JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6 1
|
|
- Hamdani Dharmawijaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) Identifikasi Cacat Peluru dengan Menggunakan Pengolahan Citra Digital Berbasis Learning Vector Quantization (LVQ) Angger Gusti Z dan Dwi Ratna S Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember (ITS) Surabaya Jl. Arief Rahman Hakim, Surabaya Indonesia dwiratna@matematika.its.ac.id Abstrak Akhir-akhir ini pengolahan citra digital memegang peranan yang cukup penting. Salah satu peranannya adalah melakukan pengenalan pola. Pengenalan pola bisa diaplikasikan dalam kegiatan industri pertahanan untuk dapat mengenali kecacatan pada peluru, sehingga dapat mempermudah dan mempercepat proses pemisahan antara peluru cacat dan baik. Tujuan penelitian ini adalah menggunakan teknik yang ada pada pengolahan citra digital untuk masukan pelatihan maupun pengujian. Serta algoritma Learning Vector Quantization(LVQ) untuk pengenalan pola pada peluru. Adapun tahap pengolahan citra yaitu mengubah citra masukan yang berupa RGB menjadi grayscale, cropping, normalisasi citra menjadi ukuran 50x50, proses filter menggunakan operasi Laplacian of Gaussian, dan proses binerisasi dengan Treshold 0.3. Hasil dari proses binerisasi itulah yang kemudian digunakan sebagai vektor input pada proses pelatihan dan pengujian algoritma Learning Vector Quantization (LVQ). Berdasarkan hasil pengujian menunjukkan sistem ini dapat mengenal bentuk peluru dengan tingkat keberhasilan 78%. Banyak faktor yang mempengaruhi kegagalan pada proses pengenalan yaitu noise atau gangguan yang terlalu banyak, dan kecacatan peluru yang sangat kecil sehingga tidak terdeteksi sewaktu filterisasi. Kata Kunci--- Peluru, Pengolahan Citra, Laplacian of Gaussian (LoG), Jaringan Syaraf Tiruan, Learning Vector Quantization (LVQ). pengenalan kecacatan pada peluru. Beberapa penelitian sebelumnya juga menggunakan algoritma LVQ dalam pengenalan pola antara lain: pengenalan secara otomatis lima jenis sel darah putih [1], pengenalan tulisan [2], pengenalan tanda tangan[3], pengenalan jenis botol [4]. Dan algoritma ini dipilih karena menurut Maharani,dan kawan-kawan [5] metode Learning Vector Quantization (LVQ) memiliki ratarata waktu lebih baik dari metode backpropagation dalam hal pengenalan. II. DASAR TEORI A. Peluru Peluru merupakan bagian dari senjata api yang memiliki beberapa jenis mulai 22 Long Rifle, 17 Hornady Mach 2, 4.7x33 DM11 Caseless, dan lain-lain. Berikut adalah contoh dari jenis-jenis peluru: Peluru umumnya terdiri dari beberapa bagian yaitu catridge, bullet, catridge case, smokeles gunpowder, primer, hal ini ditunjukkan pada gambar 2.2. I I. PENDAHULUAN NDUSTRI pertahanan di Indonesia mulai berkembang. Oleh karena itu, untuk dapat melayani permintaan yang semakin banyak industri tersebut harus mempercepat proses produksi, menambah karyawan dan alat produksi. Selain itu mereka harus tetap mempertahankan kualitasnya. Hal ini perlu dilakukan supaya industri pertahanan indonesia dapat bersaing dengan industri pertahanan luar negeri. Misalnya pada seleksi peluru, untuk memisahkan peluru yang cacat dengan yang tidak. Selama ini proses tersebut masih dilakukan secara manual yang mengakibatkan waktu produksi kurang efektif. Disisi lain, perkembangan teknologi semakin canggih. Teknologi pengenalan pola menggunakan komputer banyak diterapkan dalam kegiatan industri. Teknologi tersebut dapat diterapkan pada industri pertahanan, yaitu dalam proses seleksi hasil produksi peluru antara baik dan cacat. Penyeleksian hasil produksi peluru selama ini masih manual menggunakan penglihatan manusia dapat digantikan dengan teknologi tersebut. Penelitian ini bertujuan menerapkan teknik pengolahan citra dan algoritma Learning Vector!uantization (LVQ) untuk Gambar 1 Bagian-bagian dari Peluru[5] Dalam pembuatan peluru tidak jarang terdapat kecacatan yang dapat mempengaruhi daya tahan, kualitas, maupun tingkat keamanan pengguna. Kecacatan pada peluru bermacam, secara umum adalah smeared, Defective Head, Nicked or Dent, Defective Crimp dan lain-lain.
