IMPLEMENTASI TEMU KEMBALI CITRA BERBASIS ISI DENGAN FITUR TITIK-TITIK SIGNIFIKAN
|
|
- Yohanes Kusnadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 IMPLEMENTASI TEMU KEMBALI CITRA BERBASIS ISI DENGAN FITUR TITIK-TITIK SIGNIFIKAN Rifky Alif Tama 1, Nanik Suciati 2, Arya Yudhi Wijaya 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS rifkyalif@gmail.com 1, nanik@its-sby.edu. 2, arya@if.its.ac.id 3 ABSTRAKSI Perkembangan teknologi informasi dan multimedia menyebabkan jumlah citra meningkat tajam. Namun sayangnya, hal tersebut tidak diiringi dengan metode pencarian citra yang efektif. Metode pencarian yang sebelumnya masih merupakan pencarian berbasis teks yang merepresentasikan isi citra. Cara ini dinilai kurang efektif, sebab tidak selalu setiap citra dapat terdeskripsikan isinya dalam suatu teks. Oleh karena itu dalam Tugas Akhir ini diusulkan metode pencarian berdasarkan isi citra dengan fitur titik-titik signifikan. Sebelum citra diproses, dilakukan preprocessing, kemudian dilakukan tahap ekstraksi fitur, yakni ekstraksi titik-titik signifikan dengan cara thresholding gradient membership yang didapatkan dengan penerapan algoritma fuzzy dalam bentuk fungsi tipe S. Setelah itu, dilakukan proses komputasi warna dari titik-titik yang dihasilkan dengan momen invariant. Sehingga dihasilkan vektor fitur yang digunakan untuk menentukan kemiripan antar citra dengan algoritma penghitungan jarak menggunakan Canberra distance. Uji coba dilakukan pada citra berwarna (RGB) dengan menentukan threshold pada jarak untuk mengetahui kinerja terbaik sistem. Pada akhirnya, fitur titik-titik signifikan dapat digunakan untuk temu kembali citra dan dapat dikembangkan agar lebih optimal di kemudian hari. Kata kunci: Content-based Image Retrieval, Titik-titik signifikan, momen invariant, Canberra distance, Precision. 1 PENDAHULUAN Seiring dengan perkembangan teknologi informasi, internet, dan aplikasi multimedia yang pesat, menyebabkan jumlah citra yang dikelola meningkat secara tajam. Para pengguna sangat mudah untuk mengakses ratusan bahkan ribuan citra, akan tetapi seringkali tidak mudah mendapatkan citra-citra yang sesuai dengan yang dibutuhkan pengguna. Sebab, pada umumnya proses pencarian citra dilakukan dengan memasukkan input atau query berupa teks, sedangkan citra tidak selalu dapat terdeskripsikan secara keseluruhan kedalam suatu teks. Agar pencarian menjadi efektif, yakni hasil nantinya sesuai dengan isi citra yang diinginkan, maka input atau query yang digunakan dalam sistem pencarian haruslah suatu citra pula. Oleh karena itu, perlu dikembangkan metode pencarian citra untuk mempermudah pencarian data dengan proses mencocokkan isi citra-nya. Metode inilah yang dinamakan sistem temu kembali citra berdasakan isi atau contentbased image retrieval (CBIR). Metode CBIR ini mencari citra dengan mencocokkan content dari representasi suatu citra yang dapat berupa komposisi tekstur, bentuk, maupun warna. Terdapat banyak teknik CBIR yang telah dilakukan saat ini dimana pada beberapa teknik tersebut menerapkan metode pendekatan CBIR konvensional. Metode tersebut merepresentasikan citra menjadi kumpulan fitur, yang kemudian dinamakan sebagai suatu vektor fitur. Tiap fitur hanya akan mewakili satu property, seperti warna, tekstur, bentuk, dan lain-lain. Untuk itu diperlukan pemilihan fitur yang optimal dan cocok untuk tipe tertentu, dimana fitur komponennya dapat juga bervariasi berdasarkan keperluan. Citra natural, yakni citra yang menggambarkan keadaan alam, pada umumnya terdiri atas edge dan corner, dimana letaknya didefinisikan oleh posisinya masing-masing. Fitur inilah yang dinamakan visually significant [1] dan memiliki proporsi tinggi mengenai informasi yang terkandung dalam suatu citra. Gagasan inilah yang diusulkan dalam tugas akhir ini. Teknik yang diusulkan dalam tugas akhir ini berdasarkan asumsi bahwa dua citra yang sama secara visual, akan memiliki kesamaan dalam hal karakteristik secara visual. Representasi yang mewakili karakteristik lokal dari bagian tersebut merupakan hal yang sangat penting dalam proses menghasilkan suatu kesimpulan. 1
2 Berdasarkan aspek tersebut, pendekatan teori fuzzy set diusulkan untuk menghasilkan kluster disekitar curvature points. Titik-titik ini merupakan kandidat untuk perhitungan fitur. Momen invariant dari kumpulan titiktitik yang dihasilkan tersebut digunakan sebagai fitur untuk evaluasi kesamaan antar citra. 2 EKSTRAKSI TITIK-TITIK SIGNIFIKAN Pada tugas akhir ini, ekstraksi fitur pada citra dilakukan dengan melakukan ekstraksi titik-titik signifikan dan perhitungan fitur warna baik dari keseluruhan citra maupun titik-titik signifikan tersebut. Sehingga nantinya akan dihasilkan 6 fitur, dimana 3 fitur diperoleh dari komputasi keseluruhan citra dan 3 lainnya diperoleh dari titik-titik signifikan. Proses ekstraksi titik-titik signifikan dimulai dari inisialisasi yakni masukan berupa citra RGB kemudian dilakukan proses grayscaling. Setelah itu, untuk perbaikan citra, dilakukan proses smoothing dengan menggunakan gaussian low-pass filter. Dataset Citra Citra Query (Input) Ekstraksi Fitur (Ekstraksi titik-titik signifikan dan komputasi fitur warna) Ekstraksi Fitur (Ekstraksi titik-titik signifikan dan komputasi fitur warna) Database Fitur Citra Perhitungan Kemiripan (Canberra Distance) Parameter c merupakan shoulder point, dimana S(x) = 1.0. Sedangkan parameter a merupakan feet point, yakni S(a;a, b, c) = 0.0, sebagaimana ditunjukkan pada Gambar 2. Untuk menentukan nilai paramater a,b, dan c pada fungsi S, dilakukan komputasi ratio of contrast diantara dua