PENDAHULUAN. Latar Belakang
|
|
- Lanny Tan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Latar Belakang PENDAHULUAN Penelitian mengenai pengenalan wajah termotivasi oleh banyaknya aplikasi praktis yang diperlukan dalam identifikasi wajah. Pengenalan wajah sebagai salah satu dari teknologi biometrik utama menjadi semakin penting dengan adanya kemajuan yang cepat dalam teknologi, seperti kamera digital, internet, mobile devices, dan peningkatan permintaan pada sistem keamanan. Pengenalan wajah mempunyai beberapa keuntungan di atas teknologi biometrik lainnya, yaitu alami (natural), tidak ada gangguan (non intrusive), dan mudah digunakan (Karande & Talbar 2008b). Ada dua pendekatan utama pada masalah pengenalan wajah, yaitu pendekatan geometris (feature based) dan pendekatan fotometrik (view based). Pendekatan geometris merupakan pendekatan yang mengekstraksi dan menghubungkan fitur komponen citra wajah seperti mata, hidung, dan mulut. Adapun pendekatan fotometrik merupakan pendekatan yang merepresentasikan informasi piksel citra wajah. Pada penelitian pengenalan wajah terdapat banyak metode yang diusulkan seperti Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), dan Elastic Bunch Graph Matching (EBGM) (Karande & Talbar 2008a). Penelitian ini menggunakan algoritme Voting Feature Intervals (VFI5) dengan pendekatan fotometrik. Algoritme VFI5 merepresentasikan deskripsi sebuah konsep dengan sekumpulan interval fitur. Pada sekumpulan data yang sama dari ECG recordings, algoritme VFI5 menghasilkan akurasi yang lebih tinggi, yaitu 62% dibandingkan dengan algoritme klasifikasi standar seperti Naive Bayesian (NB) yang menghasilkan akurasi 50% dan Nearest Neighbor (NN) menghasilkan yang akurasi 53% Pengenalan wajah menggunakan algoritme VFI5 telah dilakukan dengan hasil akurasi yang cukup baik. Pramitasari (2009) pada penelitiannya menggunakan algoritme VFI5 dengan praproses transformasi wavelet menghasilkan akurasi mencapai 90%. Penelitian pengenalan wajah lainnya menggunakan algoritme VFI5 dilakukan oleh Purwaningrum (2009) dan menghasilkan akurasi hingga 96,3%. Penelitian Purwaningrum (2009) ini menggunakan input histogram citra yang memiliki beberapa keunggulan dibanding menggunakan nilai piksel citra. Penggunaan algoritme VFI5 juga dilakukan pada pengenalan citra tanda tangan oleh Muttaqien (2009). Penelitian ini berbasis histogram dengan tambahan penggunaan partisi citra dan menghasilkan akurasi tertinggi hingga 95,56%. Tujuan Penelitian ini bertujuan melakukan pengenalan wajah dengan berbagai ekspresi menggunakan algoritme VFI5 berbasis histogram dan penggunaan partisi citra. Ruang Lingkup Ruang lingkup penelitian ini adalah pengenalan citra wajah dengan berbagai ekspresi berdasarkan tingkat keabuan. Data citra yang digunakan adalah data sekunder berupa citra 15 orang yang berbeda dengan masingmasing wajah memiliki delapan ekspresi yang berbeda, yaitu ekspresi memakai kacamata, tersenyum, tidak memakai kacamata, biasa, cemberut, menutup mata, kaget, dan kerling. Seluruh citra memiliki latar belakang berwarna putih yang seragam. Citra Digital TINJAUAN PUSTAKA Sebuah citra didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y), dimana x dan y adalah koordinat spasial dan amplitudo dari f merupakan pasangan dari koordinat (x,y) yang disebut intensity atau gray level sebuah citra. Ketika x, y, dan nilai amplitudo f bernilai diskret dan terbatas, maka citra tersebut disebut citra digital. Citra digital dibentuk oleh sejumlah elemen yang terbatas dimana setiap elemen telah memiliki lokasi dan nilai khusus. Elemenelemen ini sering disebut sebagai picture elemen, image elemen, pels, atau pixels. dari beberapa istilah tersebut, pixels merupakan istilah yang paling sering digunakan untuk menunjukkan elemen citra digital. Citra memiliki derajat keabuan berformat 8- bit dan 256 intensitas warna yang berkisar pada nilai 0 sampai 255. Nilai 0 menunjukkan tingkat paling hitam dan 255 menunjukkan tingkat paling putih (Gonzales & Woods 2002). Pengolahan Citra (Image Processing) Pengolahan citra digital merupakan proses yang masukan dan keluarannya adalah citra dan meliputi proses pengekstrakan atribut dari citra 1
