BAB III METODE PENELITIAN
|
|
- Utami Hadiman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB III METODE PENEITIAN 3. Pengumpulan Data Data yang digunakan dalam penelitian ini merupakan data citra tenun yang berasal dari beberapa daerah yang ada di indonesia, yakni tenun dari daerah Bali, Sumatra, Sulawesi, Kalimantan Dan Nusa Tenggara. Data tenun yang digunakan diperoleh dari buku yang berjudul Tenunku dari penulis Ibu Ani Yudhoyono yang berada pada perpustakaan daerah Jawa Tengah beralamat jl. Sriwijaya No. 9 A, Jawa Tengah. Dataset tenun yang digunakan dalam penelitian ini berjumlah 53 buah gambar motif tenun yang tergolong antara lain [] : a. Tenun Bali Motif khas yang dimiliki tenun Bali yaitu motif klasik tenun sutera patola dari Gujarat dengan pewarna alami yang diambil dari berbagai jenis tananaman yang terpelihara subur dilingkungan pengrajin tenun. Hanya tiga warna yang digunakan, yaitu kuning, biru, merah dan hitam, tenun Bali menurut masyarakat sekitar dianggap memberi tameng terhadap penyakit, atau kekebalan. Bahkan menyimpan tiga warna suci tersebut di anggap memberi perlindungan. Gambar 3.: Tenun Bali [] 7
2 8 b. Tenun Sumatra Ciri khas yang terdapat pada tenun Sumatra terdapat pada motifnya yang mengacu pada hasil kebudayaan Melayu, dan unsur-unsur kebudayaan luar yang pernah masuk ke Jambi seperti kebudayaan Jawa, India, China. atar agama Islam yang kuat serta hubungan akrab dengan India dimasa lampau mewarisakan tradisi seni kerajinan tenun yang sangat menarik. Keahlian pada perajin tenun aceh dalam mengerjakan efek sulam pada tenunan, dengan menambahkan benang emas atau benang perak, menghadirkan kain-kain Songket yang pantas dikagumi sebagai mahakarya. Pengaruh kebudayaan luar tersebut telah mengakar cukup kuat dalam kebudayaan pada tiap-tiap daerah di Sumatra. Dibalik keindahan tampilan motif-motif tenun tersebut, terkandung nilai filosofis yang menggambarkan keluhuran budaya Melayu yang berkembang di Sumatra. Gambar 3.: Tenun Jambi [] c. Tenun Sulawesi Keragaman motif tenun di sulawesi semakin diperkaya dengan adanya salah satu senin kerajinan tenun di Donggala. Seni tenun Donggala memiliki enam jenis motif diantaranya adalah Kain palekat Garusu bermotif dominan kotak-kotak, Buya Subi memiliki motif bunga-bunga lepas seperti disulam satu per-satu,
3 9 Buya Bomba Subi yang menampilkan ragam motif bungabungaan (Bomba) yang dikombinasikan dengan ragam hias teknik songket (Subi), Buya Bomboba Kota menampilkan motif bunga-bungaan berbentuk kotak, Buya Awi, dan motif Buya Bomba yang memiliki ciri ragam motif berbentuk bunga-bungaan yang dibuat dengan teknik ikat dan menggunakan suatu bentuk motif flora sebagai penghias semata. Gambar 3.3: Tenun Sulawesi Buya Bomba Subi [] d. Tenun Kalimantan Tenun Kalimantan tak terpisahkan dengan benang emas karena unggul mutunya karena selain ringan, tahan lama dan warnanya tidak mudah pudar, sehingga tenun Kalimantan dijuluki Kain Benang Emas. Motif yang paling mengemuka adalah bungabunga warna cerah yang senantiasa diberi makna petuah bijaksana. Gambar 3.4: Tenun Kalimantan []
4 3 e. Tenun Nusa Tenggara Motif tenun Nusa Tenggara terdapat beberapa motif yang pertama motif rincik motif zig zag yang menggunakan benang emas dan didalamnya diberi hiasan motif bentuk Kristal warnawarni. Kedua motif ragi lomak dengan corak garis-garis. Kemudian yang ketiga motif rante motif geometris dengan jalinan rantai menyerupai sarang lebah dan diberi hiasan bunga dan panah. f. Dataset Tenun Gambar 3.5: Tenun Nusa Tenggara [] Dataset tenun yang digunakan sebagai data training antara lain : Tabel 3. Dataset Tenun Kota Asal Jenis Jumlah Dataset Tenun Nusa Tenggara Tenun Songket 5 Bali Tenun Songket 4 Sulawesi Tenun Ikat/Songket 9 Kalimatan Tenun Ikat 5 Sumatra Tenun Ikat/Songket 53 Jumlah Dataset 53
5 3 3. angkah Implementasi Sistem 3.. Ekstraksi fitur citra tenun menggunakan GCM angkah-langkah ekstraksi fitur citra tenun menggunakan GCM adalah :. Membuat area kerja matriks dari citra tenun.. Menentukan hubungan spasial antara piksel refenrensi dengan piksel tetangga, berapa nilai sudut θ dan jarak d. 3. Menghitung jumlah kookurensi dan mengisikannya pada area kerja. 4. Menjumlahkan matriks kookurensi dengan tranposenya untuk menjadikannya simetris. 5. Normalisasi matriks untuk mengubahnya ke bentuk probabilitasnya. 6. Menghitung nilai fitur ekstraksi dari normalisasi yang didapat. 3.. Pencocokan citra tenun menggunakan algortima k-means Data dari fitur-fitur tekstur yang telah diperoleh dikelompokkan kedalam cluster yang memiliki kemiripan karakteristik dari setiap fitur-fitur tekstur yang diperoleh. Pengelompokkan dilakukan dengan menggunakan perhitungan jarak Euclidean dengan algoritma k-means untuk mengetahui jarak terdekat dari citra. 3.3 Validasi Cluster Validitas cluster dilakukan dengan menggunakan metode daviesbouldin index (DBI) dari data clustering yang didapat untuk mengetahui seberapa baik kemurnian cluster yang dihasilkan dari proses clustering dan purity untuk mengetahui kualitas (kemurnian) cluster yang dihasilkan.