opposite pixel (X m r) sebagaimana ditunjukkan pada persamaan (1). Gambar 2 Fungsi Tipe S pada koordinat kartesian S x; a, b, c = 0 = 2 x a c a a x b = 1 2 x c c a b x c = 1 x c μ d P = S(x; a, b, c) (1) (2) Pengurutan (sorting) citra berdasarkan jaraknya x m r = min{x r } (3) Menentukan jumlah citra yang di-retrieve Dimana untuk mendapatkan X r, diperoleh dari persamaan (4) berikut. Citra Result (Output) X r = 1 + a 1 a c 1 c 2, 1 + c 1 c a 1 a 2, 1 + b 1 b d 1 d 2, 1 + d 1 d b 1 b 2 (4) Gambar 1 Diagram sistem temu kembali citra Proses selanjutnya adalah identifikasi extrema pada pixel, yakni plateau top dan plateau bottom. Pixel yang tidak termasuk kedalam plateau top dan bottom, atau yang dinamakan dengan collapsible pels (cp) akan disimpan untuk proses selanjutnya, yakni pada titik-titik tersebut dilakukan proses perhitungan gradient membership µ d (P), yang dihasilkan oleh suatu fungsi tipe S sebagaimana ditunjukkan pada persamaan (1) dan persamaan (2). Dalam fungsi tipe S atau S(x;a, b, c), parameter b merupakan titik cross-over, yakni S(b;a, b, c) = 0.5. a 1 b 1 c 1 d 2 x d 1 c 2 b 2 a 2 Gambar 3 Window 3x3 untuk mencari nilai x r Dimana a 1, a 2, b 1, b 2, c 1, c 2, d 1, d 2 diperoleh dari nilai tetangga dari suatu pixel sebagaimana ditunjukkan pada Gambar 3. Parameter a dan c dihasilkan dari nilai maximum dan minimum dari X m r, dimana memetakan keanggotaan 2
3 antara 0.0 hingga 1.0. Dengan thresholding pada µ d (P), titik-titik signifikan dapat diperoleh.. 3 KOMPUTASI FITUR WARNA Properties warna dari titik-titik signifikan yang dihasilkan dikomputasikan untuk menghitung invariant moments. Invarian moments dihitung dari bidang komponen dalam terms dari (c 1,c 2,c 3 ) yang diperoleh dari representasi RGB citra, sebagaimana didefinisikan pada persamaan (5) berikut. c 1 = arctan(r/ max(g,b)), c 2 = arctan(g/ max(r,b)), c 3 = arctan(b/ max(r,g)) Setelah itu dilakukan proses perhitungan spatial moment dari citra, dimana suatu moments (m pq ) dari orde p dan q dari suatu fungsi f (x, y) pada umumnya, didefinisikan sebagaimana persamaan (6) berikut. m pq = x y x p y q f(x, y) (6) Kemudian untuk centralized moment didefinisikan pada persamaan (7) berikut. Dimana untuk variabel x dan y didapatkan dari persamaan pada (8). μ pq = x y (x x ) p (y y) q f(x, y) (7) Untuk komputasi momen invariant, digunakan set persamaan momen invariant oleh Hu [5], yang ditunjukkan pada persamaan (11), dimana dihitung dari proses normalized centralized moment (η pq ), sebagaimana ditunjukkan pada persamaan (10). x = m 10 /m 00, y = m 10 /m 00 μ 00 = m 00 μ 20 = m 20 m2 10 m 00 μ 02 = m 02 m2 01 m 00 μ 11 = m 11 m 10 m 01 m 00 η pq = μ pq μ γ 00 (5) (8) (9) (10) ϕ = η 20 + η 02 (11) Setelah dilakukan proses normalized centralized moment (η pq ), maka nilai moment (ϕ) dapat dihitung dengan persamaan yang ditunjukkan pada (11). Untuk setiap nilai moment (ϕ) akan ada satu fitur yang dihasilkan. Untuk fitur pertama sampai dengan ketiga (f 1,f 2,f 3 ), merupakan hasil perhitungan nilai moment (ϕ) terhadap terms c 1,c 2,c 3 yang perhitungannya dilakukan terhadap semua titik pada citra. Untuk fitur keempat sampai dengan keenam (f 4,f 5,f 6 ), merupakan hasil perhitungan nilai moment (ϕ) terhadap terms c 4,c 5,c 6 yang perhitungannya dilakukan terhadap hanya terhadap titiktitik signifikan pada citra. Sehingga tiap citra akan memiliki vektor fitur (F k ) dengan enam komponen fitur, F k = [f 1,f 2,f 3,f 4,f 5,f 6 ]. Vektor fitur tersebut nantinya akan digunakan dalam perhitungan kemiripan yang dilakukan dengan metode Canberra distance. 4 PERHITUNGAN KEMIRIPAN CITRA Proses feature extraction dilakukan untuk mendapatkan fitur dari masing-masing citra. Setelah fitur dari masing-masing citra didapatkan, maka antar citra tersebut dapat dilakukan proses untuk mengetahui kemiripan antara citra satu dengan yang lain. Proses inilah yang dinamakan proses penghitungan kemiripan (similarity measure). Banyak pilihan cara yang dapat dilakukan untuk menghitung atau mencari kemiripan. Salah satunya adalah dengan mencari jarak (distance) diantara fitur-fitur yang telah didapat. Metode pencarian jarak yang digunakan dalam tugas akhir ini yang ini menggunakan metode Canberra Distance. d can k = N j =0 f j k f j x f j k +f j x (12) Canberra distance adalah fungsi yang digunakan untuk mencari jarak (distance) dari dua objek dengan fitur dari objek pertama (f j (k)) dan fitur dari objek kedua (f j (x)) serta jumlah fitur dari masing-masing objek (j). Prosesnya adalah mencari selisih dari fitur pertama objek pertama dan objek kedua kemudian dibagi dengan jumlah fitur pertama pada objek pertama dan kedua. Dan seterusnya dilakukan penjumlahan dengan fitur kedua hingga fitur ke-k. Dengan cara ini, dapat diantisipasi jika beberapa fitur yang didapatkan memiliki rentang nilai yang jauh. Misalkan fitur pertama dan kedua bernilai puluhan, 3