2 dan pengenalan citra. Selain itu, yang dimaksud dengan pengolahan citra digital biasanya adalah pengolahan citra menggunakan komputer digital (Gonzalez & Woods 2002). Ekstraksi Fitur Ekstraksi fitur menghasilkan representasi baru oleh transformasi dari data asli. Pengurangan dimensi dari representasi data dengan ekstraksi fitur bisa memberikan tujuan tambahan, mencakup penghilangan redundansi, menemukan variabel tersembunyi, dan mengetahui struktur data (Dahua 2006). Histogram Histogram sebuah citra dengan derajat keabuan antara [0, L-1] merupakan fungsi diskret h(r k ) = n k dengan r k adalah derajat keabuan ke-k dan n k adalah jumlah piksel pada citra yang mempunyai derajat keabuan r k dengan k = 0, 1, 2,, L-1. Normalisasi histogram dapat dilakukan dengan membagi setiap nilai dengan total jumlah piksel pada citra dengan jumlah semua komponen hasil normalisasi tersebut sama dengan 1. Histogram merupakan dasar dari berbagai teknik pemrosesan domain spasial. Histogram dapat digunakan untuk memperbaiki citra, kompresi, dan segmentasi citra (Gonzales & Woods 2002). Contoh citra dan histogramnya disajikan pada Gambar 1. Gambar 1 Dua wajah yang berbeda dan histogramnya. Klasifikasi Klasifikasi merupakan serangkaian proses untuk menemukan sekumpulan model yang merepresentasikan dan membedakan kelas-kelas data. Klasifikasi ini bertujuan agar model tersebut dapat digunakan untuk memprediksi kelas dari suatu data yang label kelasnya tidak diketahui (Han & Kamber 2006). Algoritme klasifikasi terdiri atas dua tahap, yaitu pelatihan dan prediksi/klasifikasi. Pada tahap pelatihan dibentuk model domain dari data pelatihan yang ada. Adapun pada tahap klasifikasi, menggunakan model tersebut untuk memprediksi kelas dari suatu data/instance baru Voting Feature Intervals (VFI5) Algoritme VFI5 merupakan algoritme klasifikasi yang merepresentasikan deskripsi sebuah konsep dengan sekumpulan intervalinterval nilai fitur. Pengklasifikasian sebuah instance baru didasarkan pada vote klasifikasi yang dibuat oleh nilai tiap fitur secara terpisah. VFI5 bersifat supervised learning dan nonincremental sehingga semua data latih dapat diproses secara bersamaan. Tiap contoh data latih direpresentasikan sebagai nilai-nilai fitur sebuah vektor disertai sebuah label yang merepresentasikan kelas contoh data. Algoritme VFI5 membentuk interval-interval nilai fitur (interval) untuk tiap fitur dari contoh data latih (Guvenir 1998). Interval-interval yang dibuat dapat berupa point interval atau range interval. Point interval terdiri atas seluruh end point secara berturutturut, sedangkan range interval terdiri atas nilainilai antara dua end point yang berdekatan tetapi tidak termasuk kedua end point tersebut. Vote tiap kelas pada interval tersebut kemudian disimpan untuk tiap intervalnya. Oleh karena itu, sebuah interval dapat merepresentasikan beberapa kelas dengan menyimpan vote tiap kelas. Keunggulan algoritme VFI5 adalah algoritme ini cukup kokoh (robust) terhadap fitur yang tidak relevan tetapi mampu memberikan hasil yang baik pada real-world datasets yang ada. VFI5 mampu menghilangkan pengaruh yang kurang menguntungkan dari fitur yang tidak relevan dengan mekanisme votingnya (Guvenir 1998). Algoritme VFI5 terdiri atas dua tahap, yaitu tahap pelatihan dan klasifikasi 1. Pelatihan Langkah pertama pada tahap pelatihan adalah menemukan end points tiap kelas c pada tiap fitur f. End points kelas c yang diberikan merupakan nilai yang terkecil dan terbesar pada dimensi fitur linear (kontinu) f untuk beberapa instance dari kelas c yang sedang diamati. Pada hal lainnya, end points pada dimensi fitur nominal (diskret) f untuk kelas c yang diberikan adalah semua nilai yang berbeda dari f pada beberapa instance kelas c yang sedang diamati. End points dari tiap fitur f kemudian disimpan dalam array EndPoints[f]. Terdapat end points sebanyak 2k pada tiap fitur linear dengan k merupakan jumlah kelas. Jika fitur tersebut merupakan fitur linear maka point interval dari 2
