Implementasi Deteksi Mata Otomatis Menggunakan Pemfilteran Intensitas dan K-Means Clustering
|
|
- Farida Tan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 1 Implementasi Deteksi Mata Otomatis Menggunakan Pemfilteran Intensitas dan K-Means Clustering Ahmad Kadiq, Arya Yudhi Wijaya, dan Wijayanti Nurul Khotimah Jurusan Teknik Informatika, Fakultas Teknologi Informas Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya Indonesia arya@if.its.ac.id Abstrak Deteksi mata merupakan langkah awal yang penting dalam proses pengenalan wajah dan analisis ekspresi. Banyak penelitian yang telah dilakukan untuk menghindari kasus kesalahan deteksi mata. Kasus kesalahan deteksi mata menyebabkan kinerja sistem dalam pengenalan wajah menjadi kurang akurat. Jad metode yang mampu mendeteksi mata secara optimal perlu dikembangkan. Oleh karena itu, artikel ini menyajikan metode deteksi mata otomatis berdasarkan informasi intensitas untuk memecahkan masalah tersebut. Metode ini berisi tiga tahap utama meliputi tahap awal praproses analisis histogram, tahap proses transformasi Gabor wavelet dan K-means clustering, dan tahap akhir neighborhood operator untuk menentukan posisi yang tepat dari pusat pupil mata. Uji coba dilakukan terhadap 60 data uji dari citra LFW (Labeled Face in the Wild). Metode ini menghasilkan akurasi sebesar 93,33% dengan menggunakan nilai correction error < 0,16. Berdasarkan uji coba yang dilakukan, dapat disimpulkan bahwa metode yang diusulkan cukup bagus untuk pendeteksian pupil mata. Kata Kunci Analisis histogram, K-means clustering, Neigborhood operator, Transformasi Gabor wavelet D I. PENDAHULUAN eteksi mata merupakan langkah awal yang penting dalam pengenalan wajah dan analisis ekspresi. Dalam beberapa tahun terakhir, upaya penelitian pada bidang pengenalan wajah telah dilakukan untuk meningkatkan efektivitasnya. Secara umum algoritma deteksi mata dapat diklasifikasikan menjadi dua kategori yaitu citra berbasis inframerah aktif dan citra berbasis pasif. Kategori pendekatan berbasis inframerah aktif menggunakan sifat fisiologis pupil mata di bawah penerangan inframerah. Pendekatan ini dapat memperoleh posisi mata yang sangat akurat. Akan tetap pendekatan ini memerlukan perangkat keras tambahan untuk pengaturan tahap akuisisi citra sehingga membatasi potensi aplikasi. Pendekatan metode pasif juga menghasilkan hasil yang baik dalam beberapa percobaan tetapi hal tersebut juga memiliki keterbatasan. Ketika pendekatan metode pasif diaplikasikan dalam ekspresi wajah, kondisi pencahayaan menjadi tidak bagus dan resolusi citra rendah. Hal tersebut mempengaruhi kinerja algoritma deteksi mata. Sehubungan dengan masalah tersebut, banyak penelitian yang telah dilakukan. Peneliti melakukan integrasi segmentasi tekstur untuk menghindari over-segmentasi benda heterogen spektral. Selain itu, kasus fenomena deteksi mata yang hilang disebabkan daerah mata diklasifikasikan sebagai daerah bukan mata dapat mempengaruhi kinerja pengenalan wajah menjadi kurang akurat. Akan tetap penelitian terakhir menemukan bahwa metode yang cukup akurat untuk pendeteksian mata yaitu dengan menggunakan pendekatan informasi intensitas citra [1]. Dalam artikel in metode deteksi mata disajikan berdasarkan informasi intensitas. Dalam metode ini informasi intensitas dianggap sebagai properti paling penting. Informasi ini digambarkan dengan kondisi mata manusia yang lebih gelap dari bagian lain dari bagian wajah. Sedangkan pupil mata merupakan bagian yang lebih gelap dari daerah sekitar bola mata. Berdasarkan dua isyarat informasi tersebut, maka metode ini dapat diaplikasikan sebagai strategi deteksi yang optimal dalam aplikasi deteksi mata. Secara khusus, metode ini berisi 3 tahap mulai dari tahap awal praproses analisis histogram, tahap proses menggunakan transformasi Gabor wavelet dan K-means clustering digunakan untuk melokalisasi sekitar mata, dan tahap akhir neighborhood operator untuk menentukan posisi yang tepat dari pusat pupil mata [1]. II. METODOLOGI A. Data Masukan Data masukan merupakan data yang digunakan oleh pengguna perangkat lunak dalam proses pendeteksian citra wajah. Data masukan yang digunakan dalam proses pendeteksian lokasi pupil mata ini berasal dari dataset citra wajah LFW (Labeled Face in the Wild) dalam format RGB dengan file ekstensi Joint Photographic experts Group (JPG). Ukuran dari input citra wajah adalah 130x150 piksel [2]. Proses uji coba dan evaluasi dilakukan dengan mengambil 60 dataset secara acak dari citra LFW. Citra yang telah dipilih tersebut akan digunakan sebagai data uji coba. Data uji coba merupakan data yang digunakan untuk menguji perangkat lunak. Hasil data uji coba tersebut akan digunakan untuk proses evaluasi akurasi dari metode pendeteksian mata. B. Praproses Citra Wajah Tahap praproses merupakan tahap yang bertujuan untuk mengurangi pengaruh-pengaruh dari banyak faktor (misalnya, kondisi pencahayaan, bayangan wajah, dan lain-lain). Pada tahap in terdapat beberapa proses yaitu merubah citra ke dalam bentuk citra grayscale, analisis histogram, dan image enhancement. Adapun penjelasan tentang praproses pendeteksian deteksi mata dipaparkan sebagai berikut:
2 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 2 1. Proses Analisis Histogram Pada proses in citra masukan berupa citra wajah RGB yang dirubah menjadi citra grayscale. Persamaan (1) merupakan formula untuk merubah citra RGB menjadi citra grayscale. Gray = 0,299*Red+0,587*Green+0,114*Blue (1) dimana Gray adalah citra grayscale yang akan digunakan sebagai citra input. Proses analisis histogram ini akan menghasilkan keluaran berupa nilai intensitas skin area (S i ). Skin area (S i ) ini akan digunakan sebagai nilai ambang dalam image enhancement. Adapun langkah-langkah proses analisis histogram dijelaskan sebagai berikut: Langkah 1: Potong input untuk mendapatkan test windows berupa daerah persegi panjang (31 x 13 piksel) dengan posisi di tengah citra input. Langkah 2: Bagi citra input dari 256 intentitas yang berbeda (0-255) menjadi 13 grup yang dinotasikan sebagai g 1 (0-19), g 2 (20-39),, g 12 ( ), g 13 ( ). Carilah nilai maksimum m 1, m 2,, m 12, m 13 untuk setiap grup dalam histogram dari citra input. Langkah 3: Hitung rata-rata intensitas test windows dan tentukan g i berdasarkan grup yang sesuai dengan intensitas rata-rata. Nilai intensitas S i daerah kulit sama dengan m i [1]. 2. Proses Image Enhancement Proses ini merupakan lanjutan dalam tahap praproses. Tahap ini menggunakan citra grayscale sebagai citra masukan. Citra grayscale tersebut ditajamkan kontrasnya dengan image enhancement. Tujuan dari tahap ini adalah untuk meningkatkan kualitas citra, yaitu dengan meningkatkan tampilan visual dari citra input atau mengonversikan citra ke dalam bentuk yang lebih cocok untuk analisa mata. Citra keluaran dari image enhancement ini berupa citra yang telah ditajamkan kontrasnya. Persamaan (2) merupakan proses image enhancement. I' ( = (( I ( Im in)255 (Im ax Im in) I( < Imin, Imin = Si^ γ / c1 I( > Im ax, Im ax = Si^ γ / c2 Imin < I( < Im ax dimana I( dan I ( adalah nilai intensitas untuk setiap piksel sebelum dan sesudah dilakukan image enhancement, γ adalah correction factor sedangkan c 1 dan c 2 adalah dua threshold untuk control range nilai intensitas ouput image. Nilai γ > 1 dengan rentang [1.2,1.5] dan c 1, c 2 mempunyai rentang [1.2,2.4], [ ]. Dalam artikel ini pengujian menggunakan nilai γ = 1,004 dan c 1 =1,9, c 2 =1,0 [1]. C. Transformasi Gabor Wavelet Tahap transformasi Gabor wavelet ini merupakan tahap untuk memunculkan ciri-ciri khusus dari citra yang telah dikonvolusi terhadap kernel. Setelah melakukan peningkatan citra pada langkah sebelumnya, pengaruh variasi pencahayaan dan perubahan ekspresi deteksi mata dapat dikurangi beberapa (2) derajat. Akan tetap nilai intensitas mata manusia yang tidak selalu sama pada semua lokasi menyebabkan penentuan posisi daerah mata dari citra wajah cukup sulit. Jad perkiraan posisi mata diperoleh melalui proses transformasi dengan meningkatkan konvolusi citra wajah n. Metode yang digunakan adala transformasi Gabor wavelet Ψ μ,ν (z). Persamaan (3) merupakan formula Gabor wavelet Ψ μ,ν (z). Ψ μ,ν (z) = k μ,v /σ 2 e (- kμ,v 2 z 2/2σ2) [e i kμ,vz -e - σ2/2 ] (3) dimana v dan µ menentukan skala dan orientasi Gabor wavelet, z = (x, y), dan _ menunjukkan operator norma. k v,µ = k v e iφ µ adalah vektor gelombang, di mana k v = k max / f v dan φ u = πµ / 8. K max adalah maksimum frekuens dan f adalah faktor jarak antara kernel di frekuensi domain citra. Misalkan, f (x, y) adalah intensitas citra wajah, dengan konvolusi dari f (x, y) dengan Gabor wavelet ψ v,µ (x, y). Persamaan (4) merupakan definisi konvolusi citra transformasi Gabor wavelet ψ v,µ. G(x,y,v,µ) = f(x,y) * ψ v,μ (x,y) (4) dimana * menunjukkan operator konvolusi. Sedangkan, G(x,y,v,µ) merupakan hasil proses Gabor wavelet yang telah terkonvolusi. Proses konvolusi ini menggunakan filter Gabor wavelet dengan lima skala yang berbeda dan delapan orientasi yang berbeda dengan parameter berikut: v {0,1,...,4}, μ {1,2,...,8}, k max = π/2, f = 2, σ = 2π. Representasi Gabor wavelet ini terbentuk dari dua komponen yaitu komponen representasi yang real dan komponen bagian imajiner. Akan tetap hanya bagian representasi real yang difokuskan dalam penelitian ini. Penelitian ini menggunakan parameter v = {2,3,4} dan µ = 8. Pemilihan ini didasarkan pada dua alasan yaitu pada daerah mata dan alis, diorientasikan dengan karakteristik citra menonjol yang berarti bahwa sinyal mengandung kemungkinan lebih horizontal yang mencerminkan daerah lebih gelap, dan pada frekuensi rendah, orientasi Gabor wavelet terbukti lebih menguntungkan bagi perubahan berbagai intensitas rendah. Proses transformasi Gabor wavelet ini akan menghasilkan keluaran berupa reference image. Reference image merupakan hasil penggabungan tiga komponen real dari representasi Gabor wavelet dengan parameter v = {2,3,4} dan µ = 8. Persamaan (5) merupakan formula untuk mendapatkan reference image. R i (x,y) = q 1 G real (x,y,2,8) + q 2 G real (x,y,3,8) + q 3 G real (x,y,4,8) (5) q 1 +q 2 +q 3 =1 dan q 3 =2q 2 =4q 1 (6) dimana Ri (x, y) merupakan reference image atau hasil akhir penggabungan Gabor wavelet. G real (x,y,v u) merupakan hasil Gabor wavelet komponen real dengan parameter v = {2,3,4} dan µ = 8. Parameter q 1, q 2, q 3 merupakan perbandingan nilai bobot masing-masing G real dalam perhitungan formula reference image Ri (x, y).