4 sedangkan fitur ketiga dan keempat bernilai ribuan. Sebab nantinya masing-masing fitur ketika akan ditambahkan dengan fitur lain untuk mencari jarak (distance) total, maka sebelumnya akan dilakukan normalisasi secara tidak langsung dengan melakukan pembagian antara selisih terhadap jumlah fiturnya. Oleh karena itu, tidak akan ada fitur yang akan dominan sebab rentang nilainya jauh berbeda dengan yang lain sehingga masing-masing fitur akan mempunyai bobot yang sama di dalam menentukan jarak (distance) antara dua objek. Pada uji coba dengan skenario 1, citra query yang digunakan yakni sebanyak 10 citra dari perwakilan masing-masing kategori. Citra dapat berukuran 256x384 maupun sebaliknya. Kemudian, hasil yang di-retrieve akan dibatasi yakni sebanyak 10 hasil teratas (top 10). Sebagai contoh akan diambil satu citra dari kategori food sebagai query, sebagaimana ditunjukkan pada Gambar 4. Kemudian setelah dilakukan pencarian terhadap citra query tersebut, diambil hasil retrieve sebanyak 10 hasil teratas (top 10), sebagaimana ditunjukkan pada Gambar 5. Dari hasil pencarian tersebut, citra yang di-retrieve dan relevan sebanyak 6 (enam) buah dari total citra yang di-retrieve sebanyak 10 (sepuluh) buah. Berdasarkan perhitungan nilai precision, maka tp nya adalah 6. Sehingga untuk citra query tersebut, nilai precision-nya sama dengan 6/10 = 0,6 atau 60%. Demikian seterusnya akan dilakukan proses yang sama dengan mengambil 10 citra query dari masingmasing kategori, dengan jumlah citra yang di-retrieve sebanyak 10, kemudian dihitung nilai precision-nya, dimana hasilnya ditampilkan pada Tabel 1. Tabel 1 merupakan hasil uji coba dari skenario 1 dimana ditunjukkan rata-rata precision untuk masingmasing kategori citra jika yang di-retrieve adalah top 10 atau 10 citra yang paling mirip dengan citra query. Gambar 4 Salah satu citra query dari kategori food 5 UJI COBA DAN EVALUASI Dalam bagian ini akan dibahas mengenai hasil uji coba sistem yang telah dirancang dan dibuat. Uji coba dilakukan untuk mengetahui apakah sistem dapat berjalan sebagaimana mestinya dengan lingkungan uji coba yang telah ditentukan serta dilakukan sesuai dengan skenario uji coba. Pengamatan terhadap uji coba yaitu pengamatan terhadap output proses sistem temu kembali citra. Proses pencarian akan menghasilkan citra-citra yang mirip dengan citra query. 5.1 Uji coba dengan jumlah retrieve top 10 Gambar 5 Hasil retrieve Top 10 dari salah satu citra dari kategori food Tabel 1 Rata-rata precision (%) dari masing-masing kategori citra jika yang di-retrieve adalah top 10 No Nama Kategori Rata- rata Precision 1 Africa 51,0 2 Beach 62,0 3 Building 52,0 4 Bus 53,0 5 Dinosaur 95,0 6 Elephant 38,0 7 Horses 87,0 8 Mountains 48,0 9 Food 60,0 Rata-rata Total 60,7 5.2 Uji coba dengan jumlah retrieve top 20 Pada uji coba dengan skenario 2, citra query yang digunakan yakni sebanyak 10 citra dari perwakilan masing-masing kategori. Citra dapat berukuran 256x384 maupun sebaliknya. Kemudian, hasil yang di-retrieve akan dibatasi yakni sebanyak 20 hasil teratas (top 20). Sebagai contoh akan diambil satu citra dari kategori horses sebagai query, sebagaimana ditunjukkan pada Gambar 6. Kemudian setelah dilakukan pencarian terhadap citra query tersebut, diambil hasil retrieve sebanyak 20 hasil teratas (top 20), sebagaimana ditunjukkan pada Gambar. Dari hasil pencarian tersebut, citra yang di-retrieve dan relevan sebanyak 14 (empatbelas) buah dari total citra yang di-retrieve sebanyak 20 (duapuluh) buah. 4
5 Berdasarkan perhitungan nilai precision, maka tp nya adalah 14. Sehingga untuk citra query tersebut, nilai precision-nya sama dengan 14/20 = 0,7 atau 70%. Demikian seterusnya akan dilakukan proses yang sama dengan mengambil 10 citra query dari masingmasing kategori, dengan jumlah citra yang di-retrieve sebanyak 20, kemudian dihitung nilai precision-nya, dimana hasilnya ditampilkan pada Tabel 2. Tabel 2 merupakan hasil uji coba dari skenario 2 dimana ditunjukkan rata-rata precision untuk masingmasing kategori citra jika yang di-retrieve adalah top 20 atau 20 citra yang paling mirip dengan citra query. 5.3 Uji coba dengan jumlah retrieve top 40 Pada uji coba dengan skenario 3, citra query yang digunakan yakni sebanyak 10 citra dari perwakilan masing-masing kategori. Citra dapat berukuran 256x384 maupun sebaliknya. Kemudian, hasil yang di-retrieve akan dibatasi yakni sebanyak 40 hasil teratas (top 40). Tabel 3 merupakan hasil uji coba dari skenario 3 dimana ditunjukkan rata-rata precision untuk masingmasing kategori citra jika yang di-retrieve adalah top 40 atau 40 citra yang paling mirip dengan citra query. Tabel 3 Rata-rata precision (%) dari masing-masing kategori citra jika yang di-retrieve adalah top40 Gambar 6 Salah satu citra query dari kategori horses No Nama Kategori Rata- rata Precision 1 Africa 36,5 2 Beach 38,0 3 Building 39,3 4 Bus 36,5 5 Dinosaur 89,5 6 Elephant 24,3 7 Horses 47,8 8 Mountains 30,5 9 Food 34,8 Rata-rata Total 41,9 5.4 Analisis Hasil Uji Coba Gambar 7 Hasil retrieve Top 20 dari salah satu citra dari kategori horses Tabel 2 Rata-rata precision (%) dari masing-masing kategori citra jika yang di-retrieve adalah top 20 No Nama Kategori Rata- rata Precision 1 Africa 44,5 2 Beach 49,0 3 Building 45,5 4 Bus 44,5 5 Dinosaur 94,0 6 Elephant 28,0 7 Horses 66,5 8 Mountains 38,5 9 Food 47,5 Rata-rata Total 50,9 Dari ketiga uji coba yang telah dilakukan, dapat terlihat bahwa dengan semakin banyaknya citra yang diretrieve, rata-rata precisionnya semakin berkurang. Hal ini dikarenakan jika jumlah citra relevan yang dikembalikan sebagian besar muncul pada hasil teratas terus menerus, maka ketika jumlah retrieve nya diperbesar, akan menyebabkan rasio pembagi, yakni jumlah retrieve menjadi lebih besar, sedangkan jumlah citra relevannya tetap ataupun bertambah sedikit. Oleh karena itu, tingkat precision-nya menurun. Beberapa kategori yang lain memiliki nilai precision yang kurang baik dikarenakan dataset citra yang dimiliki oleh masing-masing kategori, tidak seluruhnya dapat merepresentasi nama semantik yang diberikan. Selain itu, kemiripan antar citra dalam satu kategori juga kurang, sehingga ketika dilakukan ekstraksi titik-titik yang signifikan dan perhitungan fitur warna, akan dihasilkan karakteristik titik-titik yang berbeda pula. 5