3 Gambar 2 Algoritme pelatihan VFI5 (Guvenir 1998). Gambar 3 Algoritme klasifikasi VFI5 (Guvenir 1998). tiap end point yang berbeda dan range interval di antaranya dibentuk. Jika fitur tersebut merupakan fitur nominal, maka tiap end point yang berbeda merupakan sebuah point interval. Langkah selanjutnya, banyaknya instance pelatihan pada tiap interval dihitung dan jumlah instance kelas c pada interval i dari fitur f direpresentasikan sebagai interval_class_ count[f,i,c]. Pada tiap instance pelatihan, dicari interval i yang merupakan nilai fitur f dari instance pelatihan e (e f ) tersebut berada. Jika interval i adalah point interval dan e f sama dengan batas bawah interval tersebut (yang sama dengan batas atas pada point interval), jumlah kelas instance tersebut (ef) pada interval i ditambah 1. Jika interval i adalah range interval dan e f berada pada interval tersebut maka jumlah kelas instance ef pada interval i ditambah 1. Hasil proses inilah yang menjadi vote pelatihan kelas c pada interval i. 3
4 Supaya efek perbedaan distribusi tiap kelas dapat dihilangkan, vote kelas c untuk fitur f pada interval i dinormalisasi dengan membagi vote tersebut dengan jumlah instance kelas c yang direpresentasikan dengan class_count[c]. Hasil normalisasi ini dinotasikan sebagai interval_class_vote[f,i,c]. Selanjutnya, nilainilai interval_class_vote[f,i,c] dinormalisasi sehingga jumlah vote beberapa kelas pada tiap fitur sama dengan 1. Tujuan normalisasi ini adalah agar tiap fitur mempunyai kekuatan voting yang sama pada proses klasifikasi dan tidak dipengaruhi oleh ukuran fitur tersebut. Algoritme pelatihan VFI5 disajikan pada Gambar Klasifikasi Tahap klasifikasi dimulai dengan inisialisasi vote tiap kelas dengan nilai nol. Pada tiap fitur f dicari interval i tempat nilai e f berada dengan e f merupakan nilai fitur f dari instance uji e. Jika e f tidak diketahui (hilang), fitur tersebut tidak diikutsertakan dalam voting dengan memberikan vote nol pada tiap kelas. Jika e f diketahui maka interval tersebut dapat ditemukan dan dapat menyimpan instance pelatihan beberapa kelas. Kelas-kelas dalam sebuah interval direpresentasikan oleh vote kelas-kelas pada interval tersebut. Pada tiap kelas c, fitur f memberikan vote yang sama dengan interval_class_vote[f,i,c]. Notasi ini merepresentasikan vote fitur f yang diberikan pada kelas c. Tiap fitur f mengumpulkan semua vote dalam sebuah vektor (feature_vote[f,c 1 ],, feature_vote[f,cj],, feature_vote[f,c k ]), dengan feature_vote[f,cj] merupakan vote fitur f untuk kelas Cj dan k adalah jumlah kelas. Sebanyak d (jumlah fitur) vektor vote dijumlahkan untuk memperoleh total vektor vote (vote[c 1 ],, vote[c k ]). Kelas dari instance uji e adalah kelas yang memiliki jumlah vote terbesar. Algoritme klasifikasi VFI5 disajikan pada Gambar 3. Contoh Penerapan Algoritme VFI5 pada Data dengan Dua Fitur Penerapan algoritme pelatihan VFI5 dengan sembilan instance pelatihan disajikan pada Gambar 4. Pada Gambar 4(a) diketahui ada sembilan instance pelatihan dengan dua kelas yang berbeda dan masing-masing instance memiliki dua fitur (f1 dan f2). Langkah pertama dicari nilai minimum dan maksimum dari tiap fitur pada tiap kelas, kemudian semua nilai minimum dan maksimum tiap fitur tersebut diurutkan secara ascend tanpa melibatkan kelas. Langkah selanjutnya, pada Gambar 4(b) semua nilai minimum dan maksimum yang sudah diurutkan dijadikan interval (point interval dan range interval). Setelah itu dicari pada interval mana instance pelatihan berada dan ditambah 1. Berikutnya, pada Gambar 4(c) dilakukan tahap normalisasi pertama yaitu membagi nilai-nilai tiap interval dengan jumlah instance tiap kelas. Setelah itu, pada Gambar 4(d) dilakukan tahap normalisasi kedua yaitu membagi nilai hasil normalisasi pertama dengan jumlah nilai tiap fitur. Nilai hasil normalisasi kedua ini menjadi nilai vote yang akan digunakan pada tahap klasifikasi. (a) (b) (c) (d) Gambar 4 Contoh penerapan algoritme pelatihan VFI5. (a) Pencarian nilai minimum dan maksimum tiap kelas tiap fitur. (b) Pencarian keberadaan nilai instance pelatihan pada interval. (c) Tahap normalisasi pertama. (d) Tahap normalisasi kedua sebagai nilai vote pada tahap klasifikasi. 4