2 JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) B. Pengolahan Citra Digital Pengolahan citra digital adalah proses memanipulasi dan menganalisis citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Pengolahan citra dilakukan untuk memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (dalam hal ini komputer). Operasi-operasi yang dilakukan di dalam pengolahan citra banyak jenisnya, antara lain konversi format citra digital, mengubah format RGB menjadi Grayscale, cropping, scalling, filtering Laplacian of Gaussian dan binerisasi. 1. Grayscalling Grayscalling adalah teknik yang digunakan untuk mengubah citra berwarna (RGB) menjadi citra yang memiliki nilai keabuan (dari hitam menuju putih). Pengubahan dari citra berwarna ke bentuk grayscale mengikuti aturan berikut : s = r+g+b 3 (1) dengan : S = Nilai intensitas citra grayscale r = Nilai intensitas warna merah dari citra asal g = Nilai intensitas warna hijau dari citra asal b = Nilai intensitas warna biru dari citra asal 2. Cropping Cropping bertujuan untuk memotong citra sehingga citra yang diolah lebih kecil. Pemotongan tersebut dilakukan dengan cara mencari piksel-piksel terluar dari setiap sisi (atas, bawah, kiri, kanan). Piksel-piksel terluar itulah yang akan menjadi batas pemotongan, sehingga didapat citra segiempat yang siap diproses lebih lanjut. low pass filter umum memiliki riak, dan riak ditampilkan sebagai tepi) 3. Melakukan filter Laplacian pada image 5. Binerisasi Binerisasi citra merupakan proses merubah citra ke dalam bentuk biner (0 dan 1). Dengan merubah ke bentuk biner, citra hanya akan mempunyai 2 warna yakni, hitam dan putih. Proses pembineran dilakukan dengan membulatkan ke atas atau ke bawah untuk setiap nilai keabuan dari piksel yang berada di atas atau dibawah harga ambang. Metode untuk menentukan besarnya harga ambang disebut thresholding. Thresholding digunakan untuk mengatur jumlah derajat keabuan yang ada pada citra. Denganadanya thresholding maka derajat keabuan bisa diubah sesuai keingin dengan persamaan berikut : f x, y = a 1, f x, y < T a 2, f x, y T dengan : f x, y = Nilai intensitas yang baru f(x, y) = Nilai intensitas yang lama T = Nilai Threshold C. Learning Vector Quantization Learning Vector Quantization (LVQ) adalah suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input. Jika 2 vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor tersebut ke dalam kelas yang sama. (3) 3. Scalling Scalling bertujuan untuk mengubah ukuran pixel menjadi pixel ukuran M x N. Hal ini dilakukan karena setiap citra yang diolah belum tentu mempunyai ukuran yang sama. Scalling juga digunakan untuk memperkecil citra digital agar jumlah pixel yang akan diolah tidak terlalu banyak. Semakin banyak jumlah pixel maka semakin banyak data inputan. Sehingga menyebabkan semakin lama waktu komputasi. 4. Laplacian of Gaussian Laplacian of Gaussian terbentuk dari proses Gaussian yang diikuti operasi laplace. Fungsi Gaussian akan mengurangi derau sedangkan Laplacian akan menajamkan citra. Operator Laplace juga dapat mendeteksi lokasi tepi lebih akurat khususnya pada tepi yang curam. Hal ini dikarenakan zerocrossing sendiri yang mendefenisikan lokasi tepi. Pada tepi yang curam, turunan keduanya mempunyai zero-crossing, yaitu titik dimana terdapat pergantian tanda nilai turunan kedua sedangkan pada tepi yang landai tidak terdapat zerocrossing. Fungsi dari Laplacian of Gaussian sebagai berikut, LOG x, y = 2σ 2 x 2 +y 2 e x2+y 2 2σ 2 2σ 2 (2) Algoritma Laplacian of Gaussian 1. Input image 2. Pengaburan image, pengaburan ini dilakukan dengan convolving image menggunakan Gaussian (sebuah Gambar 2 Arsitekture LVQ Adapun langkah-langkah dari algoritma LVQ adalah sebagai berikut [6]: Langkah 1 : Inisialisasi vektor referensi dan learning rate Langkah 2 : Selama kondisi berhenti bernilai salah, kerjakan a, b, dan c berikut: a. Untuk setiap vektor x, kerjakan point 1 dan 2 berikut: 1. Temukan J sehingga x w j minimum 2. Update w j dengan mengikuti rumus: Jika T = c j maka w j = w j + α[x - w j ] Jika T c j maka w j = w j - α[x w j ] b. Kurangi learning rate c. Periksa kondisi berhenti