6 Sedangkan untuk kategori dinosaur dan horses memiliki rata-rata precision paling baik diantara kategori lain berturut-turut dengan 92.83% dan 67.08%. hal tersebut dikarenakan dataset citra yang terdapat pada dua kategori tersebut memiliki karakteristik citra yang dapat dibedakan dengan jelas dengan kategori lain. Kategori dinosaur memiliki karakteristik warna yang khas, yakni memiliki background dominan kuning, dengan kuning muda pada bagian atas dan kuning tua pada bagian bawah, kemudian objek dinosaurus di tengah. Kategori horses juga memiliki karakteristik khas, yakni sebagian besar citra memiliki warna background dominan hijau berupa rerumputan, dan dua objek kuda didepannya. Tabel 4 Rata-rata precision keseluruhan dari masingmasing kategori citra Rata-rata precision Nama No Kategori Top 10 Top 20 Top 40 Rata-rata precision total tiap kategori 1 Africa 51,0 44,5 36,5 44,0 2 Beach 62,0 49,0 38,0 49,7 3 Building 52,0 45,5 39,3 45,6 4 Bus 53,0 44,5 36,5 44,7 5 Dinosaur 95,0 94,0 89,5 92,8 6 Elephant 38,0 28,0 24,3 30,1 7 Horses 87,0 66,5 47,8 67,1 8 Mountains 48,0 38,5 30,5 39,0 9 Food 60,0 47,5 34,8 47,4 REFERENSI [1] D.G. Lowe, Perceptual Organization and Visual Recognition, Kluwer Academic Publishers, USA, [2] R.C. Gonzalez dan Woods, R.E. Digital image processing. Prentice-Hall, Engelwood Cliffs, NJ, [3] Clifford Watson Low Pass Filters, <URL: or.filtering.html#lpf diakses 1 Mei 2011>. [4] S. Deb, Wahab, H.A., Arya, A., Boregowda, L.R., Chan, Y.K., Chen, S.C Multimedia Systems and Content-Based Image Retrieval. Idea Group Publishing. [5] M. K. Hu, Visual Pattern Recognition by Moment Invariants, IEEE Trans. Inf. Theory 12, (1962)\ [6] M. Banerjee, M.K. Kundu, P. Maji, Content based image retrieval using visually significant point features. Computer Vision, Graphics and Image Processing, ICVGIP 2004, India, 2004, pp KESIMPULAN Kesimpulan yang diperoleh berdasarkan uji coba dan analisis hasil yang telah dilakukan adalah sebagai berikut : 1. Sistem temu kembali citra berbasis isi dengan fitur titik-titik signifikan berhasil melakukan retrieval dengan baik (rata-rata precision keseluruhan untuk 10, 20 dan 40 citra teratas berturut-turut sebesar 60,7 %, untuk 20 citra teratas sebesar 50,9 %, untuk 40 citra teratas sebesar 41,9 %). 2. Jumlah citra yang di-retrieve dari sistem temu kembali citra berbanding terbalik dengan nilai precision-nya, dimana semakin banyak citra yang di-retrieve, maka nilai precision-nya semakin berkurang. 3. Kategori pada dataset citra yang anggotanya memiliki karakteristik yang sama, akan memberikan nilai precision yang tinggi. 6
APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK
APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK Arwin Halim 1, Hardy 2, Alvin Yufandi 3, Fiana 4 Program Studi Teknik Informatika, STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan
Lebih terperinciCONTENT BASED IMAGE RETRIEVAL UNTUK MENGIDENTIFIKASI MOTIF KARAWO MENGGUNAKAN METODE INVARIANT GENERALIZED HOUGH TRANSFORM
1 CONTENT BASED IMAGE RETRIEVAL UNTUK MENGIDENTIFIKASI MOTIF KARAWO MENGGUNAKAN METODE INVARIANT GENERALIZED HOUGH TRANSFORM Venny Mar atul Jannah Ismail 1, Arip Mulyanto 2, Abd. Aziz Bouty 3 1 Mahasiswa
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 terperinciSISTEM TEMU KEMBALI CITRA UNTUK E- COMMERCE MENGGUNAKAN PROSEDUR PENCARIAN DUA FASE DENGAN FITUR HISTOGRAM MULTI TEKSTON
SISTEM TEMU KEMBALI CITRA UNTUK E- COMMERCE MENGGUNAKAN PROSEDUR PENCARIAN DUA FASE DENGAN FITUR HISTOGRAM MULTI TEKSTON Nurissaidah Ulinnuha 1), Halimatus Sa dyah 2) Fakultas Sains dan Teknologi, Universitas
Lebih terperinciPENCARIAN ISI CITRA MENGGUNAKAN METODE MINKOWSKI DISTANCE
PENCARIAN ISI CITRA MENGGUNAKAN METODE MINKOWSKI DISTANCE Budi Hartono 1, Veronica Lusiana 2 Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Stikubank Semarang Jl Tri Lomba
Lebih terperinciBAB I PENDAHULUAN. Perkembangan teknologi komputer dan internet semakin maju
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Perkembangan teknologi komputer dan internet semakin maju menyebabkan data digital yang dihasilkan, disimpan, ditransmisikan, dianalisis, dan diakses menjadi
Lebih terperinciIMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER
IMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER M. Jamaluddin 1, Nanik Suciati 2, Arya Yudhi Wiajaya 3 1,2,3 Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
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 terperinciBAB 1 PENDAHULUAN. Dalam bahasa Inggris ada pepatah yang mengatakan a picture is worth a
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam bahasa Inggris ada pepatah yang mengatakan a picture is worth a thousand words yang memiliki arti sebuah gambar bernilai beribu kata yang secara tidak sengaja
Lebih terperinciPENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM)
PENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM) Rima Tri Wahyuningrum *) Program Studi Teknik Informatika,
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciBAB III ANALISIS MASALAH DAN RANCANGAN PROGRAM
BAB III ANALISIS MASALAH DAN RANCANGAN PROGRAM III.1. Analisis Sistem yang Sedang Berjalan Proses analisa sistem merupakan langkah kedua pada pengembangan sistem. Analisa sistem dilakukan untuk memahami
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN PENGHAPUSAN TEKSTUR DAN K-MEANS DENGAN BATASAN RUANG
SEGMENTASI CITRA MENGGUNAKAN PENGHAPUSAN TEKSTUR DAN K-MEANS DENGAN BATASAN RUANG Gama Wisnu Fajarianto 1, Handayani Tjandrasa 2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi
Lebih terperinciLEMBAR PENGESAHAN TUGAS AKHIR...