6 3 3.4 Desain Blok Diagram Sistem Data Citra Tenun Ekstraksi fitur tekstur menggunakan GCM :. Membuat area kerja matriks.. Menentukan hubungan spasial antara piksel refenrensi dengan piksel tetangga, berapa nilai sudut θ dan jarak d. 3. Menghitung jumlah kookurensi dan mengisikannya pada area kerja. 4. Menjumlahkan matriks kookurensi dengan tranposenya untuk menjadikannya simetris. 5. Normalisasi matriks untuk mengubahnya ke bentuk probabilitasnya. 6. menghitung fitur-fitur ekstraksi Data hasil ekstraksi Mengklasifikasikan citra tenun menggunakan algoritma k-means Hasil Gambar 3.6: Diagram Sistem angkah kerja dari CBIR adalah dengan melakukan ekstraksi fitur tekstur terhadap dataset citra yang digunakan, yakni citra tenun menggunakan algoritma GCM. Sebelum melakukan penghitungan untuk mengetahui nilai dari fitur-fitur tekstur, citra tenun terlebih dahulu dibuat
7 33 kedalam bentuk matrik untuk menentukan hubungan spasial antara piksel referensi dengan piksel tetangga dari empat sudut yang berbeda, yakni sudut, 45, 9 dan 35. Dari penentuan hubungan spasial antar piksel tersebut akan diperoleh empat matrik kookurensi dengan empat sudut yang berbeda. Untuk membuat matrik kookurensi tersebut menjadi simetris, dilakukan penjumlahan antara matrik kookurensi dengan matrik hasil transposenya. Untuk menghilangkan ketergantungan pada ukuran citra, hasil penjumlahan matrik sebelumnya perlu dinormalisasikan sehingga jumlahnya bernilai. Matrik hasil normalisasi inilah yang akan digunakan untuk menghitung fitur-fitur tekstur dari citra tenun. Hasil dari fitur-fitur tekstur yang diperoleh akan dikelompokkan menggunakan algoritma k- means dengan perhitungan jarak euclidean. Pengelompokan dilakukan dengan menghitung jarak euclidean dari setiap fitur-fitur tekstur dataset citra tenun. Jarak hasil perhitungan yang diperoleh dikelompokkan kedalam cluster yang memiliki kedekatan jarak yang sama. Semakin kecil jarak yang diperoleh maka citra tersebut memiliki tingkat kemiripan semakin besar. 3.5 Contoh Perhitungan a). angkah - langkah ekstraksi fitur tekstur menggunakan GCM. ). Membuat area kerja matriks. Matrik [ ] Area kerja matrik Nilai piksel referensi Nilai piksel tetangga,,,
8 34,,,,,, ). Menentukan hubungan spasial antara piksel referensi dengan piksel tetangga, untuk nilai sudut θ dan jarak d. Hubungan spasial d dengan sudut θ adalah : Citra asli 3). Menghitung jumlah kookurensi antara citra asli dengan area kerja matrik Nilai piksel referensi dan Nilai piksel tetangga, kemudian mengisikannya pada jumlah pasangan piksel (matrix framework). 4). Menjumlahkan matriks kookurensi dengan tranposenya agar menjadi matriks yang simetris. Matriks dari jumlah pasangan piksel kemudian ditambahkan dengan matrik tranposenya untuk dijadikan simetris. 4 [ ] + [ ] [ ] 5). Matriks yang telah simetris selanjutnya harus dinormalisasi untuk menghilangkan ketergantungan pada ukuran citra, nilai-nilai elemen GCM perlu dinormalisasi sehingga jumlahnya bernilai. Nilai elemen untuk masing-masing piksel dibagi dengan jumlah seluruh elemen spasial.,333,83,83
9 35 [ 4 ],83,83,83,83,67 6). Menghitung fitur-fitur ekstraksi. Setelah hasil normalisasi didapatkan, dilanjutkan menghitung fiturfitur GCM.. ASM ASM (GCM(i, j)) ASM,333 +,83 +,83 +,83 + +,83 +,83 +,83 +,67 ASM, +,6 +,6 +,6 + +,6 ASM,73 +,6 +,6 +,7. Kontras Kontras n { GCM(i, j) n i j n } i j GCM(i, j) i j Kontras ( x,333) + ( x,83) + ( x,83) + ( x,83) + ( x ) + ( x,83) + ( x,83) + ( x,83) + ( x,67) Kontras +,83 +,33 +,83 + +,83 +,33 +,83 + Kontras, IDM IDM (GCM(i, j)) + (i j)
10 36 IDM (,333 ) + (,83,83 + +( ) ) + ( +( ) ) + (,83 ) + ( + + ) + (,83 +( ) ) + (,83 ) + + (,83) + + (,67) + IDM,8 +,34 +,3 +,34 + +,34 IDM,549 +,3 +,34 +,79 4. Entropi Entropi (GCM(i, j))log(gcm(i, j)) Entropi ( (,333) log (,333)) + ( (,83) log (,83)) + ( (,83) log (,83)) + ( (,83) log (,83)) + ( () log ()) + ( (,83) log (,83)) + ( (,83) log (,83)) + ( (,83) log (,83)) + ( (,67) log (,67)) Entropi ( (,333) x (,477)) + ( (,83)x (,8)) + ( (,83)x (,8)) + ( (,83)x (,8)) + ( ()x ( )) + ( (,83)x (,8)) + ( (,83)x (,8)) + ( (,83) x (,8)) + ( (,67) x (,777)) Entropi,588 +,897 +,897 +, ,897 Entropi, Mean μ i μ j +,897 +,897 +,97 i GCM(i, j) j GCM(i, j) μ i ( x,333 ) + ( x,83 ) + ( x,83) + ( x,83 )
11 37 + ( x ) + ( x,83 ) + (3 x,83 ) +(3 x,83 ) + (3 x,67 ) μ i,333 +,83 +,83 +,66 + +,66 +,49 +,49 +,5 μ i,83 μ j ( x,333 ) + ( x,83 ) + (3 x,83) + ( x,83 ) + ( x ) + (3 x,83 ) + ( x,83 ) +( x,83 ) + (3 x,67 ) μ j,333 +,66 +,49 +,83 + +,49 +,83 +,66 +,5 μ j,83 6. Varian σ i σ j GCM(i, j) (i μ i ) GCM(i, j) (j μ j ) σ i (,333 x (,83)) + (,83 x (,83)) + (,83 x (,83)) + (,83 x (,83)) + ( x (,83)) + (,83 x (,83)) + (,83 x (3,83)) + (,83 x (3,83)) + (,67 x (3,83)) σ i,9 +,57 +,57 +, + +, +,3 σ i,8 +,3 +,8 σ j (,333 x (,83)) + (,83 x (,83)) + (,83 x (3,83)) + (,83 x (,83)) + ( x (,83)) + (,83 x (3,83))
12 38 + (,83 x (,83)) + (,83 x (,83)) + (,67 x (3,83)) σ j,9 +, +,3 +,57 + +,3 +,57 +, +,8 σ j, Korelasi dengan standart deviasi i σ i σ i dan standart deviasi j σ j σ j Korelasi (ij)(gcm(i,j) μ i μ j σ i σ j (i μi )(j μj )(GCM(i,j)) σ i σ j Korelasi ((,83)x (,83)x(,333)) (,8) x (,794) ((,83)x (,83)x(,83)) + (,8) x (,794) ((,83)x (3,83)x(,83)) + (,8) x (,794) ((,83)x (,83)x(,83)) + (,8) x (,794) ((,83)x (,83)x()) + (,8) x (,794) ((,83)x (3,83)x(,83)) + (,8) x (,794) ((3,83)x (,83)x(,83)) + (,8) x (,794)
13 39 ((3,83)x (,83)x(,83)) + (,8) x (,794) ((3,83)x (3,83)x(,67)) + (,8) x (,794) Korelasi,8 + (,45) + (,63) +,45 + +,63 +(,63) + (,63) + 8 Korelasi,36 b). angkah-langkah ekstraksi fitur pada matrik ke-. ). Membuat area kerja matriks. Matrik [ ] 3 Area kerja matrik Nilai piksel referensi Nilai piksel tetangga 3,,,,3,,,,3,,,,3 3 3, 3, 3, 3,3 ). Menentukan hubungan spasial antara piksel refenrensi dengan piksel tetangga, berapa nilai sudut θ dan jarak d. Hubungan spasial d dengan θ : Piksel asli 3 3). Menghitung jumlah kookurensi dan mengisikannya pada area kerja.