3 JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) x : vektor pelatihan (x 1,..., x j,..., x n ) T : kategori atau kelas yang benar untuk vektor pelatihan w j : vektor bobot untuk unit luaran ke-j (w 1j,.., w ij,.., w nj ) c j : kategori atau kelas hasil komputasi oleh unit luaran j x w j : jarak Eucledian antara vektor masukan dengan unit luaran III. PERANCANGAN SISTEM A. Perancangan Data 1. Data Masukan Data masukan dalam sistem ini adalah data yang dimasukkan oleh pengguna berupa citra peluru. Data ini merupakan hasil dari pengambilan citra peluru pada tempat yang telah di sediakan. 2. Data Proses Berikut adalah data-data proses dalam sistem identifikasi cacat peluru. Tabel 1 Data Proses Nama Data Tipe Data Keterangan Citra cropping Uint8 Data ini berupa matriks hasil cropping citra Peluru Area scalling Uint8 Data ini berupa matriks yang merupakan hasil dari scalling citra cropping. Filter LoG(Laplacian of Gaussian) Uint8 Data ini berupa nilai piksel hasil dari filter LoG citra scalling. Binerisasi Logical Data ini berupa nilai piksel biner( 0 dan 1) citra filter LoG Tipe data Uint8 adalah tipe data yang mempunyai rentang nilai 0-255(bulat positif). Sedangkan logical mempunyai nilai 0 dan 1 dan menghasilkan warnahitam dan putih. 3. Data Luaran Data luaran pada sistem ini berupa hasil pengenalan oleh algoritma LVQ terhadap data yang diberikan. B. Gambaran Sistem Secara Umum Sistem ini terdiri dari beberapa tahapan, yaitu tahap akuisisi, tahap pengolahan citra, dan tahap JST. Tahap akuisisi adalah tahapan awal sebelum memulai proses lain. Pada tahap ini sistem melakukan pengambilan citra peluru yang telah diambil sebelumnya pada tempat yang telah di sediakan. Adapun tahap pengolahan citra terdiri dari 4 proses sebagai berikut: 1. Proses cropping, yaitu proses memotong citra akuisisi sehingga diperoleh citra yang diharapkan. Dalam sistem ini, citra yang diharapkan adalah citra akuisisi yang dibatasi oleh piksel terluar yang nilai pikselnya ditentukan. Sehingga diperoleh citra yang terdapat obyek pelurunya saja. Dari proses cropping, sistem akan menghasilkan ukuran citra yang dirumuskan sebagai berikut: w = (X R X L ) = (Y B Y T ) (4) dengan: w adalah lebar citra cropping adalah tinggi citra cropping X R adalah piksel sumbu x paling kanan (batas kanan) X L adalah piksel sumbu x paling kiri (batas kiri) Y B adalah piksel sumbu y paling bawah (batas bawah) Y T adalah piksel sumbu y paling atas (batas atas) 2. Proses scalling, yaitu proses untuk mengubah ukuran citra menjadi citra normal yang sesuai dengan kebutuhan. Dalam tugas akhir ini, citra peluru akan direpresentasikan ke dalam matriks berukuran 50x50 dengan luas yang sama di masing-masing area. Dengan demikian ukuran luas masing-masing area dapat dirumuskan sebagai berikut: w = w /50 = /50 (5) dengan: w adalah lebar per area hasil scalling adalah tinggi per area hasil scalling 3. Proses filter citra menggunakan operator Laplacian of Gaussian. Pendekatan operator LoG dimulai dengan proses pengaburan citra dengan menggunakan filter Gaussian g c x, y = e ( x2 +y 2 2σ 2 ) (6) Dilanjutkan dengan filter penajaman menggunakan filter laplacian 2 f x, y = 2 f(x,y) + 2 f(x,y) (7) x 2 y 2 Dari persamaan (6) dan (7) akan didapatkan persamaan (2) yang merupakan rumus untuk mencari nilai kernel/mask dari filter Laplacian of Gaussian (LoG). 4. Proses Binerisasi dilakukan setelah citra dikenai proses filter menggunakan operator Laplacian of Gaussian. Pada proses ini citra diubah menjadi citra biner(0 dan 1). Untuk mengatur intensitas citra biner digunakan Tresholding yang dapat diatur. Pada tahap selanjutnya adalah tahap JST terdiri dari 2 proses, yaitu: 1. Proses pelatihan (training), yaitu proses melatih sistem sehingga mampu mengenali apabila diberikan masukan baru. 2. Proses pengujian (testing), yaitu proses pencocokan ciri suatu masukan baru terhadap ciri referensi yang sebelumnya telah dilatihkan kepada sistem. Gambaran sistem identifikasi kecacatan peluru dengan menggunakan algoritma LVQ mempunyai urutan tahap akuisisi, tahap pengolahan citra yaitu (proses cropping, proses scalling,proses filter, proses binerisasi), tahap selanjutnya adalah tahap JST. Tahapan-tahapan tersebut untuk lebih jelasnya dapat dilihat pada Gambar 3 berikut:
4 JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) B. Pengujian Tahap Pengolahan Citra Digital 1. Pengujian Proses Cropping Pengujian proses cropping bertujuan untuk mengetahui bahwa sistem berhasil mengambil obyek, sehingga yang tersisa hanya citra peluru. Gambar 5 berikut adalah gambar peluru yang telah dikenai proses cropping sehingga ukurannya menjadi lebih kecil. Ukuran pixelnya menjadi 375x369. Gambar 5 Hasil Cropping Data Pelatihan Gambar 3 Diagram Alir Proses Pelatihan (a) dan Diagram Alir Proses Pengujian (b) 2. Pengujian Proses Scalling Pengujian proses scallling bertujuan untuk mengetahui bahwa sistem telah mengubah ukuran pixel citra menjadi 50x50. Gambar 6 berikut adalah gambar peluru yang telah di kecilkan menjadi ukuran 50x50. IV. PENGUJIAN DAN PEMBAHASAN Perangkat yang digunakan dalam pengujian sistem terdiri dari beberapa perangkat keras dan perangkat lunak. Perangkat keras yang digunakan yaitu komputer dengan Prosesor intel(r) core(tm) i3-2370m CPU2.4 GHz, Memory 4 GB DDR3,. Sedangkan perangkat lunak yang digunakan adalah Matlab R2013a. A. Pengujian Tahap Akuisisi Tujuan dari pengujian tahap akuisisi adalah untuk mengetahui bahwa sistem telah mendapatkan piksel-piksel dari peluru. Pengujian dilakukan dengan cara menginputkan file citra Peluru ke dalam program yang telah dibuat. Gambar 4 berikut merupakan gambar proses akuisisi oleh Matlab: Gambar 6 Hasil Scalling Citra Peluru 3. Pengujian Proses Filterisasi Pengujian tahap filterisasi ini bertujuan untuk mendapatkan citra hasil pemfilteran dari operator Laplacian of Gaussian. Citra pertama-tama akan dikaburkan oleh operator Gaussian yang bertujuan untuk menghilangkan nosie. Selanjutnya akan ditajamkan oleh operator Laplacian. Gambar 4 Citra Peluru ukuran 1728x2592 pixel