DAFTAR ISI HALAMAN SAMPUL... i HALAMAN JUDUL... ii PERNYATAAN... iii LEMBAR PENGESAHAN TUGAS AKHIR... iv BERITA ACARA TUGAS AKHIR... v KATA PENGANTAR... vi ABSTRAK... vii ABSTRACT... viii DAFTAR ISI...
Lebih 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 terperinciSistem perolehan citra berbasis isi Berdasarkan tekstur menggunakan metode Gray level co-occurrence matrix dan Euclidean distance
Vol 1, No 3 Desember 2010 ISSN 2088-2130 Sistem perolehan citra berbasis isi Berdasarkan tekstur menggunakan metode Gray level co-occurrence matrix dan Euclidean distance * Fitri Damayanti, ** Husni, ***
Lebih terperinciEkstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Ekstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE) I Gusti Rai Agung Sugiartha
Lebih terperinciPemisahan Objek-Objek Berbasis Region pada Citra Digital dengan Metode Normalized Cuts
JURNAL DIGIT, Vol.1, No., November 011, pp. 13~131 ISSN: 088-589X 13 Pemisahan Objek-Objek Berbasis Region pada Citra Digital dengan Metode Normalized Cuts Marsani Asfi Program Studi Sistem Informasi Sekolah
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 terperinciAPLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN ALGORITMA SOBEL S EDGE DETECTION Arwin Halim 1, Hernawati Gohzali 2, In Sin 3, Kelvin Wijaya 4
APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN ALGORITMA SOBEL S EDGE DETECTION Arwin Halim 1, Hernawati Gohzali 2, In Sin 3, Kelvin Wijaya 4 1,2,3,4 Jurusan Teknik Informatika, STMIK Mikroskil, Medan 1,2,3,4
Lebih terperinciPENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL
Makalah Nomor: KNSI-472 PENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL Barep Wicaksono 1, Suryarini Widodo 2 1,2 Teknik Informatika, Universitas Gunadarma 1,2 Jl.
Lebih terperinciGambar 1.1 Tahapan Penelitian
BAB 1 PENDAHULUAN Latar Belakang Masalah Content Based Image Retrieval (CBIR) atau dikenal sebagai query dengan konten image dan pengambilan informasi visual berbasis konten merupakan penerapan teknik
Lebih terperinciPENELUSURAN CITRA ASET BERBASIS KEMIRIPAN CITRA MENGGUNAKAN FITUR BENTUK, WARNA DAN TEKSTUR SERTA KLUSTERING K-MEANS
PENELUSURAN CITRA ASET BERBASIS KEMIRIPAN CITRA MENGGUNAKAN FITUR BENTUK, WARNA DAN TEKSTUR SERTA KLUSTERING K-MEANS Jumi¹, Achmad Zaenuddin² ¹,2 Jurusan Administrasi Niaga, Politeknik Negeri Semarang
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 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 terperinciHASIL UJI COBA 1 (2) Tugas Akhir KI /18/2011
HASIL UJI COBA 1 (2) 1. Terdapat 11 citra yang relevan sesuai dengan citra contoh yang pertama dari 20 citra yang ditampilkan. 2. Presisi untuk hasil pencarian mirip citra pada uji coba yang pertama adalah
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 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI.1 Batik Asal kata batik pertama kali berasal dari jawa yang memiliki arti menulis dan titik. Batik adalah kerajinan tangan yang memiliki nilai seni tinggi dan telah menjadi bagian
Lebih terperinci1. BAB I PENDAHULUAN
1. BAB I PENDAHULUAN 1.1 Latar Belakang Dalam beberapa tahun terakhir, perkembangan teknologi pengolahan citra semakin pesat. Salah satu bidang pengolahan citra tersebut adalah bidang identifikasi citra
Lebih terperinciAnalisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra
Analisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra Meirista Wulandari Jurusan Teknik Elektro, Universitas Tarumanagara, Jakarta, Indonesia meiristaw@ft.untar.ac.id Diterima 10 Desember 016
Lebih terperinciAnalisis dan Implementasi Contet Based Image Retrieval Menggunakan Metode ORB
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 1153 Analisis dan Implementasi Contet Based Retrieval Menggunakan Metode ORB Muhammad Mirza 1, Tjokorda Agung Budi W 2, Siti Sa
Lebih terperinciPenggunaan Ciri Geometric Invariant Moment pada Pengenalan Tanda Tangan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 859-867 http://j-ptiik.ub.ac.id Penggunaan Ciri Geometric Invariant Moment pada Pengenalan Tanda
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 terperinciBAB II LANDASAN TEORI
16 BAB II LANDASAN TEORI 2.1 Retrival Citra Saat ini telah terjadi peningkatan pesat dalam penggunaan gambar digital. Setiap hari pihak militer maupun sipil menghasilkan gambar digital dalam ukuran giga-byte.
Lebih terperinciAPLIKASI IMAGE RETRIEVAL MENGGUNAKAN KOMBINASI METODE COLOR MOMENT DAN GABOR TEXTURE
APLIKASI IMAGE RETRIEVAL MENGGUNAKAN KOMBINASI METODE COLOR MOMENT DAN GABOR TEXTURE Arwin Halim 1, Hardy 2, Christina Dewi 3, Sulaiman Angkasa 4 Program Studi Teknik Informatika, STMIK Mikroskil Jl. Thamrin
Lebih terperinciBAB 1 PENDAHULUAN. Pada tahun 1970an penelitian awal image retrieval dilakukan dengan
BAB 1 PENDAHULUAN 1.1 Latar belakang Pada tahun 1970an penelitian awal image retrieval dilakukan dengan menggunakan pendekatan pengindeksan dan informasi citra berbasis teks. Teknik pencarian berbasis
Lebih terperinciANALYSIS PERFORMANCE FITUR BENTUK, WARNA DAN TEKSTUR CITRA PADA PENELUSURAN INFORMASI ASET BERBASIS CBIR
ANALYSIS PERFORMANCE FITUR BENTUK, WARNA DAN TEKSTUR CITRA PADA PENELUSURAN INFORMASI ASET BERBASIS CBIR Jumi¹ ), Achmad Zaenuddin 1) 1 Jurusan Administrasi Bisnis, Politeknik Negeri Semarang jumimail06@gmail.com
Lebih terperinciFourier Descriptor Based Image Alignment (FDBIA) (1)
Fourier Descriptor Based Image Alignment (FDBIA) (1) Metode contour tracing digunakan untuk mengidentifikasikan boundary yang kemudian dideskripsikan secara berurutan pada FD. Pada aplikasi AOI variasi
Lebih terperinciGambar 15 Contoh pembagian citra di dalam sistem segmentasi.