3 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 3 Citra wajah Analisis Histogram Citra Tertajamkan Transformasi Gabor Reference Image (a) (b) (c) Langkah 3: Tandai piksel center 1 sebagai piksel putih dan sisanya sebagai piksel hitam. Piksel putih yang terbentuk pada citra akan dihapus jika memenuhi ketentuan sebagai berikut: Lebar dari patch citra < ketinggian patch citra. Jumlah piksel dalam patch citra < 10. Langkah 4: Hitung jumlah patch citra n, dan dapatkan pusat dari masing-masing patch citra c 1 (x,y), c 2 (x,y),, c n (x,y). Urutkan titik pusat sebagai c 1 (x,y), c 2 (x,y),, c n (x,y) dan center 1 c n (y). Salah satu dapat dipilih dari n melalui proses berikut: Jika n = 1, e(x,y) = c 1 (x,y). Jika n 2, e(x,y) = c 2 (x,y). Langkah 5: Potong citra grayscale dan dapatkan EW yang merupakan persegi panjang (31x13 piksel) berpusat di e(x,y). Analisis Cluster Eye Windows Neighborhood Operator Pupil Center RGB Gambar. 1. Diagram alir keseluruhan proses deteksi mata D. Analisis Cluster Tahap ini digunakan untuk menentukan estimasi posisi lokasi mata dalam citra input. Proses diawali dengan menentukan titik lokasi region yang diestimasi dimana posisi mata berada. Region dari pemotongan hasil citra pengolahan Gabor wavelet ini disebut dengan Pretreatment Windows (PW). Posisi pemotongan PW ditentukan dengan posisi center koordinat titik mata kiri dan kanan yaitu e 1 (x 1,y 1 ) dan e 2 (x 2,y 2 ). Koordinat e 1 dan e 2 ditentukan pada posisi x 1 =1,3w/4, y 1 =1,6h/5, x 2 =2,8w/4, y 2 =1,6h/5 dimana w merupakan lebar citra input dan h merupakan tinggi citra input. Ukuran pemotongan PW ini adalah 0,32w x 0,32w. Citra masukan dalam proses analisis cluster adalah PW. Proses ini akan menghasilkan Eye Windows (EW). EW merupakan daerah citra yang diestimasi sebagai posisi region mata. Adapun langkah-langkah proses analisis cluster sebagai berikut: Langkah 1: Partisi PW menjadi 3 inisialisasi pusat cluster yaitu center 1 = min(pw), center 2 = max(pw), center 3 = (center 1 +center 2 ) / 2. Langkah 2: Proses dilakukan dengan K-means clustering. Temukan centroid baru center 1, center 2, center 3 dengan iterasi 2 loop berikutnya sampai konvergen sehingga diperoleh centroid tidak lagi berubah. (d) (e) E. Lokalisasi Pusat Pupil Tahap ini merupakan tahap yang dilakukan untuk menentukan estimasi lokasi pupil mata dan melakukan penandaan pupil mata. Proses yang digunakan dalam tahap ini adalah metode neighborhood operator. Proses ini menggunakan EW sebagai citra masukan. Hasil dari proses ini berupa posisi titik yang akan digunakan untuk penandaan pupil mata pada citra asli RGB. Adapun proses neighborhood operator dijelaskan sebagai berikut: Langkah 1: Dapatkan citra NI(3,3) dengan menggunakan operator untuk setiap piksel dari EW dengan menambahkan 3x3-neighborhood dari setiap piksel menggantikan nilai piksel pusat. Citra NI(5,5) diperoleh dengan menggunakan operator di setiap piksel NI(3,3) dengan menambahkan 5x5-neighborhood masingmasing piksel menggantikan nilai piksel pusat. Tentukan nilai minimum pmin (x,y) dalam NI(5,5) pupil. Posisi p(x,y) adalah sama dengan pmin (x,y). Proses neighborhood operator menggunakan beberapa Langkah 2: fungsi yaitu proses 3x3-neighborhood operator dan proses 5x5-neighborhood operator. Proses 3x3-neighborhood operator digunakan untuk mengurangi pengaruh refleksi pencahayaan pupil. Sedangkan, proses 5x5-neighborhood operator digunakan untuk mengetahui lokasi center pupil. Setelah proses neighborhood operator dilakukan, maka intensitas citra hasil akan dilakukan pengecekan nilai minimalnya. Posisi dari nilai intensitas minimal tersebut merupakan posisi yang diestimasi sebagai center dari pupil mata. Posisi titik yang didapat akan dikembalikan pada citra asli RGB. Pada Gambar 1 dapat dilihat diagram alir keseluruhan proses pendeteksian mata beserta hasil output dari masingmasing proses yang ditunjukan dengan (a), (b), (c), (d), dan (e). Hasil ouput proses dijelaskan dengan (a) merupakan citra input proses, (b) merupakan citra hasil image enhancement, (c) merupakan citra Eye Windows, dan (e) merupakan citra RGB yang sudah ditandai.
