Aisyah Fuja 2, Ir.Rubandi 3, Willy 4 1,2 STMIK GI MDP; Jalan Rajawali No.14 Palembang,
Lebih terperinciImplementasi Rancangan Aplikasi Ekstraksi Ciri Citra Digital berbasis Client-Server
Implementasi Rancangan Aplikasi Ekstraksi Ciri Citra Digital berbasis Client-Server Fredy Windana Program Studi Teknik Informatika, STT STIKMA Internasional Jl. Panji Suroso 91A Malang fredywind@gmail.com
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA DETEKSI KANKER PAYUDARA PADA CITRA MIKROKALSIFIKASI MAMMOGRAFI DENGAN METODE NAIVE BAYES SKRIPSI
DETEKSI KANKER PAYUDARA PADA CITRA MIKROKALSIFIKASI MAMMOGRAFI DENGAN METODE NAIVE BAYES SKRIPSI MADHANAYU PUTRI TARISTA PROGRAM STUDI S-1 TEKNOBIOMEDIK DEPARTEMEN FISIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS
Lebih terperinciSISTEM PREDIKSI PENGUNDURAN DIRI PESERTA DIDIK MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER
SISTEM PREDIKSI PENGUNDURAN DIRI PESERTA DIDIK MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER ARTIKEL SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dataset
BAB III METODOLOGI PENELITIAN Metodologi penelitian diuraikan dalam skema tahap penelitian untuk memberikan petunjuk atau gambaran yang jelas, teratur, dan sistematis seperti yang ditunjukkan pada Gambar
Lebih terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
Lebih 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 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 terperinciAPLIKASI IDENTIFIKASI CIRI TEKSTUR KAYU JATI MENGGUNAKAN METODA GRAY LEVEL CO OCCURRENCE MATRIX
APLIKASI IDENTIFIKASI CIRI TEKSTUR KAYU JATI MENGGUNAKAN METODA GRAY LEVEL CO OCCURRENCE MATRIX PRASTIKA INDRIYANTI 41512010042 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS MERCU
Lebih terperinciKlasifikasi Buah Jeruk Menggunakan Metode Naive Bayes Berdasarkan Analisis Tekstur dan Normalisasi Warna
Klasifikasi Buah Jeruk Menggunakan Metode Naive Bayes Berdasarkan Analisis Tekstur dan Normalisasi Warna Wildan Agustian 1, Dra. Sri Setyaningsih, M.Si 1 Arie Qur ania, M.Kom 1 1. Program Studi Ilmu Komputer
Lebih terperinciDAFTAR ISI BAB II TINJAUAN PUSTAKA...4
DAFTAR ISI HALAMAN JUDUL...i PERNYATAAN BEBAS PLAGIARISME...ii HALAMAN PENGESAHAN...iii HALAMAN TUGAS...iv HALAMAN MOTTO...vi KATA PENGANTAR...vii DAFTAR ISI...ix DAFTAR TABEL...xiii DAFTAR GAMBAR...xv
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur maupun metode
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2. Penelitian Terdahulu Beberapa penelitian mengenai pengenalan tulisan tangan telah banyak dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur
Lebih terperinciKLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (Studi Kasus : Calon Pendonor Darah di Kota Semarang)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 2, Tahun 2017, Halaman 193-200 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES
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 terperinciPENGGUNAAN METODE MULTINOMIAL NAÏVE BAYES PADA KLASIFIKASI SPAM ABSTRAK
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 106 ~ 112 106 PENGGUNAAN METODE MULTINOMIAL NAÏVE BAYES PADA KLASIFIKASI SPAM E-MAIL Tince Etlin Tallo 1, Bertha S. Djahi 2, Yulianto T. Polly 3 1,2,3 Jurusan Ilmu
Lebih terperinciPEMBUATAN WEB SERVICE SEBAGAI LAYANAN PENDETEKSI KONTEN PORNOGRAFI PADA CITRA DIGITAL DENGAN METODE IMAGE ZONING
PEMBUATAN WEB SERVICE SEBAGAI LAYANAN PENDETEKSI KONTEN PORNOGRAFI PADA CITRA DIGITAL DENGAN METODE IMAGE ZONING Oleh: Lourensius Bisma (5210100155) Dosen Pembimbing: Dr.Eng. Febriliyan Samopa, S.Kom.,
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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih 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 terperinciMetode klasifikasi Naïve Bayes. Team teaching
Metode klasifikasi Naïve Bayes Team teaching Metode klasifikasi ini diturunkan dari penerapan teorema Bayes dengan asumsi independence (saling bebas), Naive Bayes Classifier adalah metode pengklasifikasian
Lebih terperinciBAB III PEMBAHASAN. arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk
BAB III PEMBAHASAN Bab III merupakan pembahasan yang meliputi proses penelitian yaitu arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk klasifikasi stadium kanker payudara,
Lebih terperinciLANDASAN TEORI. 2.1 Citra Digital Pengertian Citra Digital
LANDASAN TEORI 2.1 Citra Digital 2.1.1 Pengertian Citra Digital Citra dapat didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y) dimana x dan y merupakan koordinat bidang datar, dan harga fungsi f disetiap
Lebih terperinci