dalam contoh ini variance bernilai 2000 I p I t 2 = (200-150) 2 + (150-180) 2 + (250-120) I p I t 2 = 28400. D p (t) = exp(-28400/2*2000) D p (t) = 8.251 x 10-4. Untuk bobot t-link {p, t} dengan p merupakan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. Dalam pengerjaan tugas akhir ini memiliki tujuan untuk mengektraksi
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Model Pengembangan Dalam pengerjaan tugas akhir ini memiliki tujuan untuk mengektraksi fitur yang terdapat pada karakter citra digital menggunakan metode diagonal
Lebih terperinciSISTEM TEMU KEMBALI CITRA GEDUNG BERDASARKAN INFORMASI GARIS PADA BENTUK GEDUNG
Vol. 5, No. 1, Januari 2009 ISSN 0216-0544 SISTEM TEMU KEMBALI CITRA GEDUNG BERDASARKAN INFORMASI GARIS PADA BENTUK GEDUNG * Iman Sapuguh, Daniel O Siahaan, dan Chastine Fatichah Program Magister Teknik
Lebih terperinci1. Pendahuluan 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Saat ini, kebutuhan manusia akan teknologi semakin meningkat karena tidak bisa dipungkiri bahwa teknologi tersebut dapat meringankan pekerjaan manusia. Hal ini juga diimbangi
Lebih 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 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 terperinciPENGEMBANGAN SISTEM TEMU KEMBALI CITRA DENGAN MULTIMODAL DATA MENGGUNAKAN MICROSTRUCTURE DESCRIPTOR DAN PLSA
PENGEMBANGAN SISTEM TEMU KEMBALI CITRA DENGAN MULTIMODAL DATA MENGGUNAKAN MICROSTRUCTURE DESCRIPTOR DAN PLSA Choiru Za in, Nanik Suciati, Chastine Fatichah Institut Teknologi Sepuluh Nopember choiruzain@gmail.com,
Lebih terperinciPERBAIKAN CITRA UNTUK PENGENALAN WAJAH PADA CITRA WAJAH DENGAN PENCAHAYAAN TIDAK MERATA
PERBAIKAN CITRA UNTUK PENGENALAN WAJAH PADA CITRA WAJAH DENGAN PENCAHAYAAN TIDAK MERATA Naser Jawas STMIK STIKOM Bali Jl Raya Puputan no.86, Renon, Denpasar 80226 Email : naser.jawas@stikom-bali.ac.id1)
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 terperinciBAB I PENDAHULUAN. digunakan untuk identitas citra adalah nama file, tanggal pengambilan,
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Seiring berkembangnya teknologi, makin banyak pulalah hasil-hasil citra digital di berbagai aspek. Citra tersebut bisa merupakan hasil digitalisasi foto-foto analog,
Lebih terperinciTemu Kembali Citra Makanan Menggunakan Representasi Multi Texton Histogram
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-368 Temu Kembali Citra Makanan Menggunakan Representasi Multi Texton Histogram Imagine Clara Arabella, Nanik Suciati, dan Dini
Lebih terperinciPengolahan Citra Digital FAJAR ASTUTI H, S.KOM., M.KOM
Pengolahan Citra Digital FAJAR ASTUTI H, S.KOM., M.KOM PENILAIAN TUGAS : 30% UTS : 30% UAS : 40% REFERENSI Slides & Hand outs; Digital Image Processing; Rafael C. Gonzalez & Richard E Woods; Addison Wesley
Lebih terperinciLEMBAR PENGESAHAN TUGAS AKHIR...
DAFTAR ISI HALAMAN SAMPUL... i HALAMAN JUDUL... ii PERNYATAAN... iii LEMBAR PENGESAHAN TUGAS AKHIR... iv BERITA ACARA TUGAS AKHIR... v KATA PENGANTAR... vi ABSTRAK... viii ABSTRACT... ix DAFTAR ISI...
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seiring dengan perkembangan teknologi informasi dan semakin luasnya pemanfaatan teknologi komputer di berbagai bidang kehidupan, kebutuhan akan efisiensi pengelolaan
Lebih terperinciBAB 3 METODOLOGI. untuk mengurangi adanya false positive dan false negative. False positive dalam hal ini
34 BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah Dalam proses diagnosis kanker payudara dibutuhkan akurasi yang tinggi untuk mengurangi adanya false positive dan false negative. False positive dalam
Lebih terperinciKata kunci : Pemilihan gambar, Pencocokan Graph
ALGORITMA PENCOCOKAN OBJEK GEOMETRI CITRA BERBASIS GRAPH UNTUK PEMILIHAN KEMBALI (RETRIEVAL) Yureska Angelia 867 Email : angelia.yureska@gmail.com Bidang Studi Telekomunikasi Multimedia Jurusan Teknik
Lebih terperinci2.Landasan Teori. 2.1 Konsep Pemetaan Gambar dan Pengambilan Data.