4 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 4 A. Skenario Uji Coba III. UJI COBA Proses uji coba dilakukan dengan skenario pengambilan 60 citra input sebagai data masukan secara acak. Pengujian dilakukan dengan membandingkan akurasi perhitungan jarak dari hasil titik terdeteksi berdasar metode yang diusulkan dengan titik lokasi ground truth citra asli. Penghitungan jarak yang digunakan untuk menghitung ketetanggaan titik adalah euclidean distance. Encludian distance merupakan jarak antara 2 buah titik (x 1,y 1 ) dan (x 2,y 2 ). Euclidean distance merupakan akar dari selisih posisi x dikuadratkan ditambah selisih posisi y dikuadratkan. Persamaan (7) merupakan perhitungan correction error (d eye ). d eye = max(d l,d r ) / C l -C r (7) dimana d l dan d r merupakan euclidean distance antara ground truth citra asli dengan titik terdeteksi pada mata kiri dan kanan. C l dan C r merupakan pusat mata kiri dan pusat mata kanan pada ground truth. C l - C r didefinisikan sebagai jarak euclidean distance pusat mata pada ground truth citra asli. Dalam penelitian sebelumnya, dijelaskan bahwa pendeteksian dikatakan error benar jika perhitungan d eye < 0,25. Hal tersebut didasarkan pada perhitungan bahwa nilai C l - C r kira-kira sama dengan dua kali lebar mata. Perhitungan error d eye < 0,25 mempunyai arti bahwa ukuran besaran mata kurang dari setengah lebar mata, sehingga pendeteksian dianggap benar [3]. Akan tetap dalam uji coba implementasi algoritma dengan nilai error d eye < 0,25 ternyata masih belum maksimal dalam akurasi ketepatan pendeteksian. Maka, evaluasi uji coba dalam penelitian ini digunakan parameter lebih kecil error d eye < 0,16. Proses analisis hasil uji coba dilakukan dengan menghitung correction error tingkat deteksi ketika nilai error secara bertahap dari 0,05-0,16 dengan 0,01 sebagai interval. Uji coba ini dilakukan sampai dengan semua data uji telah dilakukan pendeteksian. Proses selanjutnya akan dilakukan perhitungan detection rate. Detection rate merupakan persentase nilai correction error yang benar (nilai error < 0,16) dibandingkan dengan total data uji. Adapun Persamaan (8) merupakan formula detection rate. detection rate = DetBenar / TotData*100% (8) dimana DetBenar merupakan jumlah data terdeteksi benar. TotData merupakan jumlah semua data uji yang digunakan. B. Hasil dan Analisis Uji Coba Proses uji coba yang telah dilakukan terhadap 60 citra uji mendapatkan hasil data pada Tabel 1. Hasil data uji tersebut dikelompokan berdasarkan interval correction error dengan kategori benar. Hasil uji coba dikelompokkan secara bertahap dari correction error < 0,05 hingga correction error < 0,16 dengan 0,01 sebagai interval. Setelah itu, perhitungan detection rate dilakukan pada setiap interval correction error (7). Pada Tabel 1 dapat dilihat bahwa nilai detection rate semakin meningkat dari interval correction error < 0,05 hingga correction error < 0,16. Tabel 1. Akurasi pengujian Error Kurang dari Jumlah Data Uji Detection Rate (%) 0, ,33 0, ,67 0, ,33 0, ,00 0, ,00 0, ,33 0, ,33 0, ,00 0, ,67 0, ,33 0, ,33 0, ,33 Gambar. 2. Grafik akurasi Nilai akurasi pendeteksian correction error < 0,16 menghasilkan persentase akurasi 93,33%. Nilai detection rate yang semakin meningkat menunjukkan bahwa akurasi proses pendeteksian semakin optimal. Gambar 2 menunjukkan grafik akurasi hasil detection rate setiap interval dari pengujian correction error < 0,05 hingga correction error < 0,16. Nilai akurasi dari setiap interval dapat dilihat pada Gambar 2 terus meningkat. Proses uji coba 60 citra tersebut menghasilkan nilai akurasi sebesar 93,33% dengan correction error < 0,16. Gambar 2 dan 3 merupakan contoh hasil uji coba dengan kategori deteksi benar dan deteksi salah. Hasil uji coba terdeteksi salah merupakan citra yang terdeteksi error dengan kategori correction error > 0,16. Kesalahan deteksi bisa disebabkan dari faktor kualitas warna dan kondisi kenampakan citra input. Kesalahan yang sering terjadi dikarenakan daerah yang seharusnya bukan daerah mata justru dideteksi sebagai mata. Kondisi citra input wajah dengan warna kulit terlalu gelap bisa menyebabkan pendeteksian kurang akurat. Selain itu, kondisi warna wajah yang gelap dengan background citra yang juga gelap bisa menyebabkan pendeteksian kurang akurat. Hal tersebut bisa dikarenakan lokasi pupil dan daerah sekitarnya mempunyai intensitas yang sama-sama gelap sehingga proses transformasi Gabor wavelet dan analisis cluster tidak mampu memunculkan kenampakan daerah mata. Contoh kasus yang sering terjadi dalam pendeteksian ini adalah daerah alis dideteksi sebagai mata.