5 Berikut ini penerapan algoritme klasifikasi VFI5 disajikan pada Gambar 5. Pada Gambar 5(a) dapat dilihat terdapat dua instance data uji yang belum diketahui label kelasnya. Langkah pertama pada tahap klasifikasi yaitu dicari pada interval mana instance data uji berada. Setelah itu, pada Gambar 5(b) nilai vote yang diperoleh dari tahap pelatihan pada interval itu diambil untuk tiap kelasnya. Pada Gambar 5(c) dapat dilihat kelas yang memiliki nilai vote terbesar (semua nilai vote dijumlah untuk tiap kelasnya) maka diduga sebagai kelas prediksi. pembagian menjadi 64 interval disajikan pada Gambar 6. (a) (b) (c) Gambar 5 Contoh penerapan algoritme klasifikasi VFI5, (a) Data uji dengan dua instance. (b) Nilai vote hasil tahap pelatihan. (c) Nilai vote data uji dan kelas hasil prediksi. Penerapan VFI5 Berbasis Histogram Menurut Purwaningrum (2009), penerapan VFI5 berbasis histogram adalah penggunaan nilai histogram sebagai fitur pada algoritme VFI5. Selang histogram yang memiliki nilai (256 interval) dibagi ke dalam beberapa interval kemudian dihitung jumlah piksel yang mempunyai derajat keabuan pada interval tertentu. Nilai pada interval-interval ini yang dijadikan fitur pada algoritme VFI5. Contohnya, jika dibagi ke dalam 64 interval, maka selang 0-3 menjadi 1 interval, selang 4-7 menjadi 1 interval, dan seterusnya sampai interval 64, yaitu selang Jumlah piksel yang mempunyai derajat keabuan pada intervalinterval tersebut dijadikan sebagai fitur pada algoritme VFI5. Contoh histogram hasil Gambar 6 Contoh citra dengan histogram asli (256 interval) dan histogram hasil pembagian menjadi 64 interval. Confusion Matrix Confusion matrix merupakan sebuah tabel yang terdiri dari banyaknya baris data uji yang diprediksi benar dan tidak benar oleh model klasifikasi. Tabel ini diperlukan untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2005). Contoh confusion matrix dapat dilihat pada Tabel 1. Tabel 1 Confusion matrix untuk data 2 kelas Kelas Aktual Kelas Prediksi Kelas 1 Kelas 2 Kelas 1 K 11 K12 Kelas 2 K 21 K 22 Akurasi hasil klasifikasi dari confusion matrix dihitung dengan rumus: Akurasi = METODE PENELITIAN Metodologi yang digunakan pada penelitian ini terdiri atas beberapa tahap. Tahapan-tahapan tersebut disajikan pada Gambar 7. 5
PENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Biometrik adalah ilmu untuk menetapkan identitas seseorang berdasarkan ciri fisik, kimia, ataupun tingkah laku dari orang tersebut. Dewasa ini, biometrik telah menjadi suatu
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Klasifikasi merupakan salah satu bidang kajian pada machine learning. Klasifikasi adalah proses menemukan sekumpulan model atau fungsi yang menggambarkan dan membedakan konsep
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Biometrik merupakan ilmu pengetahuan yang membangun identitas seseorang berdasarkan sifat-sifat fisik, kimiawi, ataupun kebiasaan seseorang. Sistem biometrik dapat menggunakan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Untuk bisa mendukung sistem secara utuh dibutuhkan teori-teori yang mendukung dalam pengembangan aplikasi ini. Teori-teori yang dibutuhkan meliputi pengenalan tanda tangan dan teknologi
Lebih terperinciPercobaan 1 Percobaan 2
direpresentasikan dengan histogram. Perlakuan pertama terhadap data-data penelitian ini adalah menghitung histogramnya. Kemudian dari interval antara 0-255 akan dibagi menjadi interval-interval bagian
Lebih terperinciKelas. Kelas. p q r s t u v w x y Level Transformasi.
Fitur yang digunakan untuk pelatihan pada algoritme VFI5 diperoleh dari tiap-tiap piksel pada citra tanda tangan. Fitur pada pelatihan yang semula berupa matriks berukuran 3 4 piksel disusun menjadi matriks
Lebih terperinciPENGARUH INCOMPLETE DATA TERHADAP AKURASI VOTING FEATURE INTERVALS-5 (VFI5) ABSTRAK
PENGARUH INCOMPLETE DATA TERHADAP AKURASI VOTING FEATURE INTERVALS-5 (VFI5) Atik Pawestri Sulistyo 1, Aziz Kustiyo 1, Agus Buono 2 1 Departemen Ilmu Komputer, Fakultas Matematika dan IPA Institut Pertanian
Lebih terperinciPENGENALAN WAJAH DENGAN CITRA PELATIHAN TUNGGAL MENGGUNAKAN ALGORITME VFI5 BERBASIS HISTOGRAM ESTI ARYANI PURWANINGRUM
PENGENALAN WAJAH DENGAN CITRA PELATIHAN TUNGGAL MENGGUNAKAN ALGORITME VFI5 BERBASIS HISTOGRAM ESTI ARYANI PURWANINGRUM DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciEKSPLORASI METODE PENENTUAN NILAI END POINT PADA ALGORITMA VOTING FEATURE INTERVALS 5 SETA BAEHERA
EKSPLORASI METODE PENENTUAN NILAI END POINT PADA ALGORITMA VOTING FEATURE INTERVALS 5 SETA BAEHERA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2009 EKSPLORASI
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Seiring dengan perkembangan zaman yang secara tidak disadari diikuti oleh perkembangan teknologi sangat banyak memberi pengaruh terhadap perkembangan ilmu
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperincidan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. akurasi =.