5 JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) Learning rate dalam algoritma LVQ merupakan konstanta yang digunakan untuk mencari bobot baru. Rumus untuk mencari bobot dalam algoritma LVQ adalah sebagai berikut: w jbaru = w jlama α x w jlama (8) dengan: w j adalah bobot ke-j x adalah vektor pelatihan α adalah learning rate Untuk mengetahui pengaruh learning rate terhadap akurasi maka dilakukan pengujian dengan memasukkan nilai epoch sama dan learning rate berbeda-beda. Nilai learning rate yang dipilih adalah 0.5, 0.4, 0.3, 0.2, 0.1. Pengujian dilakukan pada peluru sebanyak 64 citra. Setiap pengujian dilakukan dengan nilai learning rate yang berbedabeda sebagaimana dijelaskan di atas. Tabel 2 berikut adalah hasil pengujian dengan learning rate yang berbeda-beda Tabel 2 Pengaruh Learning Rate Terhadap Pengujian Peluru yang ditesting Learning Rate Epoch Akurasi Baik+Cacat % Baik+Cacat % Baik+Cacat % Baik+Cacat % Gambar 7 Hasil filter Laplacian of Gaussian Citra Peluru Gambar 7 adalah gambar peluru yang telah dikenai proses filter oleh mask atau kernel dari operator Laplacian of Gasussian. 4. Pengujian Proses Binerisasi Pengujian tahap Biner ini bertujuan untuk mendapatkan citra yang telah diubah menjadi citra biner(0 dan 1). Untuk mengatur intensitas citra biner digunakan Thresholding yang dapat diatur Baik+Cacat % Iterasi Gambar 9 Grafik pengaruh Learning Rate dengan epoch/iterasi=5 Dari Tabel 2 dan Gambar 9 di atas diketahui bahwa pada iterasi sebanyak 5 dan learning rate terbaik adalah 0.3 mempunyai akurasi 76 %. Gambar 8 Hasil Binerisasi Citra Peluru Gambar 8 merupakan gambar hasil binerisasi dengan threshold=0.3. C. Pengujian Tahap LVQ 1. Pengaruh Learning Rate 2. Pengaruh Epoch Untuk mengetahui pengaruh epoch terhadap akurasi maka dilakukan pengujian dengan memasukkan nilai learning rate sama dan maksimal epoch berbeda-beda. Nilai epoch yang dipilih adalah 5, 10, 15, 25, 40. Pengujian dilakukan pada gambar peluru sebanyak 64. Setiap pengujian dilakukan dengan nilai epoch yang berbedabeda sebagaimana dijelaskan. Tabel 3 berikut adalah hasil pengujian dengan epoch yang berbeda-beda. Tabel 3 Pengaruh Epoch Terhadap Pengujian Peluru yang ditesting Learning Rate Epoch Akurasi Baik+Cacat % Baik+Cacat % Baik+Cacat % Baik+Cacat % Baik+Cacat %
6 JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) Learning Rate/Alpha= Gambar 10 Grafik pengaruh epoch/iterasi dengan alpha=0.1 Dari Tabel 3 dan ambar 10 di atas diketahui bahwa epoch pada learning rate (alpha) = 0.1 berpengaruh pada hasil. Dan hasil terbaik sebesar 78% pada alpha= 0.1 dengan iterasi sebanyak 40. V. KESIMPULAN Berdasarkan analisis terhadap hasil pengujian yang telah dilakukan terhadap sistem identifikasi kecacatan peluru dengan menggunakan algoritma Learning Vector Quantization, maka dapat diambil beberapa kesimpulan sebagai berikut: 1. Tugas Akhir ini telah berhasil melakukan identifikasi cacat peluru dengan menggunakan pengolahan citra digital dan Learning Vector Quantization dengan urutan proses cropping, proses scalling, proses filtering, dan proses binerisasi. 2. Metode Learning Vector Quantization pada Tugas Akhir ini dapat mengenali citra peluru dengan akurasi sebesar 78% pada learning rate 0.1 dan iterasi sebanyak 30. DAFTAR PUSTAKA [1] Tabrizi P.R,dkk. (2010). Using PCA and LVQ Neural Network for Automatic Recognition offive Types of White Blood Cells. Argentina. 32nd Annual International Conference of the IEEE EMBS Buenos Aires [2] Rohwana PENGENALAN TULISAN TANGAN HURUF LATIN BERSAMBUNG SECARA REAL TIME MENGGUNAKAN ALGORITMA LEARNING VECTOR QUANTIZATION. Institut Teknologi Sepuluh Nopember, Surabaya. [3] Difla, Rosmalinda JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION UNTUK APLIKASI PENGENALAN TANDA TANGAN. Universitas Islam Indonesia, Yogyakarta [4] Wuryandari, Maharani Dessy. (2011). PERBANDINGAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION PADA PENGENALAN WAJAH. Bandung. Universitas Komputer Indonesia [5] Jenis Peluru,diambil februari 2014 dari [6] Fausett, L Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Prentice Hall International.Inc.