6 2.Landasan Teori 2.1 Konsep Pemetaan Gambar dan Pengambilan Data. Informasi Multi Media pada database diproses untuk mengekstraksi fitur dan gambar.pada proses pengambilan, fitur dan juga atribut atribut
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab landasan teori ini akan diuraikan mengenai teori-teori yang terkait dengan Content Based Image Retrieval, ekstraksi fitur, Operator Sobel, deteksi warna HSV, precision dan
Lebih terperincicorak lukisan dengan seni dekorasi pakaian, muncul seni batik tulis seperti yang kita kenal sekarang ini. Kain batik merupakan ciri khas dari bangsa I
Pembuatan Perangkat Lunak Untuk Menampilkan Deskripsi Mengenai Batik dan Pola Citra Batik Berdasarkan Segmentasi Objek Maulana Sutrisna, maulanasutrisna@gmail.com Jurusan Teknik Informatika, Fakultas Teknologi
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 terperinciPENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA
PENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA Dina Indarti Pusat Studi Komputasi Matematika, Universitas Gunadarma Jl. Margonda Raya no. 100, Depok 16424, Jawa Barat
Lebih terperinciImplementasi Principal Component Analysis - Scale Invariant Feature Transform pada Content Based Image Retrieval
e-issn : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi Volume 3 Nomor 3 Desember2017 Implementasi Principal Component Analysis - Scale Invariant Feature Transform pada Content Based Image Retrieval
Lebih terperinciKOMBINASI METODE MORPHOLOGICAL GRADIENT DAN TRANSFORMASI WATERSHED PADA PROSES SEGMENTASI CITRA DIGITAL
KOMBINASI METODE MORPHOLOGICAL GRADIENT DAN TRANSFORMASI WATERSHED PADA PROSES SEGMENTASI CITRA DIGITAL Rudy Adipranata Universitas Kristen Petra Jl. Siwalankerto 121-131, Surabaya. Telp. (031) 8439040
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 terperinciPencocokan Citra Berbasis Graph untuk Pengenalan dan Pemilihan Kembali (Retrieval) Oleh: Yureska Angelia ( )
Pencocokan Citra Berbasis Graph untuk Pengenalan dan Pemilihan Kembali (Retrieval) Oleh: Yureska Angelia (867) Dosen Pembimbing Dr. Ir. Wirawan, DEA Latar Belakang Teknik pemodelan struktur graph telah
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Penggunaan citra yang semakin meningkat menimbulkan kebutuhan retrival citra yang juga semakin meningkat. Diperlukan suatu metode retrival citra yang efektif
Lebih terperinciArga Wahyumianto Pembimbing : 1. Dr. I Ketut Eddy Purnama, ST., MT 2. Christyowidiasmoro, ST., MT
IDENTIFIKASI DAUN BERDASARKAN FITUR TULANG DAUN MENGGUNAKAN ALGORITMA EKSTRAKSI MINUTIAE Arga Wahyumianto 2209 105 047 Pembimbing : 1. Dr. I Ketut Eddy Purnama, ST., MT 2. Christyowidiasmoro, ST., MT LATAR
Lebih terperinciPengenalan Spesies Tanaman Berdasarkan Bentuk Daun Menggunakan Metode Klasifikasi Move Median Center (MMC) Hypersphere
PRESENTASI TUGAS AKHIR Pengenalan Spesies Tanaman Berdasarkan Bentuk Daun Menggunakan Metode Klasifikasi Move Median Center (MMC) Hypersphere Yusuf Ardiansjah (5107100156) Dosen Pembimbing : Nanik Suciati,
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 terperinciDAFTAR ISI. Lembar Pengesahan Penguji... iii. Halaman Persembahan... iv. Abstrak... viii. Daftar Isi... ix. Daftar Tabel... xvi
DAFTAR ISI Halaman Judul... i Lembar Pengesahan Pembimbing... ii Lembar Pengesahan Penguji... iii Halaman Persembahan... iv Halaman Motto... v Kata Pengantar... vi Abstrak... viii Daftar Isi... ix Daftar
Lebih terperinciAPLIKASI PENGENALAN RAMBU BERBENTUK BELAH KETUPAT
APLIKASI PENGENALAN RAMBU BERBENTUK BELAH KETUPAT Andhika Pratama, Izzati Muhimmah Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia
Lebih terperinciPERBANDINGAN ALGORITMA TEMPLATE MATCHING DAN FEATURE EXTRACTION PADA OPTICAL CHARACTER RECOGNITION
Jurnal Komputer dan Informatika (KOMPUTA) 29 PERBANDINGAN ALGORITMA TEMPLATE MATCHING DAN FEATURE EXTRACTION PADA OPTICAL CHARACTER RECOGNITION Raden Sofian Bahri 1, Irfan Maliki 2 1,2 Program Studi Teknik
Lebih terperinciAplikasi Image Retrieval dengan Histogram Warna dan Multiscale
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 Aplikasi Image Retrieval dengan Histogram Warna dan Multiscale GLCM Arwin Halim 1, Hardy 2, Mytosin 3 STMIK Mikroskil, Jl. Thamrin No. 112, 124, 140,
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 IMPLEMENTASI DETEKSI TITIK POTONG PEMBULUH DARAH PADA CITRA FUNDUS RETINA MENGGUNAKAN ALGORITMA COMBINED CROSS POINT NUMBER Kata Kunci: Citra Fundus Retina, Segmentasi Citra,
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 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 terperinciSCENE COMPLETION MENGGUNAKAN TEMPLATE MATCHING DAN POISSON BLENDING
SCENE COMPLETION MENGGUNAKAN TEMPLATE MATCHING DAN POISSON BLENDING Erick Alfons Lisangan Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Atma Jaya Makassar Alamat email : erick_lisangan@lecturer.uajm.ac.id
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Video Video adalah teknologi untuk menangkap, merekam, memproses, mentransmisikan dan menata ulang citra bergerak. Teknologi ini biasanya menggunakan film seluloid, sinyal elektronik,
Lebih terperinciANALISIS PENGARUH EXPOSURE TERHADAP PERFORMA ALGORITMA SIFT UNTUK IMAGE MATCHING PADA UNDERWATER IMAGE
ANALISIS PENGARUH EXPOSURE TERHADAP PERFORMA ALGORITMA SIFT UNTUK IMAGE MATCHING PADA UNDERWATER IMAGE HANANTO DHEWANGKORO A11.2009.04783 Universitas Dian Nuswantoro. Semarang, Indonesia Email: hanantodhewangkoro@gmail.com
Lebih terperinciCONTENT BASED IMAGE RETRIEVAL BERDASARKAN CIRI TEKSTUR MENGGUNAKAN WAVELET
CONTENT BASED IMAGE RETRIEVAL BERDASARKAN CIRI TEKSTUR MENGGUNAKAN WAVELET Nana Ramadijanti RG. Computer Vision, Program Studi Teknologi Informasi, Politeknik Elektronika Negri Surabaya E-mail: nana@eepis-its.edu