14 4 Jumlah pasangan piksel (matrix framework) 4). Menjumlahkan matriks kookurensi dengan tranposenya agar menjadi matriks yang simetris. Matriks dari jumlah pasangan piksel kemudian ditambahkan dengan matrik tranposenya untuk dijadikan simetris. [ ] + [ ] [ ] 5). Matriks yang telah simetris selanjutnya harus dinormalisasi untuk menghilangkan ketergantungan pada ukuran citra, nilai-nilai elemen GCM perlu dinormalisasi sehingga jumlahnya bernilai. Nilai elemen untuk masing-masing piksel dibagi dengan jumlah seluruh elemen spasial. [ ],67,83,67,67,83,83,67,67 6). Menghitung fitur-fitur ekstraksi. Setelah hasil normalisas didapatkan, dilanjutkan menghitung fiturfitur GCM. Dengan cara perhitungan fitur GCM yang sama dengan matrik maka diperoleh hasil fitur matrik yaitu :
15 4. ASM ASM ASM,53 (GCM(i, j)). Kontras Kontras i j i j GCM(i, j) Kontras,33 3. IDM IDM IDM,634 (GCM(i, j)) + (i j) 4. Entropi Entropi Entropi,976 (GCM(i, j))log(gcm(i, j)) 5. Mean μ i μ j μ i,5 i GCM(i, j) j GCM(i, j) μ j, Varian σ i GCM(i, j) (i μ i )
16 4 σ j σ i, GCM(i, j) (j μ j ) σ j, Korelasi standart deviasi i σ i σ i standart deviasi j σ j σ j Korelasi (i μi )(j μj )(GCM(i, j)) σ i σ j Korelasi,87 c). angkah-langkah ekstraksi fitur pada matrik 3. ). Membuat area kerja matriks. 4 Matrik 3 [ 3] 4 Area kerja matrik Nilai piksel referensi Nilai piksel tetangga 3 4,,,,3,4,,,,3,4,,,,3,4 3 3, 3, 3, 3,3 3,4 4 4, 4, 4, 4,3 4,4
17 43 ). Menentukan hubungan spasial antara piksel refenrensi dengan piksel tetangga, berapa nilai sudut θ dan jarak d. Hubungan spasial d dengan θ : Piksel asli ). Menghitung jumlah kookurensi dan mengisikannya pada area kerja. Jumlah pasangan piksel (matrix framework) 4). Menjumlahkan matriks kookurensi dengan tranposeenya untuk menjadikannya simetris. Matriks yang diperoleh ditambahkan dengan matrik tranposenya untuk dijadikan simetris. + [ ] [ ] [ ] 5). Matriks yang telah simetris selanjutnya harus dinormalisasi untuk menghilangkan ketergantungan pada ukuran citra, nilai-nilai elemen GCM perlu dinormalisasi sehingga jumlahnya bernilai. Nilai
18 44 elemen untuk masing-masing piksel dibagi dengan jumlah seluruh elemen spasial [ ],7,7,,7,7,,,, 6). Menghitung fitur-fitur ekstraksi. Setelah hasil normalisas didapatkan, dilanjutkan menghitung fiturfitur GCM. Dengan cara perhitungan fitur GCM yang sama dengan matrik maka diperoleh hasil fitur matrik 3 yaitu :. ASM ASM ASM, (GCM(i, j)). Kontras Kontras i j i j GCM(i, j) Kontras 4,4 3. IDM IDM IDM,3688 (GCM(i, j)) + (i j) 4. Entropi
19 45 Entropi Entropi,9 (GCM(i, j))log(gcm(i, j)) 5. Mean μ i μ j μ i,9 i GCM(i, j) j GCM(i, j) μ j 9 6. Varian σ i σ j σ i,7 GCM(i, j) (i μ i ) GCM(i, j) (j μ j ) σ j,5 7. Korelasi standart deviasi i σ i σ i standart deviasi j σ j σ j Korelasi (i μi )(j μj )(GCM(i, j)) σ i σ j Korelasi 5,66
20 46 d). angkah-langkah ekstraksi fitur pada matrik 4. ). Membuat area kerja matriks. 3 Matrik 4 [ 3 3 ] Area kerja matrik Nilai piksel referensi Nilai piksel tetangga 3,,,,3,,,,3,,,,3 3 3, 3, 3, 3,3 ). Menentukan hubungan spasial antara piksel refenrensi dengan piksel tetangga, berapa nilai sudut θ dan jarak d. Hubungan spasial d dengan θ : Piksel asli ). Menghitung jumlah kookurensi dan mengisikannya pada area kerja. Jumlah pasangan piksel (matrix framework)
21 47 4). Menjumlahkan matriks kookurensi dengan tranposeenya untuk menjadikannya simetris. Matriks yang diperoleh ditambahkan dengan matrik tranposenya untuk dijadikan simetris. [ ] + [ ] [ ] 5). Normalisasi matriks untuk mengubahnya ke bentuk probabilitasnya. Matriks yang telah simetris selanjutnya harus dinormalisasi untuk menghilangkan ketergantungan pada ukuran citra, nilai-nilai elemen GCM perlu dinormalisasi sehingga jumlahnya bernilai. Nilai elemen untuk masing-masing sel dibagi dengan jumlah seluruh elemen spasial. [ ],67,8,8,67,8,8,8,8,67 6). Menghitung fitur-fitur ekstraksi. Setelah hasil normalisas didapatkan, dilanjutkan menghitung fiturfitur GCM. Dengan cara perhitungan fitur GCM yang sama dengan matrik maka diperoleh hasil fitur matrik 4 yaitu :. ASM ASM ASM, (GCM(i, j))
22 48. Kontras Kontras i j i j GCM(i, j) Kontras 3,96 3. IDM IDM IDM,53 (GCM(i, j)) + (i j) 4. Entropi Entropi Entropi,96 (GCM(i, j))log(gcm(i, j)) 5. Mean μ i μ j μ i,696 i GCM(i, j) j GCM(i, j) μ j, Varian σ i σ j σ i,335 GCM(i, j) (i μ i ) GCM(i, j) (j μ j )
23 49 σ j, Korelasi standart deviasi i σ i σ i standart deviasi j σ j σ j Korelasi (i μi )(j μj )(GCM(i, j)) σ i σ j Korelasi,57 e). Proses Klusterisasi. Tabel 3. Fitur GCM Matrik ASM Kontras IDM Entropi Korelasi,73,996,549,867,36,53,33,634,976 -,87 3, 4,4,3688,9-5,66 4, 3,96,53,96 -,57 Tabel 3. diatas berisi nilai fitur GCM untuk pengukuran yang digunakan adalah jarak Euclidean, dengan cluster (k) dan ambang batas untuk perubahan fungsi objektif adalah,. Dalam menghitung K- Means langkah pertama yang dilakukan adalah:. Inisialisasi