Oleh: Angger Gusti Zamzany( ) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.
Oleh: Angger Gusti Zamzany(1210100 073) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI PENGUJIAN
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1 Pengenalan Tulisan Tangan Huruf Latin Bersambung Secara Real Time Menggunakan Algoritma Learning Vector Quantization Ulir Rohwana dan M Isa Irawan
Lebih terperinciOleh: Ulir Rohwana ( ) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T.
Oleh: Ulir Rohwana (1209 100 702) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI HASIL DAN PENGUJIAN
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Nama Mahasiswa : Gigih Prasetyo Cahyono NRP : 1206 100 067 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Prof.
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
Lebih terperinciSISTEM KONVERSI DOKUMEN IDENTITAS INDIVIDU MENJADI SUATU TABEL
JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2013) 1-8 1 SISTEM KONVERSI DOKUMEN IDENTITAS INDIVIDU MENJADI SUATU TABEL Muhammad Mushonnif Junaidi dan Nurul Hidayat Jurusan Matematika, Fakultas Matematika
Lebih terperinciPendeteksian Tepi Citra CT Scan dengan Menggunakan Laplacian of Gaussian (LOG) Nurhasanah *)
Pendeteksian Tepi Citra CT Scan dengan Menggunakan Laplacian of Gaussian (LOG) Nurhasanah *) *) Jurusan Fisika, FMIPA Universitas Tanjungpura Abstrak CT scan mampu menghasilkan citra organ internal (struktur
Lebih terperinciALGORITMA LEARNING VECTOR QUANTIZATION UNTUK PENGENALAN BARCODE BUKU DI PERPUSTAKAAN UNIVERSITAS GALUH CIAMIS
ALGORITMA LEARNING VECTOR QUANTIZATION UNTUK PENGENALAN BARCODE BUKU DI PERPUSTAKAAN UNIVERSITAS GALUH CIAMIS Egi Badar Sambani 1), Neneng Sri Uryani 2), Rifki Agung Kusuma Putra 3) Jurusan Teknik Informatika,
Lebih terperinciSISTEM PENGENALAN TULISAN TANGAN REAL TIME MENGGUNAKAN METODE DOMINANT POINT DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN TULISAN TANGAN REAL TIME MENGGUNAKAN METODE DOMINANT POINT DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Oleh: Bakhtiar Arifin (1206 100 722) Dosen Pembimbing: Prof. DR. M.
Lebih terperinciPERBANDINGAN ANTARA METODE KOHONEN NEURAL NETWORK DAN LEARNING VECTOR QUANTIZATION PADA SISTEM PENGENALAN TULISAN TANGAN SECARA REAL TIME
PERBANDINGAN ANTARA METODE KOHONEN NEURAL NETWORK DAN LEARNING VECTOR QUANTIZATION PADA SISTEM PENGENALAN TULISAN TANGAN SECARA REAL TIME Nama Mahasiswa : Asworo NRP : 205 00 077 Jurusan : Matematika FMIPA-ITS
Lebih terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jaringan syaraf tiruan merupakan bidang ilmu yang banyak digunakan dalam melakukan pengenalan pola suatu obyek. Banyak obyek yang dapat digunakan untuk pengenalan pola
Lebih terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
Lebih terperinciIDENTIFIKASI CITRA BILANGAN DESIMAL 0-9 BERBASIS LEARNING VECTOR QUANTIZATION SECARA REAL TIME
Jurnal POROS TEKNIK, Volume 4, No. 1, Juni 2012 : 24-29 IDENTIFIKASI CITRA BILANGAN DESIMAL 0-9 BERBASIS LEARNING VECTOR QUANTIZATION SECARA REAL TIME Gunawan Rudi Cahyono (1) (1) Staf Pengajar Jurusan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah
BAB 3 METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Prosesor Intel (R) Atom (TM) CPU N550
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
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 terperinciPendeteksi Cacat Pada Selongsong Peluru Berbasis Citra Menggunakan Gabor Filter
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1 Pendeteksi Cacat Pada Selongsong Peluru Berbasis Citra Menggunakan Gabor Filter M. Khairul Fahmi dan Dwi Ratna S Jurusan Matematika, Fakultas Matematika
Lebih terperinciDOKUMENTASI ULANG NASKAH BRAILLE MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
DOKUMENTASI ULANG NASKAH BRAILLE MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Chairisni Lubis 1, Yoestinus 2 1 Fakultas Teknologi Informasi, Universitas Tarumanagara-Jakarta, Chairisni.fti.untar@gmail.com
Lebih terperinciKlasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt
Klasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt Ardi Satrya Afandi Fakultas Teknologi Industri Universitas Gunadarma Depok, Indonesia art_dhi@yahoo.com Prihandoko,