dan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. Gambar 5 Macam-macam bentuk partisi citra. Ekstraksi Fitur Pada tahap ini semua partisi dari citra dihitung
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Indonesia merupakan negara tropis yang memiliki + 30.000 spesies tumbuh-tumbuhan ([Depkes] 2007). Tumbuh-tumbuhan tersebut banyak yang dibudidayakan sebagai tanaman hias. Seiring
Lebih terperinciPendekatan Statistik Pada Domain Spasial dan Frekuensi untuk Mengetahui Tampilan Citra Yustina Retno Wahyu Utami 1)
ISSN : 1693 1173 Pendekatan Statistik Pada Domain Spasial dan Frekuensi untuk Mengetahui Tampilan Citra Yustina Retno Wahyu Utami 1) Abstrak Mean, standard deviasi dan skewness dari citra domain spasial
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 terperinciPENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
Lebih terperinciRepresentasi Citra. Bertalya. Universitas Gunadarma
Representasi Citra Bertalya Universitas Gunadarma 2005 Pengertian Citra Digital Ada 2 citra, yakni : citra kontinu dan citra diskrit (citra digital) Citra kontinu diperoleh dari sistem optik yg menerima
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Sebagai tinjauan pustaka, berikut beberapa contoh penelitian telapak kaki yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai
Lebih terperinciBAB 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 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 terperinciPertemuan 2 Representasi Citra
/29/23 FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 2 Representasi Citra Representasi Citra citra Citra analog Citra digital Matrik dua dimensi yang terdiri
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 terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1. 1 Latar Belakang Jaringan saraf buatan merupakan kumpulan dari elemen-elemen pemrosesan buatan yang disebut neuron. Sebuah neuron akan mempunyai banyak nilai masukan yang berasal dari
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Digital [3] Citra atau gambar didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y), di mana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Definisi Citra, Pengolahan Citra, dan Pengenalan Pola Citra dapat dijelaskan sebagai dua dimensi dari fungsi f(x,y) dimana x dan y tersebut adalah sebuah koordinat pada bidang
Lebih terperinciPENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING )
FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 1 Konsep Dasar Pengolahan Citra Pengertian Citra Citra atau Image merupakan istilah lain dari gambar, yang merupakan
Lebih terperinciBAB 2 LANDASAN TEORI
5 BAB 2 LANDASAN TEORI 2.1 Digital Image 2.1.1 Definisi Digital Image Menurut Gonzalez dan Woods (1992, p6), digital image adalah image f(x,y) yang telah dibedakan berdasarkan koordinat tata letak dan
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 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 II LANDASAN TEORI. Kamera web (singkatan dari web dan camera) merupakan sebuah media
BAB II LANDASAN TEORI 2.1 Webcam Kamera web (singkatan dari web dan camera) merupakan sebuah media yang berorientasi pada image dan video dengan resolusi tertentu. Umumnya webcam adalah sebuah perngkat
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih 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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Jamur merupakan salah satu jenis tumbuhan yang banyak dijumpai di alam, sehingga sejak dahulu jamur dijadikan sebagai bahan konsumsi utama. Seiring dengan berkembangnya waktu,
Lebih terperinciJurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya
Pengenalan Wajah Menggunakan Metode Adjacent Pixel Intensity Difference Quantization Histogram Generation Oleh : ANDIK MABRUR 1206 100 716 Dosen Pembimbing : Drs. Soetrisno, MI.Komp. Jurusan Matematika
Lebih terperinciAkurasi. Perangkat Lunak: Sistem operasi: Windows Vista Home Premium Aplikasi pemrograman: Matlab 7.0
Tabel 1 Dimensi citra di tiap level Level transformasi Dimensi citra 1 46 56 2 23 28 3 12 14 4 6 7 5 3 4 6 2 2 Pada Gambar 5 disajikan visualisasi transformasi wavelet hingga level 3. Deskripsi citra dekomposisi
Lebih terperinciPEMILIHAN DATA TRAINING UNTUK MENINGKATKAN KINERJA VOTING FEATURE INTERVAL 5 (VFI 5) DAVID AULIA AKBAR ADHIEPUTRA
PEMILIHAN DATA TRAINING UNTUK MENINGKATKAN KINERJA VOTING FEATURE INTERVAL 5 (VFI 5) DAVID AULIA AKBAR ADHIEPUTRA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciANALISIS CONTRAST STRETCHING MENGGUNAKAN ALGORITMA EUCLIDEAN UNTUK MENINGKATKAN KONTRAS PADA CITRA BERWARNA