24 5 Memilih K data sebagai Centroid awal, misal data ke dan sebagai Centroid awal. Nilai fungsi objektif awal.. Iterasi Menghitung jarak setiap data ke centroid terdekat menggunakan Euclidean Distance. a) Data ke- d(x - C) n (x c ) (,73,73) + (,996,996) +(,549,549) + (,867,867) +(,36,36) d(x - C) (,73,53) + (,996,33) b) Data ke- d(x - C ) +(,549,634) + (,867,976) +(,36 (,87)),4 +,7848 +,83 +,8 +,,45 n (x c ),45 d(x - C) n (x c ) c) Data ke-3
25 5 d(x3 - C) n (x 3 c ) (,,73) + (4,4,996) +(,3688,549) + (,9,867) (( 5,66),36),8 +,68 +,457 +,9 + 56,7685 6,383 d(x3 - C) n (x 3 c ) (,,53) + (4,4,33) +(,3688,634) + (,9,976) (( 5,66),87), + 4,849 +,93 +, + 48,3 5,887 d) Data ke-4 d(x4 - C) n (x 4 c ) (,,73) + (3,96,996) +(,53,549) + (,96,867) ((,57),36),6 + 4,4 +,3 +,79 +,683,67 d(x34 - C) n (x 4 c ) (,,53) + (3,96,33) +(,53,634) + (,96,976)
26 5 ((,57),87),9 +,583 +, + +,59,643 Setelah menghitung masing-masing jarak data dengan Centroid awal yang sudah di tentukan yaitu data ke dan, kemudian didapatkan hasil yang di tunjukkan pada tabel sebagai berikut : Tabel 3.3 Kelompok Cluster Iterasi Data ke- Jarak ke Centroid Terdekat Cluster yang diikuti,45,45 3 6,383 5,887 5,887 4,67,643, Selanjutnya menentukan centroid baru dengan menghitung nilai rata-rata dari data yang ada pada centroid yang sama. a) Cluster anggota Data anggota Tabel 3.4 Kelompok Cluster ASM Kontras IDM Entropi Korelasi,73,996,549,867,36
27 53 b) Cluster 3 anggota Data anggota Tabel 3.5 Kelompok Cluster ASM Kontras IDM Entropi Korelasi,53,33,634,976 -,87 3, 4,4,3688,9-5,66 4, 3,96,53,96 -,57 4. Hasil yang di dapatkan dari kedua Cluster tersebut membentuk Centroid baru yang ditunjukkan pada tabel di bawah ini. Tabel 3.6 Centroid Baru Centroid ASM Kontras IDM Entropi Korelasi,73,996,549,867,36,3,578,6,98-5,3 5. Selanjutnya dihitung nilai fungsi objektif yang didapat dari Euclidean distance antara setiap data dengan Centroid dari Cluster yang diikuti. a) Data ke-. d(x - C) n (x c ) (,73,73) + (,996,996) +(,549,549) + (,867,867)
28 54 +(,36,36) b) Data ke-. d(x - C) (,53,3) + (,33,578) +(,634,6) + (,976,98) +((,87) ( 5,3)),4 +,65 +, ,96 5, c) Data ke-3. d(x3 - C) (,,3) + (4,4,578) +(,3688,6) + (,9,98) +(( 5,66) ( 5,3)), + 3,36 +, ,39,5 d) Data ke-4 d(x4 - C) (,,3) + (3,96,578) +(,53,6) + (,96,98) +((,57) ( 5,3)),8 +,68 +, ,47 5,7 6. Dari perhitungan tersebut didapatkan hasil sebagai berikut. Tabel 3.7 Hasil Nilai Fungsi Objektif Data ke-i Cluster Cluster
29 55 5, 3,5 4 5,7 Dari nilai fungsi objektif pada Cluster dan Cluster seperti yang ditunjukan pada tabel 3.7 diatas, didapatkan hasil penjumlahan nilai fungsi objektif,9. Dan untuk perubahan fungsi objektif didapat,9 79,86. Jika perubahan fungsi objektif masih diatas ambang batas yang ditetapkan, maka dilanjutkan ke Iterasi selanjutnya.
DAFTAR ISI. BAB II... Error! Bookmark not defined.
DAFTAR ISI SKRIPSI... Error! Bookmark not defined. HALAMAN PERSETUJUAN SKRIPSI... Error! Bookmark not defined. PENGESAHAN DEWAN PENGUJI... Error! Bookmark not defined. PERNYATAAN KEASLIAN TUGAS AKHIR...
Lebih terperinciPENGELOMPOKAN CITRA BATIK MENGGUNAKAN ALGORITMA K-MEANS BERDASARKAN FITUR TEKSTUR DENGAN METODE GLCM
1 PENGEOMPOKAN CITRA BATIK MENGGUNAKAN AGORITMA K-MEANS BERDASARKAN FITUR TEKSTUR DENGAN METODE GCM Sulistiawan Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131 sulistiawann1@gmail.com
Lebih terperinciKLASIFIKASI BATIK MENGGUNAKAN METODE K-NEAREST NEIGHBOUR BERDASARKAN GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM)
KASIFIKASI BATIK MENGGUNAKAN METODE K-NEAREST NEIGHBOUR BERDASARKAN GRAY EVE CO-OCCURRENCE MATRICES (GCM) Hanang Wijayanto Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131 1110110686@mhs.dinus.ac.id
Lebih terperinciTEMU KEMBALI CITRA UNTUK PENGENALAN BATIK PADA CITRA 2D MENGGUNAKAN FITUR TEKSTUR MATRIKS KOOKURENSI ARAS KEABUAN DAN FUNGSI JARAK CANBERRA
1 TEMU KEMBAI CITRA UNTUK PENGENAAN BATIK PADA CITRA D MENGGUNAKAN FITUR TEKSTUR MATRIKS KOOKURENSI ARAS KEABUAN DAN FUNGSI JARAK CANBERRA Intan Putri Rakasiwi 1, Ricardus Anggi Pramunendar Universitas
Lebih terperinciKLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES
KLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES Tri Adhi Atmaji 1, Catur Supriyanto 2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Lebih terperinciIdentifikasi Ciri Kain Menggunakan Fitur Tekstur dan Gray Level Difference Method
Identifikasi Ciri Kain Menggunakan Fitur Tekstur dan Gray Level Difference Method Inwijayati Fakultas Teknologi Industri Universitas Gunadarmai Universitas Gunadarma Depok, Indonesia Prihandoko, Bertalya
Lebih terperinciIMPLEMENTASI EKSTRAKSI FITUR TEKSTUR GRAY LEVEL CO- OCCURRENCE MATRICES (GLCM) UNTUK PENGELOMPOKAN CITRA TENUN MENGGUNAKAN ALGORITMA K-MEANS
IMPEMENTASI EKSTRAKSI FITUR TEKSTUR GRAY EVE CO- OCCURRENCE MATRICES (GCM) UNTUK PENGEOMPOKAN CITRA TENUN MENGGUNAKAN AGORITMA K-MEANS Wahyu Anggoro Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No.