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector
BAB III METODOLOGI PENELITIAN 3.1 Metode Penelitian Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) untuk pengenalan wajahterdiri dari empat metodologi penelitian,
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 terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di Laboratorium Pemodelan Fisika, Jurusan Fisika, Fakultas Matematika dan Ilmu
Lebih terperinciIMPLEMENTASI PENGOLAHAN CITRA DAN ALGORITMA LVQ UNTUK PENGENALAN POLA BUKU
IMPLEMENTASI PENGOLAHAN CITRA DAN ALGORITMA LVQ UNTUK PENGENALAN POLA BUKU Andi Lukman Program Studi Teknik Informatika STIMED Nusa Palapa, Jl. Urip Sumohardjo No. 20 Graha Pena Lt. 10 Makassar uke@stimednp.ac.id
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui tahapan awal didalam sebuah sistem pendeteksian filter sobel. Didalam aplikasi filter sobel ini
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN
44 BAB 3 ANALISA DAN PERANCANGAN 3.1 Analisa Analisa yang dilakukan terdiri dari : a. Analisa terhadap permasalahan yang ada. b. Analisa pemecahan masalah. 3.1.1 Analisa Permasalahan Pengenalan uang kertas
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra digital merupakan sebuah fungsi intensitas cahaya, dimana harga x dan y merupakan koordinat spasial dan harga fungsi f tersebut pada setiap titik merupakan
Lebih terperinciBAB II DASAR TEORI. 2.1 Meter Air. Gambar 2.1 Meter Air. Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus
BAB II DASAR TEORI 2.1 Meter Air Gambar 2.1 Meter Air Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor,
Lebih terperinci1.2 Rumusan Masalah Berdasarkan latar belakang yang telah dibuat diatas, rumusan masalah yang dapat diambil adalah :
BAB I PENDAHULUAN 1.1 Latar Belakang Tanda tangan adalah sebuah bentuk khusus dari tulisan tangan yang mengandung karakter khusus dan bentuk-bentuk tambahan yang sering digunakan sebagai bukti vertifikasi
Lebih terperinciBAB I PENDAHULUAN. menganalisis citra menggunakan bantuan komputer yang bertujuan untuk
BAB I PENDAHULUAN A. Latar Belakang Citra (gambar) adalah suatu representasi, kemiripan, atau imitasi dari suatu objek (Annisa, 2010). Citra mengandung informasi tentang objek yang direpresentasikan. Sehingga
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciIDENTIFIKASI KEASLIAN MATA UANG RUPIAH MELALUI INVISIBLE INK BERBASIS FOURIER TRANSFORM MENGGUNAKAN NEURAL LEARNING VECTOR QUANTIZATION
IDENTIFIKASI KEASLIAN MATA UANG RUPIAH MELALUI INVISIBLE INK BERBASIS FOURIER TRANSFORM MENGGUNAKAN NEURAL LEARNING VECTOR QUANTIZATION Yusron Rijal Jurusan Sistem Informasi STIKOMP SURABAYA, email: yusron@stikom.edu
Lebih terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciAplikasi Pengenalan Citra Chord Gitar Menggunakan Learning Vector Quantization (LVQ)
95 Aplikasi Pengenalan Citra Chord Gitar Menggunakan Learning Vector Quantization (LVQ) Imam Suderajad *), Tamam Asrori **), Mohammad ***), Dwi Prananto ****) Teknik Elektro, Universitas Panca Marga Email:
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciPerbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih terperinciANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR
ANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR Gibtha Fitri Laxmi 1, Puspa Eosina 2, Fety Fatimah 3 1,2,3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas
Lebih terperinciRancang Bangun Sistem Pengujian Distorsi Menggunakan Concentric Circle Method Pada Kaca Spion Kendaraan Bermotor Kategori L3 Berbasis Edge Detection
JURNAL TEKNIK POMITS Vol., No., (22) -6 Rancang Bangun Sistem Pengujian Distorsi Menggunakan Concentric Circle Method Pada Kaca Spion Kendaraan Bermotor Kategori L3 Berbasis Edge Detection Muji Tri Nurismu
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih terperinciAnalisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital
Analisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital Nurul Fuad 1, Yuliana Melita 2 Magister Teknologi Informasi Institut Saint Terapan & Teknologi
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2008 Express Edition. Proses perancangan menggunakan pendekatan Object Oriented
Lebih terperinciPENGGUNAAN METODE TEMPLATE MATCHING UNTUK MENDETEKSI CACAT PADA PRODUKSI PELURU