ANALISIS CONTRAST STRETCHING MENGGUNAKAN ALGORITMA EUCLIDEAN UNTUK MENINGKATKAN KONTRAS PADA CITRA BERWARNA Nurliadi 1 *, Poltak Sihombing 2 & Marwan Ramli 3 1,2,3 Magister Teknik Informatika, Universitas
Lebih terperinciKLASIFIKASI DEBITUR KARTU KREDIT DENGAN PEMILIHAN FITUR MENGGUNAKAN VOTING FEATURE INTERVALS 5 SRI RAHAYU NATASIA
KLASIFIKASI DEBITUR KARTU KREDIT DENGAN PEMILIHAN FITUR MENGGUNAKAN VOTING FEATURE INTERVALS 5 SRI RAHAYU NATASIA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciDIAGNOSIS GANGGUAN SISTEM URINARI PADA ANJING DAN KUCING MENGGUNAKAN VFI 5. Oleh: DHANY NUGRAHA RAMDHANY G
DIAGNOSIS GANGGUAN SISTEM URINARI PADA ANJING DAN KUCING MENGGUNAKAN VFI 5 Oleh: DHANY NUGRAHA RAMDHANY G64353 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciKLASIFIKASI PASIEN SUSPECT PARVO DAN DISTEMPER PADA DATA REKAM MEDIK RUMAH SAKIT HEWAN IPB MENGGUNAKAN VOTING FEATURE INTERVALS ABSTRAK
1 KLASIFIKASI PASIEN SUSPECT PARVO DAN DISTEMPER PADA DATA REKAM MEDIK RUMAH SAKIT HEWAN IPB MENGGUNAKAN VOTING FEATURE INTERVALS Muhammad Iqbal 1, Aziz Kustiyo 1, Ekowati Handharyani 2 1 Departemen Ilmu
Lebih terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
Lebih terperinciImplementasi Pengenalan Citra Wajah dengan Algoritma Eigenface pada Metode Principal Component Analysis (PCA)
46 Implementasi Pengenalan Citra Wajah dengan Algoritma Eigenface pada Metode Principal Component Analysis (PCA) Iwan Setiawan setiawanise@yahoo.com, Welly Iskand welly.iskand@gmail.com, Fauzi Nur Iman
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Citra (image) atau yang secara umum disebut gambar merupakan representasi spasial dari suatu objek yang sebenarnya dalam bidang dua dimensi yang biasanya ditulis dalam
Lebih terperinciPengenalan Tanda Tangan Menggunakan Algoritme VFI5 Melalui Praproses Wavelet
Tersedia secara online di: http://journal.ipb.ac.id/index.php.jika Volume 1 Nomor 1 halaman 7-12 ISSN: 2089-6026 Pengenalan Tanda Tangan Menggunakan Algoritme VFI5 Melalui Praproses Wavelet Hand-Written
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini menjelaskan landasan teori dari metode yang digunakan dalam proses pengenalan wajah, yaitu terdiri atas: metode Eigenface, dan metode Jarak Euclidean. Metode Eigenface digunakan
Lebih terperinciBAB II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan
BAB II LANDASAN TEORI 2.1. Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus dan intensitas cahaya pada bidang dwimatra
Lebih terperinciDIAGNOSIS GANGGUAN SISTEM URINARI PADA ANJING DAN KUCING MENGGUNAKAN VFI 5. Abstrak
DIAOSIS AUA SISTEM URIARI PADA AJI DA KUCI MEUAKA VFI 5 Dhany ugraha Ramdhany 1, Aziz Kustiyo 2, Ekowati Handharyani 3, dan Agus Buono 4 1, 2, 4 Departemen Ilmu Komputer, FMIPA, IPB, Kampus IPB Darmaga
Lebih terperinciModel Citra (bag. I)
Model Citra (bag. I) Ade Sarah H., M. Kom Defenisi Citra Citra adalah suatu representasi, kemiripan, atau imitasi dari suatu objek. Jenis dari citra ada 2, yaitu: 1. Citra analog (kontinu) : Dihasilkan
Lebih terperinciPENGENALAN IRIS MATA MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR BERBASIS HISTOGRAM RIVA AKTIVIA
PENGENALAN IRIS MATA MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR BERBASIS HISTOGRAM RIVA AKTIVIA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 212 PENGENALAN
Lebih terperinciImplementasi Principal Component Analysis (PCA) Untuk Pengenalan Wajah Manusia
Nusantara of Engineering/Vol. 2/ No. 1/ISSN: 2355-6684 65 Implementasi Principal Component Analysis (PCA) Untuk Pengenalan Wajah Manusia Rina Firliana, Resty Wulanningrum, Wisnu Sasongko Jurusan Teknik
Lebih terperinciBAB II DASAR TEORI. 2.1 Meter Air. Gambar 2.1 Meter Air. Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus
BAB II DASAR TEORI 2.1 Meter Air Gambar 2.1 Meter Air Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi di bidang informasi spasial dan fotogrametri menuntut sumber data yang berbentuk digital, baik berformat vektor maupun raster. Hal ini dapat
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Citra Digital Gambar atau citra merupakan informasi yang berbentuk visual. Menurut kamus Webster citra adalah suatu representasi, kemiripan atau imitasi dari suatu objek atau
Lebih terperinciLANDASAN TEORI. 2.1 Citra Digital Pengertian Citra Digital
LANDASAN TEORI 2.1 Citra Digital 2.1.1 Pengertian Citra Digital Citra dapat didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y) dimana x dan y merupakan koordinat bidang datar, dan harga fungsi f disetiap