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Bab ini membahas langkah-langkah dari implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi aktivitas menggunakan algoritma k-nearest neighbor
Lebih terperinciPengenalan Pola. K-Means Clustering
Pengenalan Pola K-Means Clustering PTIIK - 2014 Course Contents 1 Definisi k-means 2 Algoritma k-means 3 Studi Kasus 4 Latihan dan Diskusi K-Means Clustering K-Means merupakan salah satu metode pengelompokan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terkait Bagian ini akan menjelaskan tentang penelitian yang pernah dilakukan sebelumnya yang berhubungan dengan Ekstraksi Ciri dan GLCM. Penelitian dengan judul GLCM
Lebih terperinciKLASIFIKASI TENUN MENGGUNAKAN METODE K-NEAREST NEIGHBOUR BERDASARKAN GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM)
KASIFIKASI TENUN MENGGUNAKAN METODE K-NEAREST NEIGHBOUR BERDASARKAN GRAY EVE CO-OCCURRENCE MATRICES (GCM) Eka Putra Satrio 1, T. Sutojo,S.Si, M.Kom 2 Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No.
Lebih terperinciBAB 4 PENGUJIAN DAN ANALISIS SISTEM
BAB 4 PENGUJIAN DAN ANALISIS SISTEM Bab ini akan membahas mengenai proses pengujian dari sistem yang dirancang terhadap beberapa citra dijital replika kulit. Pengujian terhadap sistem ini dilakukan untuk
Lebih terperinciAPLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira 50408896 Dr. Karmilasari Kanker Latar Belakang Kanker
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN 41 Analisa Analisa merupakan tahap paling utama dalam melakuakan penelitian Tahapan analisa digunakan untuk menganalisa permasalahan yang berhubungan dengan penelitian yang
Lebih terperinciIDENTIFIKASI JENIS KAYU MENGGUNAKAN LEARNING VECTOR QUANTIZATION BERDASARKAN FITUR TEKSTUR GRAY LEVEL CO-OCCURRENCE MATRIX
IDENTIFIKASI JENIS KAYU MENGGUNAKAN EARNING VECTOR QUANTIZATION BERDASARKAN FITUR TEKSTUR GRAY EVE CO-OCCURRENCE MATRIX Ahmad Yasir Fikri 1, Ricardus Anggi Pramunendar 2 Jurusan Tehnik Informatika, Fakultas
Lebih terperinciBAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA
BAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA 3.1 Analisis Masalah Jaringan saraf tiruan hopfield merupakan salah satu Algoritma Machine Learning yang dapat mengklasifikasikan suatu objek citra berdasarkan pelatihan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan dan Praproses Data Kegiatan pertama dalam penelitian tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data sekunder
Lebih terperinciRagam Hias Tenun Ikat Nusantara
RAGAM HIAS TENUN IKAT NUSANTARA 125 Ragam Hias Tenun Ikat Nusantara A. RINGKASAN Pada bab ini kita akan mempelajari sejarah teknik tenun ikat pada saat mulai dikenal masyarakat Nusantara. Selain itu, akan
Lebih terperinciKajian bentuk kain Donggala Netty Juliana ( ) Abstrak
Kajian bentuk kain Donggala Netty Juliana (2013-2014) Abstrak Kriya tekstil Indonesia sangat beranekaragam bentuknya seperti batik, bordir, jumputan, tritik, pelangi, pacth work, anyaman, tenun dan lain
Lebih terperinciBAB II LANDASAN TEORI. titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
BAB II LANDASAN TEORI 2. Citra/Image Citra atau yang lebih sering dikenal dengan gambar merupakan kumpulan dari titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah
BAB IV HASIL DAN PEMBAHASAN A. Data Sampel Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah sampel beras B, 1 buah sampel beras C, dan 2 buah sampel beras D. 1. Data Pengujian Mutu Beras
Lebih terperinciRagam Hias Tenun Songket Nusantara
RAGAM HIAS TENUN SONGKET NUSANTARA 115 Ragam Hias Tenun Songket Nusantara A. RINGKASAN Dalam bab ini kita akan mempelajari kebiasaan masyarakat Nusantara dalam membuat hiasan, khususnya menghias dengan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengenalan Wajah Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem keamanan selain pengenalan retina mata, pengenalan sidik jari
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terkait Bagian ini akan menjelaskan tentang penelitian yang pernah dilakukan sebelumnya yang berhubungan dengan Ekstraksi Ciri dan K-Nearest Neighbour. Penelitian
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 5, No. 1 (2016) 158-163 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone IDENTIFIKASI JENIS PENYAKIT DAUN TEMBAKAU MENGGUNAKAN METODE GRAY LEVEL
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kain adalah bahan dasar dari pakaian yang biasa digunakan sebagai kebutuhan pokok manusia untuk melindungi dan menutup dirinya. Kain pun dapat menjadi identitas suatu
Lebih terperinciIDENTIFIKASI BIOMETRIK FINGER KNUCKLE PRINT MENGGUNAKAN FITUR EKSTRAKSI PCA DAN GLCM
1 IDENTIFIKASI BIOMETRIK FINGER KNUCKLE PRINT MENGGUNAKAN FITUR EKSTRAKSI DAN Ratna Dwi Jayanti A11.2011.05949 Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro, Jl.
Lebih terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Budi Susanto ANALISIS CLUSTER PADA DOKUMEN TEKS Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep analisis clustering Memahami tipe-tipe data dalam clustering Memahami beberapa algoritma
Lebih terperinciAtthariq 1, Mai Amini 2
IDENTIFIKASI IKAN KERAPU BERDSARKAN POLA KULIT DENGAN METODE GLCM DAN EUCLIDEAN DISTANCE Atthariq 1, Mai Amini 2 1,2,3 Teknologi Informasi dan Komputer, Politeknik Negeri Lhokseumawe, Jalan banda Aceh-Medan
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Kebudayaan Indonesia tercermin dalam berbagai aspek kehidupan masyarakat di seluruh wilayahnya. Setiap daerah di Indonesia memilki ciri khas kebudayaan yang berbeda-beda.