PENGGUNAAN METODE TEMPLATE MATCHING UNTUK MENDETEKSI CACAT PADA PRODUKSI PELURU Oleh: Amilia Khoiro Masruri 1210 100 029 Dosen Pembimbing: Dr. Budi Setiyono, S.Si, MT JURUSAN MATEMATIKA FAKULTAS MATEMATIKA
Lebih terperinciIDENTIFIKASI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN LEARNING VECTOR QUANTIZATION
IDENTIFIKASI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN LEARNING VECTOR QUANTIZATION RULIAH Program Studi Sistem Informasi Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru Jl. A. Yani Km. 33,3 Loktabat
Lebih terperinciIMPLEMENTASI METODE CANNY DAN SOBEL UNTUK MENDETEKSI TEPI CITRA
Hal : -29 IMPLEMENTASI METODE CANNY DAN SOBEL UNTUK MENDETEKSI TEPI CITRA Asmardi Zalukhu Mahasiswa Teknik Informatika STMIK Budi Darma Medan Jl. Sisingamangaraja No. 338 Simpang Limun Medan ABSTRAK Deteksi
Lebih terperinciBAB II TINJAUAN PUSTAKA. yang revelan dengan penelitian yang akan. antara metode Kohonen Neural Network dengan metode Learning ng Vector
BAB II TINJAUAN PUSTAKA Pada Bab ini akan menjelaskan tentang teori-teori o i serta hasil penelitian yang revelan dengan penelitian yang akan an dilakukan. an. A. Tinjauan an Pustaka Prabowo, o, Sarwoko
Lebih terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan sistem pendeteksi orang tergeletak mulai dari : pembentukan citra digital, background subtraction, binerisasi, median filtering,
Lebih terperinciPENGENALAN WAJAH DENGAN METODE ADJACENT PIXEL INTENSITY DIFFERENCE QUANTIZATION TERMODIFIKASI
PENGENALAN WAJAH DENGAN METODE ADJACENT PIXEL INTENSITY DIFFERENCE QUANTIZATION TERMODIFIKASI Nama Mahasiswa : Yuliono NRP : 1206 100 720 Jurusan : Matematika Dosen Pembimbing : Drs. Soetrisno, M.IKomp
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih terperinciAPLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK
APLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK Wiratmoko Yuwono Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya-ITS Jl. Raya ITS, Kampus ITS, Sukolilo Surabaya 60111
Lebih terperinciPENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Alfa Ceria Agustina (1) Sri Suwarno (2) Umi Proboyekti (3) sswn@ukdw.ac.id othie@ukdw.ac.id Abstraksi Saat ini jaringan saraf tiruan
Lebih terperinciFUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ)
BAB 2 FUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ) Bab ini akan menjelaskan algoritma pembelajaran FNLVQ konvensional yang dipelajari dari berbagai sumber referensi. Pada bab ini dijelaskan pula eksperimen
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengolahan Citra Pengolahan citra adalah kegiatan memanipulasi citra yang telah ada menjadi gambar lain dengan menggunakan suatu algoritma atau metode tertentu. Proses ini mempunyai
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini menjelaskan tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan dalam penelitian ini.
Lebih terperinciPERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL
PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL Nama Mahasiswa : Achmad Fauzi Arief NRP : 03 09 007 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom Abstrak
Lebih terperinciBAB III METODE PENELITIAN. Tujuan tugas akhir ini akan membangun suatu model sistem yang
BAB III METODE PENELITIAN 3.1 Model Pengembangan Tujuan tugas akhir ini akan membangun suatu model sistem yang melakukan proses data mulai dari pengolahan citra otak hingga menghasilkan output analisa
Lebih terperinciSEMINAR TUGAS AKHIR ATMISYA WIYANTI NRP Dosen Pembimbing Dr.rer.nat.Ir. Aulia M.T. Nasution, M.Sc. Suyanto,ST.MT
SEMINAR TUGAS AKHIR ATMISYA WIYANTI NRP 2404 100 032 Dosen Pembimbing Dr.rer.nat.Ir. Aulia M.T. Nasution, M.Sc. Suyanto,ST.MT JURUSAN TEKNIK FISIKA Fakultas Teknologi Industri Institut Teknologi Sepuluh
Lebih terperinciBAB II TINJAUAN PUSTAKA
7 BAB II TINJAUAN PUSTAKA Penelitian maupun pembuatan aplikasi mengenai pengenalan karakter / pengenalan pola ataupun yang berhubungan dengan Jaringan Syaraf Tiruan terlebih dengan metode Backpropagation
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Ayam seperti halnya hewan lain juga tidak terlepas dari serangan penyakit. Antisipasi untuk mencegah dan mengenali gejala penyakit yang berbahaya sangatlah penting.