5 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 5 [2] Huang, G., Ramest, M.Berg, T., LeranedMiller. E. 2007b. Labeled faces in the wild: A. database for studyng face recognition in unconstrained environments, Technical Report Science Direct. [3] Jersorsky, O., Kirchberg, K.,Frischholz. R Robust face detection using the Hausdorff distance. In: Bigun, J., Smerald F. (Eds.), Lecture Notes in Computer Science, vol Springer, Berlin, pp Gambar. 2. Contoh citra terdeteksi benar. Gambar. 3. Contoh citra terdeteksi salah. Faktor lain yang bisa menyebabkan kesalahan pendeteksian adalah kondisi kenampakan wajah citra input antara lain: berkaca mata gelap, menutup mata, mambarta terlalu sipit, posisi wajah miring hanya terlihat satu mata, dan kondisi letak pupil mata yang kurang jelas. Kondisi tersebut sangat mempengaruhi hasil pendeteksian posisi pupil mata. Proses penerapan metode transformasi Gabor wavelet dan analisis cluster sering terkendala untuk memunculkan kenampakan estimasi daerah mata pada kasus tersebut. Akan tetap pada beberapa kasus tersebut bisa terjadi kesalahan pendeteksian pada proses penentuan titik pusat pupil neighborhood operator karena intensitas yang hampir sama pada Eye Windows. Contoh kasus kesalahan penentuan titik pusat pupil neighborhood operator bisa terjadi pada kondisi citra dengan kenampakan mata yang terlalu sipit maupun letak pupil yang kurang jelas. IV. KESIMPULAN DAN SARAN Berdasarkan hasil uji coba yang telah dilakukan, maka dapat ditarik kesimpulan bahwa implementasi deteksi mata otomatis menggunakan pemfilteran intensitas dan K-means clustering didapatkan hasil akurasi yang cukup bagus. Implementasi algoritma menghasilkan akurasi 93,33% dari pengujian data uji sebesar 60 citra masukan yang dipilih secara acak dengan nilai correction rate < 0,16. Dalam rangka meningkatkan akurasi deteksi pupil mata pada penelitian selanjutnya, disarankan untuk mencoba varian lain dari metode Gabor wavelet. UCAPAN TERIMA KASIH Syukur alhamdulillah kepada Allah SWT atas limpahan rahmat-nya sehingga penulis dapat menyelesaikan artikel ini dengan baik. Penulis juga mengucapkan terima kasih kepada seluruh pihak yang telah membantu dalam penyelesaian artikel ini. DAFTAR PUSTAKA [1] Qian-Zhiming, Xu-Dan. Mei Automatic eye detection using intensity filtering and K-means clustering, Pattern Recognition Letters, Science Direct.
Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-5 1 Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram Shabrina Mardhi Dalila, Handayani Tjandrasa, dan Nanik
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Dalam penelitian ini diperlukan sebuah desain dan metode penelitian agar dalam pelaksanaaannya dapat menjadi lebih teratur dan terurut. 3.1. Desain Penelitian Bentuk dari desain
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Menginterprestasi sebuah citra untuk memperoleh diskripsi tentang citra tersebut melalui beberapa proses antara lain preprocessing, segmentasi citra, analisis
Lebih terperinciImplementasi Deteksi Copy-move Forgery pada Citra menggunakan Metode Histogram of Oriented Gradients (HOG)
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Deteksi Copy-move Forgery pada Citra menggunakan Metode Histogram of Oriented Gradients (HOG) Ni Luh Made Asri Mulyasari,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan metode penelitian sebagai berikut: 1) Pengumpulan Data Tahap ini dilakukan sebagai langkah awal dari suatu penelitian. Mencari
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 terperinciPertemuan 3 Perbaikan Citra pada Domain Spasial (1) Anny Yuniarti, S.Kom, M.Comp.Sc
Pertemuan 3 Perbaikan Citra pada Domain Spasial (1), S.Kom, M.Comp.Sc Tujuan Memberikan pemahaman kepada mahasiswa mengenai berbagai teknik perbaikan citra pada domain spasial, antara lain : Transformasi
Lebih terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciPERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA
PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA Naser Jawas Sistem Komputer STMIK STIKOM Bali Jl Raya Puputan No.86 Renon, Denpasar, Bali 80226
Lebih terperinciBAB 3 IMPLEMENTASI SISTEM
BAB 3 IMPLEMENTASI SISTEM Bab ini akan membahas mengenai proses implementasi dari metode pendeteksian paranodus yang digunakan dalam penelitian ini. Bab ini terbagai menjadi empat bagian, bagian 3.1 menjelaskan
Lebih terperinciBINERISASI CITRA DOKUMEN DENGAN FILTERISASI HOMOMORPHIC
BINERISASI CITRA DOKUMEN DENGAN FILTERISASI HOMOMORPHIC Naser Jawas STMIK STIKOM BALI naser.jawas@stikom-bali.ac.id Abstrak Binerisasi citra dokumen adalah sebuah langkah awal yang sangat penting dalam
Lebih 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 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 terperincioleh: M BAHARUDIN GHANIY NRP
oleh: M BAHARUDIN GHANIY NRP. 1202 109 022 Teknologi fotografi pada era sekarang ini berkembang sangat pesat. Hal ini terbukti dengan adanya kamera digital. Bentuk dari kamera digital pada umumnya kecil,
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 terperinciYOGI WARDANA NRP
PENGEMBANGAN ALGORITMA SISTEM IDENTIFIKASI MATA MANUSIA BERBASIS PENGOLAHAN CITRA DENGAN METODE GABOR PADA PERALATAN AOI ( AUTOMATED OPTICAL INSPECTION ) YOGI WARDANA NRP. 2107 100 115 JURUSAN TEKNIK MESIN
Lebih terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
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 terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciPENGENALAN 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 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 terperinciIMPLEMENTASI METODE RETINEX UNTUK PENCERAHAN CITRA