Lebih terperinciBAB I PENDAHULUAN I.1 Latar Belakang Masalah
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Kain Tenun merupakan salah satu kekayaan budaya Indonesia, karena keberadaannya merupakan salah satu karya Bangsa Indonesia yang tersebar luas diseluruh kepulauan
Lebih terperinciGambar 3.1 Contoh Citra yang digunakan
BAB III DATASET DAN RANCANGAN PENELITIAN Pada bab ini dijelaskan tentang dataset citra yang digunakan dalam penelitian ini serta rancangan untuk melakukan penelitian. 3.1 DATASET PENELITIAN Penelitian
Lebih terperinciPenyusun Tugas Akhir Alvian Adi Pratama [ ] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom.
Penyusun Tugas Akhir Alvian Adi Pratama [5106100108] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom. Latar Belakang Batik merupakan harta kebudayaan Indonesia yang
Lebih terperinciBAB I PENDAHULUAN. A. Latar Belakang Masalah
BAB I PENDAHULUAN A. Latar Belakang Masalah Indonesia terdiri dari beberapa pulau yang memiliki keanekaragaman dan warisan budaya yang bernilai tinggi yang mencerminkan budaya bangsa. Salah satu warisan
Lebih terperinciBAB V KESIMPULAN DAN REKOMENDASI
BAB V KESIMPULAN DAN REKOMENDASI A. Kesimpulan Berdasarkan hasil penelitian mengenai Kain Tenun Ikat di Kampung Tenun (Analisis Deskriptif Ornamen Kain Tenun Ikat dengan Bahan Sutera Alam di Kampung Tenun
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 terperinciKLASIFIKASI JENIS DAGING BERDASARKAN TEKSTUR MENGGUNAKAN METODE GRAY LEVEL COOCURENT MATRIX
KLASIFIKASI JENIS DAGING BERDASARKAN TEKSTUR MENGGUNAKAN METODE GRAY LEVEL COOCURENT MATRIX Nurul Lihayati 1, Ratri Enggar Pawening 2, Mohammad Furqan 3 1,2, 3 Jurusan Teknik Informatika, STT Nurul Jadid
Lebih terperinciBAB III PEMBAHASAN. survei yang dilakukan BPS pada 31 Oktober Langkah selanjutnya yang
BAB III PEMBAHASAN Data yang digunakan dalam skripsi ini merupakan data sekunder yang diperoleh dari buku saku Ikhtisar Data Pendidikan Tahun 2016/2017. Data tersebut dapat dilihat pada Lampiran 1. Data
Lebih terperinciBAB I PENDAHULUAN. kerja dan mengembangkan sikap professional dalam bidang keahlianyang. maupun melalui jenjang pendidikan yang lebih tinggi.
1 BAB I PENDAHULUAN A.Latar Belakang Masalah Tujuan pendidikan menengah kejuruan adalah meningkatkan kecerdasan, pengetahuan, kepribadian, akhlak mulia, serta keterampilan untuk hidup mandiri dan mengikuti
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 terperinciPENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2016, pp. 590~595 PENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION 590 Indra Gunawan
Lebih terperinciBAB 3 PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB 3 PERANCANGAN DAN IMPLEMENTASI SISTEM Bab ini berisi tentang penjelasan proses perancangan sistem pengolahan citra yang berupa algoritma-algoritma yang akan digunakan dalam proses pengolahan citra
Lebih terperinciBAB I PENDAHULUAN. beberapa budaya dan karya seni Indonesia ini adalah seni kerajinan tangan. kerajinan logam, kerajinan gerabah, dan kerajinan tenun.
1 BAB I PENDAHULUAN 1.1 Latar Belakang Indonesia memiliki berbagai macam budaya dan karya seni, diantara beberapa budaya dan karya seni Indonesia ini adalah seni kerajinan tangan. Beberapa seni kerajinan
Lebih terperinciBAB I PENDAHULUAN 1.1 LATAR BELAKANG. Tekstur adalah salah satu elemen dasar citra. Elemen dasar ini berupa ciriciri
1 BAB I PENDAHULUAN 1.1 LATAR BELAKANG Tekstur adalah salah satu elemen dasar citra. Elemen dasar ini berupa ciriciri atau sifat-sifat yang terdapat didalam citra dan membentuk suatu pola-pola dengan interval
Lebih terperinciBAB IV ANALISIS DAN PERANCANGAN
BAB IV ANALISIS DAN PERANCANGAN 4.1. Analisa 4.1.1 Analisis Data Pada tahap analisa data ini akan dibahas mengenai citra CT Scan yang akan dilakukan proses segmentasi atau pengelompokan data. Data citra
Lebih terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciEktraksi Fitur Citra Paru-Paru Menggunakan Gray Level Co-ocurance Matriks
Ektraksi Fitur Citra Paru-Paru Menggunakan Gray Level Co-ocurance Matriks Tri Deviasari Wulan Sistem Informasi, Fakultas Teknik, Universitas Nahdlatul Ulama Surabaya tridevi@unusa.ac.id ABSTRAK Penelitian
Lebih terperinciBAB I PENDAHULUAN. kata songket. Tanjung Pura Langkat merupakan pusat Pemerintahan Kesultanan
BAB I PENDAHULUAN A. Latar Belakang Masalah Kata songket memiliki banyak definisi dari beberapa beberapa para ahli yang telah mengadakan penelitian dan pengamatan terhadap kain songket. Menurut para ahli
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Pada bab pendahuluan ini akan diuraikan penjelasan mengenai latar belakang penelitian, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan
Lebih terperinciPENGELOMPOKAN GAMBAR BERDASARKAN WARNA DAN BENTUK MENGGUNAKAN FGKA (FAST GENETIC KMEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR
PENGELOMPOKAN GAMBAR BERDASARKAN WARNA DAN BENTUK MENGGUNAKAN FGKA (FAST GENETIC KMEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR Farah Zakiyah Rahmanti 1, Entin Martiana K. 2, S.Kom, M.Kom, Nana Ramadijanti
Lebih terperinciKLASTERISASI PROSES SELEKSI PEMAIN MENGGUNAKAN ALGORITMA K-MEANS
1 KLASTERISASI PROSES SELEKSI PEMAIN MENGGUNAKAN ALGORITMA K-MEANS (Study Kasus : Tim Hockey Kabupaten Kendal) Alith Fajar Muhammad Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131
Lebih terperinciBAB III LANDASAN TEORI. 3.1 Metode GLCM ( Gray Level Co-Occurrence Matrix)
BAB III LANDASAN TEORI 3.1 Metode GLCM ( Gray Level Co-Occurrence Matrix) Metode GLCM menurut Xie dkk (2010) merupakan suatu metode yang melakukan analisis terhadap suatu piksel pada citra dan mengetahui
Lebih terperinciJURNAL KLASIFIKASI JENIS TANAMAN MANGGA BERDASARKAN TULANG DAUN MENGGUNAKAN METODE K-MEANS
JURNAL KLASIFIKASI JENIS TANAMAN MANGGA BERDASARKAN TULANG DAUN MENGGUNAKAN METODE K-MEANS Oleh: Ina Dewi Safitri 12.1.03.02.0275 Dibimbing oleh : 1. Rini Indrianti, M.Kom 2. Resty Wulanningrum, M.Kom
Lebih terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 ANALISIS CLUSTER PADA DOKUMEN TEKS Budi Susanto (versi 1.3) Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep analisis clustering Memahami
Lebih terperinciPENERAPAN ALGORITMA FUZZY C-MEANS UNTUK KLASIFIKASI CITRA TENUN BERDASARKAN FITUR TEKSTUR
TUGAS AKHIR - SM141501 PENERAPAN ALGORITMA FUZZY C-MEANS UNTUK KLASIFIKASI CITRA TENUN BERDASARKAN FITUR TEKSTUR ISYI BIFAWA IDATI NRP 1212 100 043 Dosen Pembimbing Dr. Dwi Ratna Sulistyaningrum, S.Si,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Penelitian
BAB I PENDAHULUAN 1.1 Latar Belakang Penelitian Semakin pesatnya kerjasama ekonomi ASEAN akan menciptakan peluang dan tantangan baru bagi Usaha Mikro Kecil dan Menengah (UMKM). Asean Ekonomic Community
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.