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Genre musik adalah pengelompokan musik sesuai dengan kemiripan satu dengan yang lain, seperti kemiripan dalam hal frekuensi musik, struktur ritmik, dan konten harmoni. Genre
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 PENDAHULUAN Latar Belakang Pesatnya perkembangan teknologi informasi dan komunikasi menempatkan telepon selular menjadi bagian yang tidak terpisahkan dari masyarakat. Keberadaan telepon selular telah
Lebih terperinciPERBANDINGAN METODE ROBERTS DAN SOBEL DALAM MENDETEKSI TEPI SUATU CITRA DIGITAL. Lia Amelia (1) Rini Marwati (2) ABSTRAK
PERBANDINGAN METODE ROBERTS DAN SOBEL DALAM MENDETEKSI TEPI SUATU CITRA DIGITAL Lia Amelia (1) Rini Marwati (2) ABSTRAK Pengolahan citra digital merupakan proses yang bertujuan untuk memanipulasi dan menganalisis
Lebih terperinciPengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA)
Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA) Erma Rachmawati Jurusan Teknik Elektro- FTI, Institut Teknologi Sepuluh
Lebih terperinciIMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH
IMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH Fitri Afriani Lubis 1, Hery Sunandar 2, Guidio Leonarde Ginting 3, Lince Tomoria Sianturi 4 1 Mahasiswa Teknik Informatika, STMIK Budi Darma
Lebih terperinciKonsep Dasar Pengolahan Citra. Pertemuan ke-2 Boldson H. Situmorang, S.Kom., MMSI
Konsep Dasar Pengolahan Citra Pertemuan ke-2 Boldson H. Situmorang, S.Kom., MMSI Definisi Citra digital: kumpulan piksel-piksel yang disusun dalam larik (array) dua-dimensi yang berisi nilai-nilai real
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f(x,y) dua dimensi, dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM
ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Dalam mengetahui suatu bahan jenis kulit cukup sulit karena bahan jenis kulit memeliki banyak jenis. Setiap permukaan atau tekstur dari setiap jenisnya
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras 3.1.1 Diagram Blok Sistem Rancangan perangkat keras dari aplikasi pengenalan wajah ini dapat dilihat pada diagram blok Gambar 3.1 sebagai berikut
Lebih terperinciTINJAUAN PUSTAKA ,...(1)
3 TINJAUAN PUSTAKA Dalam bab ini akan dibahas teori-teori yang mendasari penelitian ini. Dimulai dari teori dan konsep citra digital, deteksi pola lingkaran dengan Circle Hough Transform (CHT), ekstrasi
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 terperinciBAB III METODOLOGI PENELITIAN. Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem
21 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem pengenalan wajah ini yaitu input, proses dan output. Dengan input bahan penelitian
Lebih terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Sistem Optik dan Proses Akuisisi Citra Digital 2 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 Bisa dilihat pada slide berikut. SISTEM OPTIK MANUSIA
Lebih terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
Lebih 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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
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 terperinciCOMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA
Seminar Nasional Teknologi Terapan SNTT 2013 (26/10/2013) COMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA Isnan Nur Rifai *1 Budi Sumanto *2 Program Diploma Elektronika & Instrumentasi Sekolah
Lebih terperinciPENGENALAN IRIS MATA DENGAN ALGORITME VOTING FEATURE INTERVAL VERSI 5 MENGGUNAKAN EKSTRAKSI CIRI LOG-GABOR WAVELET MUHAMMAD ZAKI
PENGENALAN IRIS MATA DENGAN ALGORITME VOTING FEATURE INTERVAL VERSI 5 MENGGUNAKAN EKSTRAKSI CIRI LOG-GABOR WAVELET MUHAMMAD ZAKI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Digital Istilah citra biasanya digunakan dalam bidang pengolahan citra yang berarti gambar. Suatu citra dapat didefinisikan sebagai fungsi dua dimensi, di mana dan adalah
Lebih terperinciPREDIKSI INDEKS PRESTASI KUMULATIF MAHASISWA ILMU KOMPUTER IPB MENGGUNAKAN ALGORITMA VFI5 ABDUL NASRAH G
PREDIKSI INDEKS PRESTASI KUMULATIF MAHASISWA ILMU KOMPUTER IPB MENGGUNAKAN ALGORITMA VFI5 ABDUL NASRAH G64103012 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinci1. BAB I PENDAHULUAN Latar Belakang
1 1. BAB I PENDAHULUAN Latar Belakang Iris mata merupakan salah satu organ internal yang dapat di lihat dari luar. Selaput ini berbentuk cincin yang mengelilingi pupil dan memberikan pola warna pada mata