Lebih terperinciKLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS
Ikhwan Ruslianto KLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS IKHWAN RUSLIANTO Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan
Lebih terperinciOleh: Riza Prasetya Wicaksana
Oleh: Riza Prasetya Wicaksana 2209 105 042 Pembimbing I : Dr. I Ketut Eddy Purnama, ST., MT. NIP. 196907301995121001 Pembimbing II : Muhtadin, ST., MT. NIP. 198106092009121003 Latar belakang Banyaknya
Lebih terperinciBAB III METODE ROBERTS DAN SOBEL DALAM MENDETEKSI TEPI SUATU CITRA DIGITAL
BAB III METODE ROBERTS DAN SOBEL DALAM MENDETEKSI TEPI SUATU CITRA DIGITAL 3.1 Tepi Objek Pertemuan antara bagian obyek dan bagian latar belakang disebut tepi obyek. Dalam pengolahan citra, tepi obyek
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 terperinciPENERAPAN METODE SOBEL DAN GAUSSIAN DALAM MENDETEKSI TEPI DAN MEMPERBAIKI KUALITAS CITRA
PENERAPAN METODE SOBEL DAN GAUSSIAN DALAM MENDETEKSI TEPI DAN MEMPERBAIKI KUALITAS CITRA HASNAH(12110738) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan Jl. Sisingamangaraja No. 338
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 terperinciIDENTIFIKASI KEMATANGAN JERUK BERDASARKAN CITRA WARNA RGB DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
IDENTIFIKASI KEMATANGAN JERUK BERDASARKAN CITRA WARNA RGB DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Erni Seniwati 1. 1 Program Studi Sistem Informatika STMIK AMIKOM Yogyakarta Email : erni.s@amikom.ac.id
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciPengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector Quantization
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3, Maret 2018, hlm. 1313-1317 http://j-ptiik.ub.ac.id Pengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciSuatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara.
Image Enhancement Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang bisa dilakukan misalnya dengan fungsi transformasi, operasi matematis,
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Pengolahan citra (image processing) merupakan proses untuk mengolah pixel-pixel dalam citra digital untuk tujuan tertentu. Beberapa alasan dilakukan pengolahan
Lebih terperinciDAFTAR ISI. Halaman Judul. Lembar Pengesahan Pembimbing. Lembar Pengesahan Penguji. Halaman Persembahan. Halaman Motto. Kata Pengantar.
DAFTAR ISI Halaman Judul i Lembar Pengesahan Pembimbing ii Lembar Pengesahan Penguji iii Halaman Persembahan iv Halaman Motto v Kata Pengantar vi Abstraksi viii Daftar Isi ix Daftar Gambar xii Daftar Tabel
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. fold Cross Validation, metode Convolutional neural network dari deep learning
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Program P rinsip kerja program yaitu dengan melakukan pra pengolahan citra terhadap foto fisik dari permukaan buah manggis agar ukuran seluruh data
Lebih terperinciIDENTIFIKASI CACAT AMUNISI DENGAN MENGGUNAKAN PENGOLAHAN CITRA DIGITAL DAN LINEAR DISCRIMINANT ANALYSIS (LDA)
TUGAS AKHIR SM-141501 IDENTIFIKASI CACAT AMUNISI DENGAN MENGGUNAKAN PENGOLAHAN CITRA DIGITAL DAN LINEAR DISCRIMINANT ANALYSIS (LDA) Maria Melinda NRP 1211 100 029 Dosen Pembimbing Dr. Dwi Ratna Sulistyaningrum,
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 terperinciPERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL
PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL Oleh : ACHMAD FAUZI ARIEF 1203 109 007 Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Pola Pengenalan pola (pattern recognition) adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur atau sifat
Lebih terperinciDETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ. Muhammad Imron Rosadi 1
DETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ Muhammad Imron Rosadi 1 Prodi Teknik Informatika, Universitas Yudharta Pasuruan Purwosari 67162 Pasuruan Jawa Timur 1 Email : Imron_uyp@yahoo.com ABSTRAK
Lebih terperinciKonvolusi. Esther Wibowo Erick Kurniawan
Konvolusi Esther Wibowo esther.visual@gmail.com Erick Kurniawan erick.kurniawan@gmail.com Filter / Penapis Digunakan untuk proses pengolahan citra: Perbaikan kualitas citra (image enhancement) Penghilangan
Lebih terperinciKomparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation
Komparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation DOSEN PEMBIMBING Prof. Dr. Moh. Isa Irawan, M.T. Dr. Imam Mukhlash,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Citra Citra merupakan salah satu komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Meskipun sebuah citra kaya akan informasi, namun sering
Lebih terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tanda Tangan Tanda tangan atau dalam bahasa Inggris disebut signature berasal dari latin signare yang berarti tanda atau tulisan tangan, dan biasanya diberikan gaya tulisan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Studi Berikut ini adalah beberapa studi terkait yang pernah melakukan penelitian identifikasi citra kendaraan: 1. KLASIFIKASI KENDARAAN MENGGUNAKAN LEARNING VECTOR
Lebih terperincii. Perangkat Keras Prosesor Intel Pentium(R) Dual-Core CPU 2.20 GHz
Data yang pada awalnya berupa chanel stereo diubah ke dalam chanel mono. Kemudian data tersebut disimpan dengan file berekstensi WAV. Praproses Pada tahap ini dilakukan ekstraksi ciri menggunakan metode
Lebih terperinciIdentifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation
Identifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation Destri Wulansari, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Sebagai tinjauan pustaka, berikut beberapa contoh penelitian telapak kaki yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman
BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian
Lebih terperinci