Lebih 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 terperinciBAB IV PEMBAHASAN. Pada penelitian ini menggunakan data mahasiswa Fakultas Teknik alumni
BAB IV PEMBAHASAN Pada penelitian ini menggunakan data mahasiswa Fakultas Teknik alumni 2013-2015, rentan waktu itu di jadikan sebagai bahan penelitian karena cukup relevan dengan tahun sekarang, faktor
Lebih terperinciDAFTAR ISI... HALAMAN JUDUL... HALAMAN PENGESAHAN... HALAMAN PERNYATAAN... HALAMAN PERSEMBAHAN... PRAKATA... DAFTAR LAMBANG... DAFTAR GAMBAR...
DAFTAR ISI Halaman HALAMAN JUDUL... HALAMAN PENGESAHAN... HALAMAN PERNYATAAN... HALAMAN PERSEMBAHAN... PRAKATA... DAFTAR ISI... DAFTAR LAMBANG... DAFTAR GAMBAR... DAFTAR TABEL... INTISARI... ABSTRACT...
Lebih terperinciKlasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor
Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor Puspa Rizky Trisnaningtyas 1, Maimunah 2 Program Studi Teknik Komputer Universitas Islam 45 Bekasi, Indonesia
Lebih terperinciIII. METODOLOGI PENELITIAN
15 III. METODOLOGI PENELITIAN A. Waktu dan Tempat Penelitian ini dilaksanakan pada bulan Juli Desember 2007 di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian, Departemen Teknik Pertanian, Fakultas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Indonesia dikenal sebagai negara yang penuh akan keanekaragaman budaya. Salah satu keanekaragamannya dapat dilihat pada perbedaan dalam pakaian adat yang digunakan
Lebih terperinciRAGAM HIAS FLORA Ragam hias flora
RAGAM HIAS FLORA Ragam hias flora Flora sebagai sumber objek motif ragam hias dapat dijumpai hampir di seluruh pulau di Indonesia. Ragam hias dengan motif flora (vegetal) mudah dijumpai pada barang-barang
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Pengerjaan tugas akhir ini ditunjukkan dalam bentuk blok diagram pada gambar 3.1. Blok diagram ini menggambarkan proses dari sampel citra hingga output
Lebih terperinciCONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN METODE COLOR HISTOGRAM DAN ALGORITMA K-MEANS CLUSTERING
CONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN METODE COLOR HISTOGRAM DAN ALGORITMA K-MEANS CLUSTERING Risa Fithrasari 208700923 Jurusan Teknik Informatika Fakultas Sains dan Teknologi UIN Sunan Gunung Djati
Lebih terperinciBAB V HASIL PENELITIAN DAN PEMBAHASAN
BAB V HASIL PENELITIAN DAN PEMBAHASAN 5.1 Data Uji Printer forensik merupakan suatu proses identifikasi untuk mengetahui asal dokumen bukti, cara yang dilakukan dengan membandingkan dengan ciri yang terdapat
Lebih terperinciSEGMENTASI CITRA. thresholding
SEGMENTASI CITRA Dalam visi komputer, Segmentasi adalah proses mempartisi citra digital menjadi beberapa segmen (set piksel, juga dikenal sebagai superpixels). Tujuan dari segmentasi adalah untuk menyederhanakan
Lebih terperinciBAB VI PENUTUP. A. Kesimpulan. Kain songket adalah benda pakai yang digunakan oleh masyarakat
BAB VI PENUTUP A. Kesimpulan Kain songket adalah benda pakai yang digunakan oleh masyarakat Palembang sejak dahulu dan merupakan benda yang mengandung banyak nilai di dalamnya, seperti nilai intrinsik
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pengolahan citra pada masa sekarang mempunyai suatu aplikasi yang sangat luas dalam berbagai bidang antara lain bidang teknologi informasi, arkeologi, astronomi, biomedis,
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 terperinciCONTEND BASED IMAGE RETRIEVAL UNTUK PENGENALAN CITRA 2D BATIK MENGGUNAKAN FITUR TEKSTUR WARNA DAN FUNGSI JARAK MINKOWSKI
CONTEND BASED IMAGE RETRIEVAL UNTUK PENGENALAN CITRA D BATIK MENGGUNAKAN FITUR TEKSTUR WARNA DAN FUNGSI JARAK MINKOWSKI Retno Indriani (1),Ricardus Anggi Pramunendar () Universitas Dian Nuswantoro, Ilmu
Lebih terperinciBab III ANALISIS&PERANCANGAN
3.1 Analisis Masalah Bab III ANALISIS&PERANCANGAN Pada penelitian sebelumnya yaitu ANALISIS CBIR TERHADAP TEKSTUR CITRA BATIK BERDASARKAN KEMIRIPAN CIRI BENTUK DAN TEKSTUR (A.Harris Rangkuti, Harjoko Agus;
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka tentang identifikasi iris mata ataupun identifikasi citra digital sudah pernah dilakukan sebelumnya, berikut merupakan tabel perbandingan terhadap
Lebih terperinciPemanfaatan Algoritma FCM Dalam Pengelompokan Kinerja Akademik Mahasiswa
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Pemanfaatan Algoritma FCM Dalam Pengelompokan Kinerja Akademik Mahasiswa Aidina Ristyawan 1), Kusrini 2), Andi Sunyoto
Lebih terperinciBAB II TINJAUAN MOTIF SONGKET PALEMBANG BUNGO PACIK
BAB II TINJAUAN MOTIF SONGKET PALEMBANG BUNGO PACIK II.1 Songket Kain songket merupakan salah satu kesenian khas Indonesia yang telah ada berabad abad lamanya dan merupakan salah satu bukti peninggalan
Lebih terperinciPENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN PERSENTASE RUMAH TANGGA MENURUT KUALITAS FISIK AIR MINUM DENGAN MENGGUNAKAN K-MEANS CLUSTER
PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN PERSENTASE RUMAH TANGGA MENURUT KUALITAS FISIK AIR MINUM DENGAN MENGGUNAKAN K-MEANS CLUSTER Artanti Indrasetianingsih Dosen Program Studi Statistika, FMIPA