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
68 BAB 4 HASIL DAN PEMBAHASAN 4.1. Uji Algoritma Pengujian dilakukan untuk mendapatkan algoritma yang paling optimal dari segi kecepatan dan tingkat akurasi yang dapat berjalan secara real time pada smartphone
Lebih terperinciWATERMARKING DENGAN METODE DEKOMPOSISI NILAI SINGULAR PADA CITRA DIGITAL
SEMIN HASIL TUGAS AKHIR 1 WATERMKING DENGAN METODE DEKOMPOSISI NILAI SINGUL PADA CITRA DIGITAL Oleh : Latifatul Machbubah NRP. 1209 100 027 JURUSAN MATEMATI FAKULTAS MATEMATI DAN ILMU PENGETAHUAN ALAM
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi berisi tahapan-tahapan yang dilakukan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Setiap instansi, terutama instansi pendidikan tinggi yang memiliki kegiatan secara rutin setiap harinya selalu mengadakan proses pendidikan dengan cara melakukan tatap
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengolahan Citra Pengolahan citra adalah kegiatan memanipulasi citra yang telah ada menjadi gambar lain dengan menggunakan suatu algoritma atau metode tertentu. Proses ini mempunyai
Lebih terperinciIdentifikasi Pembicara Menggunakan Algoritme VFI5 dengan MFCC sebagai Pengekstraksi Ciri
Identifikasi Pembicara Menggunakan Algoritme VFI5 dengan MFCC sebagai Pengekstraksi Ciri Vicky Zilvan, S.Kom. UPT LPSN - LIPI v_q1e@yahoo.com Furqon Hensan Muttaqien, S.Komp. P2 Informatika - LIPI fh.muttaqien@informatika.lipi.go.id
Lebih terperinciHASIL DAN PEMBAHASAN. Data
Transformasi data, mengubah data ke bentuk yang dapat di-mine sesuai dengan perangkat lunak yang digunakan pada penelitian. Penentuan Data Latih dan Data Uji Dalam penelitian ini data terdapat dua metode
Lebih terperinciGRAFIK KOMPUTER DAN PENGOLAHAN CITRA. WAHYU PRATAMA, S.Kom., MMSI.
GRAFIK KOMPUTER DAN PENGOLAHAN CITRA WAHYU PRATAMA, S.Kom., MMSI. PERTEMUAN 8 - GRAFKOM DAN PENGOLAHAN CITRA Konsep Dasar Pengolahan Citra Pengertian Citra Analog/Continue dan Digital. Elemen-elemen Citra
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Citra Citra merupakan salah satu komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Meskipun sebuah citra kaya akan informasi, namun sering
Lebih terperinciDIAGNOSIS GANGGUAN SISTEM URINARI PADA ANJING DAN KUCING MENGGUNAKAN VFI 5. Abstrak
DIAGNOSIS GANGGUAN SISTEM URINARI PADA ANJING DAN KUCING MENGGUNAKAN VFI 5 Dhany Nugraha Ramdhany 1, Aziz Kustiyo 2, Ekowati Handharyani 3, dan Agus Buono" 1,2,4 Departemen IImu Komputer, FMIP A, IPB,
Lebih terperinciPengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature
Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Dosen Pembimbing : 1) Prof.Dr.Ir. Mauridhi Hery Purnomo M.Eng. 2) Dr. I Ketut Eddy Purnama ST., MT. Oleh : ATIK MARDIYANI (2207100529)
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 terperinciImplementasi Metode Hough Transform Pada Citra Skeletonisasi Dengan Menggunakan MATLAB 7.6. Intan Nur Lestari
Implementasi Metode Hough Transform Pada Citra Skeletonisasi Dengan Menggunakan MATLAB 7.6 Intan Nur Lestari Fakultas Teknologi Industri Universitas Gunadarma Jl. Margonda Raya, 100, Pondok Cina, Depok
Lebih terperinciPREDIKSI PENYAKIT PARU MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 DENGAN BOBOT FITUR TIDAK SERAGAM DISTY TATA CERIA
PREDIKSI PENYAKIT PARU MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 DENGAN BOBOT FITUR TIDAK SERAGAM DISTY TATA CERIA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciIMPLEMENTASI METODE HISTOGRAM EQUALIZATION UNTUK MENINGKATKAN KUALITAS CITRA DIGITAL
70 Isa Akhlis, Implementasi Metode Histogram IMPLEMENTASI METODE HISTOGRAM EQUALIZATION UNTUK MENINGKATKAN KUALITAS CITRA DIGITAL Isa Akhlis dan Sugiyanto 1, * 1 Jurusan Fisika, Universitas Negeri Semarang
Lebih terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
Lebih terperinciBAB II LANDASAN TEORI. Citra digital sebenarnya bukanlah sebuah data digital yang normal,
BAB II LANDASAN TEORI II.1 Citra Digital Citra digital sebenarnya bukanlah sebuah data digital yang normal, melainkan sebuah representasi dari citra asal yang bersifat analog [3]. Citra digital ditampilkan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Batik Besurek 2.1.1 Sejarah Batik Besurek Bengkulu Kain Batik Besurek merupakan salah satu bentuk batik hasil kerajinan tradisional daerah Bengkulu yang telah diwariskan dari
Lebih terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
Lebih terperinci