Lebih terperinci100% Akurasi = (11) Lingkungan Pengembangan
Algoritme Dekomposisi Wavelet Dekomposisi wavelet Haar dapat dijelaskan sebagai berikut : 1 Transformasi linear digunakan untuk mengubah ruang warna secara linear menjadi warna dasar. Karena citra yang
Lebih terperinciBAB 2 TINJAUAN PUSTAKA 2.1 Dasar Teori Citra Digital
4 BAB 2 TINJAUAN PUSTAKA 2.1 Dasar Teori Bab ini berisi tentang teori yang mendasari penelitian ini. Terdapat beberapa dasar teori yang digunakan dan akan diuraikan sebagai berikut. 2.1.1 Citra Digital
Lebih terperinciABSTRAK. Kata kunci : CBIR, GLCM, Histogram, Kuantisasi, Euclidean distance, Normalisasi. v Universitas Kristen Maranatha
ABSTRAK Content-Based Image Retrieval (CBIR) adalah proses untuk mendapatkan suatu citra berdasarkan konten-konten tertentu, konten yang dimaksud dapat berupa tekstur, warna, bentuk. CBIR pada dasarnya
Lebih terperinciImplementasi Content Based Image Retrieval Untuk Menganalisa Kemiripan Bakteri Yoghurt Menggunakan Metode Latent Semantic Indexing
Implementasi Content Based Image Retrieval Untuk Menganalisa Kemiripan Bakteri Yoghurt Menggunakan Metode Latent Semantic Indexing Meivi Kartikasari, Chaulina Alfianti Oktavia Sekolah Tinggi Informatika
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 terperinciPENINGKATAN KUALITAS CITRA DENGAN METODE FUZZY POSSIBILITY DISTRIBUTION
PENINGKATAN KUALITAS CITRA DENGAN METODE FUZZY POSSIBILITY DISTRIBUTION Sugiarti sugiarti_fikumi@ymail.com Universitas Muslim Indonesia Abstrak Peningkatan kualitas citra merupakan salah satu proses awal
Lebih terperinciPendeteksian Tepi Citra CT Scan dengan Menggunakan Laplacian of Gaussian (LOG) Nurhasanah *)
Pendeteksian Tepi Citra CT Scan dengan Menggunakan Laplacian of Gaussian (LOG) Nurhasanah *) *) Jurusan Fisika, FMIPA Universitas Tanjungpura Abstrak CT scan mampu menghasilkan citra organ internal (struktur
Lebih 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 terperinciPENDAHULUAN. 1.1 Latar Belakang
DAFTAR TABEL Tabel 3-1 Dokumen Term 1... 17 Tabel 3-2 Representasi... 18 Tabel 3-3 Centroid pada pengulangan ke-0... 19 Tabel 3-4 Hasil Perhitungan Jarak... 19 Tabel 3-5 Hasil Perhitungan Jarak dan Pengelompokkan
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE
PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE Widodo Muda Saputra, Helmie Arif Wibawa, S.Si, M.Cs, dan Nurdin Bahtiar, S.Si, M.T Fakultas Sains dan Matematika, Jurusan Ilmu Komputer
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN
44 BAB 3 ANALISA DAN PERANCANGAN 3.1 Analisa Analisa yang dilakukan terdiri dari : a. Analisa terhadap permasalahan yang ada. b. Analisa pemecahan masalah. 3.1.1 Analisa Permasalahan Pengenalan uang kertas
Lebih terperinciAPLIKASI PENCARIAN RUTE OPTIMAL MENGGUNAKAN METODE TRANSITIVE CLOSURE
APLIKASI PENCARIAN RUTE OPTIMAL MENGGUNAKAN METODE TRANSITIVE CLOSURE 1 Rudy Adipranata 2 Fauzi Josephine Desiree 3 Andreas Handojo 1, 2, 3 Teknik Informatika Universitas Kristen Petra Jl. Siwalankerto
Lebih terperinciPERANCANGAN APLIKASI TEMU KEMBALI CITRA BUAH BERDASARKAN BENTUK DAN WARNA MENGGUNAKAN EKSTRAKSI FITUR
PERANCANGAN APLIKASI TEMU KEMBALI CITRA BUAH BERDASARKAN BENTUK DAN WARNA MENGGUNAKAN EKSTRAKSI FITUR Muhammad Nasir 1, Amri 2, Husaini 3 1,2,3 Teknologi Informasi dan Komputer, Politeknik Negeri Lhokseumawe
Lebih terperinciSTMIK GI MDP. Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2010/2011
STMIK GI MDP Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2010/2011 PENGENALAN KARAKTER ANGKA DARI SEGMENTASI CITRA PLAT NOMOR KENDARAAN DENGAN METODE SOMs Winda Marlia
Lebih terperinciPertemuan 2 Dasar Citra Digital. Anny Yuniarti, S.Kom, M.Comp.Sc
Pertemuan 2 Dasar Citra Digital Anny Yuniarti, S.Kom, M.Comp.Sc Tujuan Memberikan pemahaman tentang konsep-konsep dasar dalam pengolahan citra digital, a.l.: Apakah pengolahan citra digital? Sampling dan
Lebih terperinci1BAB I. 2PENDAHULUAN
1BAB I. 2PENDAHULUAN 2.1. Latar Belakang Pelacak objek (object tracking) pada saat ini merupakan penelitian yang menarik dalam bidang computer vision. Pelacak objek merupakan langkah awal dari berbagai
Lebih terperinciANALISIS CITRA WAJAH DENGAN HIMPUNAN FUZZY EIGEN TERBESAR
ANALISIS CITRA WAJAH DENGAN HIMPUNAN FUZZY EIGEN TERBESAR Shinta Puspasari MDP Computer and Informatics Management Institute Jl. Rajawali 14, Palembang, 30113, Indonesia e-mail : shinta@stmik-mdp.net ABSTRAKSI
Lebih terperinciPENGELOMPOKAN GAMBAR BERDASARKAN FITUR WARNA DAN TEKSTUR DENGAN FGKA CLUSTERING (FAST GENETICS K-MEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR
PENGELOMPOKAN GAMBAR BERDASARKAN FITUR WARNA DAN TEKSTUR DENGAN FGKA CLUSTERING (FAST GENETICS K-MEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR Dewi Wulansari, S.ST 1, Entin Martiana K, M.Kom 2, Nana Ramadijanti,
Lebih terperinciBAB 3 METODE PERANCANGAN
BAB 3 METODE PERANCANGAN 3.1 Konsep dan Pendekatan Tujuan utama yang ingin dicapai dalam pengenalan objek 3 dimensi adalah kemampuan untuk mengenali suatu objek dalam kondisi beragam. Salah satu faktor
Lebih terperinciTemu Kenali Citra berbasis Konten Bentuk dan Warna untuk Pengenalan Rambu Lalu-lintas
Temu Kenali Citra berbasis Konten Bentuk dan Warna untuk Pengenalan Rambu Lalu-lintas Nama : Yudhi Septianto A.P NPM : 50408886 Pembimbing : Dr. Karmilasari., Skom, MM LATAR BELAKANG Klasifikasi rambu
Lebih terperinciKlasifikasi Daun Dengan Centroid Linked Clustering Berdasarkan Fitur Bentuk Tepi Daun
Klasifikasi Daun Dengan Centroid Linked Clustering Berdasarkan Fitur Bentuk Tepi Daun Febri Liantoni 1, Nana Ramadijanti, Nur Rosyid Mubtada i 3 Politeknik Elektronika Negeri Surabaya Institut Teknologi
Lebih terperinci