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Dewasa ini pengolahan citra digital telah mengalami perkembangan pesat dengan semakin banyak penelitian tentang pengenalan objek dari sebuah citra. Pengenalan suatu
Lebih terperinciPenerapan Ragam Hias pada Bahan Tekstil
Penerapan ragam hias flora, fauna, dan geometris pada bahan tekstil banyak dijumpai di berbagai daerah di Indonesia. Penerapan ragam hias pada bahan tekstil dapat dilakukan dengan cara membatik, menenun,
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 terperinciMETODE CLUSTERING DENGAN ALGORITMA K-MEANS. Oleh : Nengah Widya Utami
METODE CLUSTERING DENGAN ALGORITMA K-MEANS Oleh : Nengah Widya Utami 1629101002 PROGRAM STUDI S2 ILMU KOMPUTER PROGRAM PASCASARJANA UNIVERSITAS PENDIDIKAN GANESHA SINGARAJA 2017 1. Definisi Clustering
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA A. Temu Kembali Citra Temu kembali citra adalah salah satu metodologi untuk penemuan kembali citra berdasarkan isi (content) citra. Citra memiliki informasi karakteristik visual berupa
Lebih terperinciSIMULASI DAN ANALISIS SISTEM KLASIFIKASI SONGKET PALEMBANG MENGGUNAKAN STATISTIC, COLOR HISTOGRAM, DAN EUCLIDEAN DISTANCE PADA CITRA DIGITAL
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 96 SIMULASI DAN ANALISIS SISTEM KLASIFIKASI SONGKET PALEMBANG MENGGUNAKAN STATISTIC, COLOR HISTOGRAM, DAN EUCLIDEAN DISTANCE PADA
Lebih terperinciBab 2 Tinjauan Pustaka
Bab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu Adapun penelitian terdahulu yang berkaitan dalam penelitian ini berjudul Penentuan Wilayah Usaha Pertambangan Menggunakan Metode Fuzzy K-Mean Clustering
Lebih terperinciARTIKEL PENILAIAN PRESTASI KERJA PEGAWAI NEGERI SIPIL
ARTIKEL PENERAPAN METODE K-MEANS DALAM PROSES CLUSTERING PENILAIAN PRESTASI KERJA PEGAWAI NEGERI SIPIL Oleh: IRFAN DWI NURCAHYO BUDIARTO 13.1.03.02.0117 Dibimbing oleh : 1. Hermin Istiasih, ST.,M.M.,M.T.
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang ENDHULUN Saat ini kemampuan untuk dapat mengidentifikasi dan mengklasifikasi daun menadi kebutuhan yang besar bagi taksonomis dalam mengetahui keanekaragaman tanaman (Hickey et al 999).
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Nako terdiri dari 7 orang pengrajin kemudian kelompok ketiga diketuai oleh Ibu
37 BAB IV HASIL DAN PEMBAHASAN 4.1 Jenis Kain Karawo Di Desa Tabongo Barat Kecamatan Tabongo Kabupaten Gorontalo terdapat empat kelompok pengrajin, kelompok pertama diketuai oleh Ibu Sarta Talib terdiri
Lebih terperinciDATA MINING. Pertemuan 9. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi
DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 9 Nizar Rabbi Radliya nizar.radliya@yahoo.com Universitas Komputer Indonesia 2016 Clustering Data Mining Penklusteran (clustering) digunakan untuk
Lebih terperinciPENGELOMPOKAN DAMPAK GEMPA BUMI DARI SEGI KERUSAKAN FASILITAS PADA PROVINSI YANG BERPOTENSI GEMPA DI INDONESIA MENGGUNAKAN K-MEANS-CLUSTERING
PENGELOMPOKAN DAMPAK GEMPA BUMI DARI SEGI KERUSAKAN FASILITAS PADA PROVINSI YANG BERPOTENSI GEMPA DI INDONESIA MENGGUNAKAN K-MEANS-CLUSTERING Hepita Artatia, RB Fajriya Hakim Program Studi Statistika Fakultas
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciBAB 3 PERANCANGAN PERANGKAT LUNAK
A 3 PERANCANGAN PERANGKAT LUNAK Pada bab ini diuraikan mengenai perancangan perangkat lunak untuk implementasi aplikasi pengenalan obyek tiga dimensi dengan metode Subclass Discriminant Analysis (SDA).
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 terperinciPERBANDINGAN KINERJA EKSTRAKSI FITUR TINGKAT RENDAH MENGGUNAKAN METODE
PERBANDINGAN KINERJA EKSTRAKSI FITUR TINGKAT RENDAH MENGGUNAKAN METODE Gray Level Co-occurrence Matrix (GLCM) dan GABOR FILTER DALAM PENGENALAN MOTIF BATIK OLEH : ANUGRAH SURADIPURWO NIM : 41508110061
Lebih terperinciGRAY LEVEL COOCURENCE MATRIX SEBAGAI PENGEKSTRAKSI CIRI PADA PENGENALAN NASKAH BRAILLE
GRAY LEVEL COOCURENCE MATRIX SEBAGAI PENGEKSTRAKSI CIRI PADA PENGENALAN NASKAH BRAILLE Yegar Sahaduta 1), Chairisni Lubis 2) 1) Fakultas Teknologi Informasi-Universitas Tarumanagara Jl. S. Parman No.1,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan penelitian yang dilaksanakan ditunjukan pada Gambar 6. Akusisi Citra INPUT Citra Query Preprocessing Citra Pre processing Citra Ekstraksi Fitur
Lebih terperinciBAB III PEMBAHASAN. Algoritma Self Organizing Map (SOM) merupakan suatu metode NN yang
BAB III PEMBAHASAN Algoritma Self Organizing Map (SOM) merupakan suatu metode NN yang diperkenalkan oleh Professor Teuvo Kohonen pada tahun 1982. Self Organizing Map merupakan salah satu bentuk topologi
Lebih terperinciGaleri Songket Di Palembang BAB I PENDAHULUAN
BAB I PENDAHULUAN I.1 Latar Belakang Pengadaan Proyek Kain tenun songket adalah salah satu warisan budaya dari bangsa Indonesia yang harus di lestarikan. Songket merupakan lambang kehalusan seni tenunan
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 terperinciUKDW BAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Seni batik merupakan salah satu warisan budaya yang asli dari Indonesia. Seni batik sendiri juga sudah ada dan dikenal sejak beberapa abad yang lalu di Tanah
Lebih terperinci