IMPLEMENTASI METODE RETINEX UNTUK PENCERAHAN CITRA Murinto 1), Eko Aribowo, Elena Yustina Program Studi Teknik Informatika Fakultas Teknologi Industri Universitas Ahmad Dahlan Yogyakarta Email : murintokusno@yahoo.com
Lebih terperinciAplikasi Metoda Random Walks untuk Kontrol Gerak Robot Berbasis Citra
Abstrak Aplikasi Metoda Random Walks untuk Kontrol Gerak Robot Berbasis Citra R. Febriani, Suprijadi Kelompok Keahlian Fisika Teoritik Energi Tinggi dan Instrumentasi Fakultas Matematika dan Ilmu Pengetahuan
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 terperinciKONSEP DASAR PENGOLAHAN CITRA
KONSEP DASAR PENGOLAHAN CITRA Copyright @ 2007 by Emy 2 1 Kompetensi Mampu membangun struktur data untuk merepresentasikan citra di dalam memori computer Mampu melakukan manipulasi citra dengan menggunakan
Lebih terperinciSISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING
SISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING Mohamad Aditya Rahman, Ir. Sigit Wasista, M.Kom Jurusan Teknik Elektronika, Politeknik Elektronika Negeri Surabaya
Lebih terperinciBAB II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan
BAB II LANDASAN TEORI 2.1. Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus dan intensitas cahaya pada bidang dwimatra
Lebih 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 terperinciBAB 3 PERANCANGAN SISTEM. Perancangan sistem dimulai dari penempatan posisi kamera dengan posisi yang
23 BAB 3 PERANCANGAN SISTEM 3.1 Deskripsi Sistem Perancangan sistem dimulai dari penempatan posisi kamera dengan posisi yang sesuai kemudian dihubungkan dengan komputer yang akan mengolah gambar seperti
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 terperinciJurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya
Pengenalan Wajah Menggunakan Metode Adjacent Pixel Intensity Difference Quantization Histogram Generation Oleh : ANDIK MABRUR 1206 100 716 Dosen Pembimbing : Drs. Soetrisno, MI.Komp. Jurusan Matematika
Lebih terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Histogram dan Operasi Dasar Pengolahan Citra Digital 3 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 MAMPIR SEB EN TAR Histogram Histogram citra
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 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 terperinciSEGMENTASI CITRA MEDIK MRI (MAGNETIC RESONANCE IMAGING) MENGGUNAKAN METODE REGION THRESHOLD
SEGMENTASI CITRA MEDIK MRI (MAGNETIC RESONANCE IMAGING) MENGGUNAKAN METODE REGION THRESHOLD Murinto, Resa Fitria Rahmawati Program Studi Teknik Informatika Fakultas Teknologi Industri Universitas Ahmad
Lebih terperincidengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan
dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Berikut adalah beberapa definisi dari citra, antara lain: rupa; gambar; gambaran (Kamus Besar Bahasa Indonesia). Sebuah fungsi dua dimensi, f(x, y), di mana x dan y adalah
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 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 terperinciBab III ANALISIS&PERANCANGAN
3.1 Analisis Masalah Bab III ANALISIS&PERANCANGAN Pada penelitian sebelumnya yaitu ANALISIS CBIR TERHADAP TEKSTUR CITRA BATIK BERDASARKAN KEMIRIPAN CIRI BENTUK DAN TEKSTUR (A.Harris Rangkuti, Harjoko Agus;
Lebih terperinciSegmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan
Segmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan Septi Wulansari (5109100175) Pembimbing I: Prof. Ir. Handayani Tjandrasa, M.Sc.,
Lebih terperinciOleh Yuli Wijayanti. Dosen Pembimbing : 1. Bilqis Amaliah, S.Kom, M.Kom 2. Anny Yuniarti, S.Kom, M.Com.Sc
Oleh Yuli Wijayanti Dosen Pembimbing : 1. Bilqis Amaliah, S.Kom, M.Kom 2. Anny Yuniarti, S.Kom, M.Com.Sc TEKNIK INFORMATIKA-ITS 26 JULI 2010 Latar Belakang Segmentasi gambar merupakan salah satu faktor
Lebih terperinciAPLIKASI PENGHAPUSAN BAYANGAN PADA IMAGE DENGAN MENGGUNAKAN METODE FUZZY C-MEANS (FCM) SKRIPSI
APLIKASI PENGHAPUSAN BAYANGAN PADA IMAGE DENGAN MENGGUNAKAN METODE FUZZY C-MEANS (FCM) SKRIPSI OLEH: FARIS SANTA EKA WIARTA NPM : 0736010025 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK INDUSTRI - FTI UNIVERSITAS
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 terperinciSegmentasi Dan Pelabelan Pada Citra Panoramik Gigi
Segmentasi Dan Pelabelan Pada Citra Panoramik Gigi Nur Nafi iyah 1, Yuliana Melita, S.Kom, M.Kom 2 Program Pascasarjana Sekolah Tinggi Teknik Surabaya Email: nafik_unisla26@yahoo.co.id 1, ymp@stts.edu
Lebih 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 terperinciPENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM)
PENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM) Rima Tri Wahyuningrum *) Program Studi Teknik Informatika,
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA
SEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA Kamil Malik Jurusan Teknik Informatika STT Nurul Jadid Paiton nomor1001@gmail.com Andi Hutami Endang Jurusan Teknik Informatika
Lebih terperinciPERANGKAT LUNAK PERBAIKAN KUALITAS CITRA DIGITAL MODEL RGB DAN IHS DENGAN OPERASI PENINGKATAN KONTRAS
PERANGKAT LUNAK PERBAIKAN KUALITAS CITRA DIGITAL MODEL RGB DAN IHS DENGAN OPERASI PENINGKATAN KONTRAS Tole Sutikno, Kartika Firdausy, Eko Prasetyo Center for Electrical Engineering Research and Solutions
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 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 terperincipola-pola yang terdapat pada suatu daerah bagian citra. Tekstur juga dapat membedakan permukaan dari beberapa kelas.
Ruang Lingkup Penelitian Ruang Lingkup penelitian ini adalah: 1. Objek citra adalah data citra daun tumbuhan obat dan citra pohon tanaman hias di Indonesia. 2. Dalam penelitian ini operator MBLBP yang
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 terperinciOPTIMASI ALGORITMA IDENTIFIKASI STRABISMUS
OPTIMASI ALGORITMA IDENTIFIKASI STRABISMUS PADA MATA MANUSIA BERBASIS IMAGE PROCESSING DENGAN EUCLIDEAN DISTANCE PADA SISTEM MEKANIKAL AUTOMATED OPTICAL INSPECTION (AOI) AHMAD RIFA I RIF AN NRP. 2106 100
Lebih terperinciMetode Segmentasi Paru-Paru dan Jantung Pada Citra X-Ray Thorax
Metode Segmentasi Paru-Paru dan Jantung Pada Citra X-Ray Thorax Abstrak Segmentasi citra merupakan salah satu tahapan dalam pengolahan citra yang penting, terutama dalam dunia medis. Apabila seorang dokter
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Citra Citra menurut kamus Webster adalah suatu representasi atau gambaran, kemiripan, atau imitasi dari suatu objek atau benda, contohnya yaitu foto seseorang dari kamera yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN
Jurnal Teknik Informatika Vol. 1 September 2012 1 PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN Wahyu Saputra Wibawa 1, Juni Nurma Sari 2, Ananda 3 Program Studi
Lebih terperinciIMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH
IMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH Fitri Afriani Lubis 1, Hery Sunandar 2, Guidio Leonarde Ginting 3, Lince Tomoria Sianturi 4 1 Mahasiswa Teknik Informatika, STMIK Budi Darma
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Digital Istilah citra biasanya digunakan dalam bidang pengolahan citra yang berarti gambar. Suatu citra dapat didefinisikan sebagai fungsi dua dimensi, di mana dan adalah
Lebih terperinciPengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2)
Pengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2) ISSN : 1693 1173 Abstrak Pengenalan obyek pada citra merupakan penelitian yang banyak dikembangkan. Salah satunya pengenalan
Lebih 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 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 terperinciPENGGUNAAN latar belakang dalam proses pembuatan VIDEO COMPOSITING MENGGUNAKAN POISSON BLENDING. Saiful Yahya, Mochamad Hariadi, and Ahmad Zaini,
1 VIDEO COMPOSITING MENGGUNAKAN POISSON BLENDING Saiful Yahya, Mochamad Hariadi, and Ahmad Zaini, Abstrak Penggunaan gradasi yang halus pada penggabungan dua video pada proses video kompositing. Video
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6 1
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6 1 Identifikasi Cacat Peluru dengan Menggunakan Pengolahan Citra Digital Berbasis Learning Vector Quantization (LVQ) Angger Gusti Z dan Dwi Ratna S
Lebih terperinciJURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: ( Print) A-664
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-664 Rancang Bangun Pixel Art Converter Menggunakan Segmentasi berbasis K-means Clustering Yuna Sugianela, Nanik Suciati, dan
Lebih terperinci(IMAGE ENHANCEMENT) Peningkatan kualitas citra di bagi menjadi dua kategori yaitu :
(IMAGE ENHANCEMENT) Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagi cara. Tujuannya adalah untuk memproses citra yang dihasilkan lebih baik daripada
Lebih terperinciDEKOMPOSISI NILAI SINGULAR DAN DISCRETE FOURIER TRANSFORM UNTUK NOISE FILTERING PADA CITRA DIGITAL
Seminar Nasional Aplikasi Teknologi Informasi 9 (SNATI 9) ISSN: 97- Yogyakarta, Juni 9 DEKOMPOSISI NILAI SINGULAR DAN DISCRETE FOURIER TRANSFORM UNTUK NOISE FILTERING PADA CITRA DIGITAL Adiwijaya, D. R.
Lebih terperinciBAB 2 LANDASAN TEORI. dari sudut pandang matematis, citra merupakan fungsi kontinyu dari intensitas cahaya
5 BAB 2 LANDASAN TEORI 2.1 Citra Secara harfiah citra atau image adalah gambar pada bidang dua dimensi. Ditinjau dari sudut pandang matematis, citra merupakan fungsi kontinyu dari intensitas cahaya pada
Lebih terperinciBAB II LANDASAN TEORI. Kamera web (singkatan dari web dan camera) merupakan sebuah media
BAB II LANDASAN TEORI 2.1 Webcam Kamera web (singkatan dari web dan camera) merupakan sebuah media yang berorientasi pada image dan video dengan resolusi tertentu. Umumnya webcam adalah sebuah perngkat
Lebih terperinciAPLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE DENGAN BAHASA PEMROGRAMAN JAVA
APLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE DENGAN BAHASA PEMROGRAMAN JAVA Anita T. Kurniawati dan Afrilyan Ruli Dwi Rama Teknik Informatika-ITATS, Jl. Arief Rahman Hakim 100 Surabaya Email:
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 yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai acuan dan
Lebih terperinciII TINJAUAN PUSTAKA. * adalah operasi konvolusi x dan y, adalah fungsi yang merepresentasikan citra output,
5 II INJAUAN PUSAKA.1 Fitur Scale Invariant Feature ransform (SIF) Fitur lokal ditentukan berdasarkan pada kemunculan sebuah objek pada lokasi tertentu di dalam frame. Fitur yang dimaksudkan haruslah bersifat
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
Lebih terperinciPEMANFAATAN PENGOLAHAN CITRA DIGITAL DALAM MENENTUKAN KEMATANGAN BUAH KAKAO MENGGUNAKAN METODE EUCLIDEAN DISTANCE SKRIPSI
Artikel Skripsi PEMANFAATAN PENGOLAHAN CITRA DIGITAL DALAM MENENTUKAN KEMATANGAN BUAH KAKAO MENGGUNAKAN METODE EUCLIDEAN DISTANCE SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana
Lebih terperinciImplementasi Boosted Steganography Scheme dengan Praproses Citra Menggunakan Histogram Equalization
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1 Implementasi Boosted Steganography Scheme dengan Praproses Citra Menggunakan Histogram Equalization Fitra Arifiansyah, Nanik Suciati, Arya Yudhi Wijaya
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini menggunakan jenis penelitian eksperimen, dengan tahapan penelitian sebagai berikut: 3.1 Pengumpulan Data Tahap ini merupakan langkah awal dari penelitian. Dataset
Lebih terperinciBAB II Tinjauan Pustaka
BAB II Tinjauan Pustaka Pada bab ini dibahas mengenai konsep-konsep yang mendasari ekstraksi unsur jalan pada citra inderaja. Uraian mengenai konsep tersebut dimulai dari ekstraksi jalan, deteksi tepi,
Lebih terperinciBAB II TEORI DASAR PENGOLAHAN CITRA DIGITAL
BAB II TEORI DASAR PENGOLAHAN CITRA DIGITAL 2.1 Citra Secara harafiah, citra adalah representasi (gambaran), kemiripan, atau imitasi pada bidang dari suatu objek. Ditinjau dari sudut pandang matematis,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi di bidang informasi spasial dan fotogrametri menuntut sumber data yang berbentuk digital, baik berformat vektor maupun raster. Hal ini dapat
Lebih terperinciDeteksi dan Klasifikasi Citra Berdasarkan Warna Kulit Menggunakan HSV
Jati Sasongko Wibowo Program Studi Teknik Informatika, Universitas Stikubank email : jatisw@gmail.com Abstrak Dalam model HSV (Hue Saturation Value) ini digunakan untuk segmentasi warna kulit manusia dan
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Penelitian mengenai pengenalan wajah termotivasi oleh banyaknya aplikasi praktis yang diperlukan dalam identifikasi wajah. Pengenalan wajah sebagai salah satu dari teknologi
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 Rancang Bangun Sistem Pemantau Ruangan Berbasis Multi Kamera untuk Smartphone Android pada Jaringan Pikonet yang Adaptif terhadap Perubahan Situasi Ruangan
Lebih 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 terperinciHASIL DAN PEMBAHASAN. Gambar 3 Ilustrasi pencarian titik pusat dan jari-jari pupil. Segmentasi
4 Perangkat keras berupa Notebook: Processor intel Core i3 2.2 GHz. RAM kapasitas 2. GB. Harddisk Kapasitas 5 GB. Monitor pada resolusi 1366 x 768 piksel. Merek Acer Aspire 475. Perangkat lunak berupa:
Lebih terperinciPENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
PENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS Sinar Monika 1, Abdul Rakhman 1, Lindawati 1 1 Program Studi Teknik Telekomunikasi, Jurusan
Lebih terperinciPengembangan Sistem Identifikasi Telapak Tangan dengan Menggunakan Metode Filter Bank Gabor
1 Pengembangan Sistem Identifikasi Telapak Tangan dengan Menggunakan Metode Filter Bank Gabor Ricky Kurniadi dan Nurul Hidayat urusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut
Lebih terperinciIDENTIFIKASI SEL DARAH BERBENTUK SABIT PADA CITRA SEL DARAH PENDERITA ANEMIA
IDENTIFIKASI SEL DARAH BERBENTUK SABIT PADA CITRA SEL DARAH PENDERITA ANEMIA IMAM SUBEKTI 2209106021 Dosen Pembimbing: Prof. Dr. Ir. Mauridhi Hery Purnomo, M.Eng. Dr. I Ketut Eddy Purnama, ST, MT. Latar
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 terperinciPENENTUAN KUALITAS DAUN TEMBAKAU DENGAN PERANGKAT MOBILE BERDASARKAN EKSTRASI FITUR RATA-RATA RGB MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR
PENENTUAN KUALITAS DAUN TEMBAKAU DENGAN PERANGKAT MOBILE BERDASARKAN EKSTRASI FITUR RATA-RATA RGB MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR Eko Subiyantoro, Yan Permana Agung Putra Program Studi Teknik
Lebih terperinciTEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR
TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR DWI ACHTI NOVIATUR R. 2208100656 Dosen Pembimbing : Dr. Ir. Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) PIE Problem Representasi Citra
Lebih terperinciALGORITMA SOBEL UNTUK DETEKSI KARAKTER PADA PLAT NOMOR KENDARAAN BERMOTOR
Pengolahan citra digital by Jans Hry / S2 TE UGM 09 ALGORITMA SOBEL UNTUK DETEKSI KARAKTER PADA PLAT NOMOR KENDARAAN BERMOTOR Edge atau tepi merupakan representasi dari batas objek dalam citra. Hal ini
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 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Citra Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciBAB 3 PENGENALAN KARAKTER DENGAN GABUNGAN METODE STATISTIK DAN FCM
BAB 3 PENGENALAN KARAKTER DENGAN GABUNGAN METODE STATISTIK DAN FCM 3.1 Gambaran Umum Gambar 3.1 Gambar Keseluruhan Proses Secara Umum 73 74 Secara garis besar, keseluruhan proses dapat dikelompokkan menjadi
Lebih terperinciESTIMASI FUNGSI SPASIAL PADA IDENTIFIKASI FITUR WAJAH
ESTIMASI FUNGSI SPASIAL PADA IDENTIFIKASI FITUR WAJAH Akhyar 1*, Risanuri Hidayat 1, Bimo Sunarfri Hantono 1 1 Department of Electrical Engineering and Information Technology, Universitas Gadjah Mada *
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 terperinci