VI. HASIL DAN PEMBAHASAN. Warna merupakan ciri dominan yang bisa dibedakan secara visual untuk
|
|
- Veronika Tan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 VI. HASIL DAN PEMBAHASAN A. Segmentasi Warna merupakan ciri dominan yang bisa dibedakan secara visual untuk mendapatkan informasi dari basisdata citra. Segmentasi warna adalah proses mengelompokkan citra berdasarkan distribusi warna dengan menggunakan bin warna referensi. Penggunaan model warna HSV untuk proses segmentasi ciri warna berhubungan dengan proses penentuan warna referensi untuk representasi warna citra. Kelebihan model warna HSV adalah lebih seragam secara persepsi dan lebih mudah dalam menentukan sebaran jenis warna dari merah sampai biru karena keragaman warna direpresentasikan dalam besar sudut hue dari ο. Representasi warna menggunakan histogram dalam sistem temukembali memiliki kelebihan karena kecepatan dan kemudahannya dalam proses komputasi. Citra asli Citra Segmentasi Citra asli Citra Segmentasi (a) Daisy Merah Muda (b) Morning Glory (c) Iris (d) Lily Putih (e) Cymbidium (f) Ascocentrum Gambar 26. Citra Hasil Proses Segmentasi Warna 52
2 Gambar 26 merupakan hasil proses segmentasi warna pada citra bunga daisy merah muda, morning glory, iris, lily putih, cymbidium dan ascocentrum, dimana citra asli dengan kedalaman warna 24 bit direduksi menjadi citra dengan 43 bin warna referensi. Hasil proses segmentasi 60 citra yang digunakan untuk melakukan query, rata-rata citra dikelompokkan menjadi 49,11 % atau 21 bin warna (Gambar 27) BIN WARNA ,35 48,84 54,42 56,28 55,81 43,72 36,28 43,26 57,67 42,33 50,70 44, PERSENTASE DMM DAF LCK DPT MKN ASC CYM MGM LKC IRS LPT LKH JENIS BUNGA 0 Gambar 27. Grafik Jumlah Bin Warna Hasil proses segmentasi ciri warna citra dalam Gambar 28 menunjukkan bahwa dari 43 bin warna yang digunakan terdapat dua bin warna yang tidak digunakan untuk histogram yaitu bin ke-29 (biru bedak) dan ke-30 (biru temaram) (hasil lengkap di Lampiran 5). Seluruh histogram yang dihasilkan oleh proses segmentasi terdapat 14 bin digunakan oleh 100 % bunga, 8 bin digunakan oleh lebih 75 % bunga, 2 bin digunakan oleh lebih 50 % bunga, 10 bin digunakan oleh lebih 25 % bunga serta 7 bin digunakan oleh kurang 25 % bunga. Frekwensi penggunaan bin warna terbesar adalah bin ke-43 (warna putih) dan terkecil adalah bin ke-3 (pink lembut), ke-9 (coklat kemerahan) dan ke-15 (kuning tajam). 53
3 PENGGUNAAN DALAM CITRA (%) ,67 83,33 50,00 91,67 41,67 91,67 25,00 25,00 16,67 16,67 41,67 41,67 41,67 83,33 41,67 58,33 16,67 33,33 75,00 25,00 91,67 83,33 83,33 33, ,33 8,33 8, ,00 0,00 BIN WARNA Gambar 28. Distribusi Bin Warna Referensi Proses segmentasi bentuk pada citra merupakan proses dimana citra grayscale dikelompokkan menjadi tujuh vektor momen invarian. Segmentasi bentuk yang dilakukan terhadap citra grayscale ini nilai yang digunakan adalah nilai absolut logaritmik vektor momen invarian. Konversi nilai vektor ini dilakukan karena vektor momen invarian yang dihasilkan bernilai sangat kecil sekali. Nilai rata-rata vektor momen invarian untuk representasi bentuk citra hasil proses segmentasi dari 12 jenis bunga query disajikan pada Tabel 4. Tabel 4. Momen Invarian Citra No Nama Bunga ϕ 1 ϕ 2 ϕ 3 ϕ 4 ϕ 5 ϕ 6 ϕ 7 1 Daisy Merah Muda 6,576 12,73 24,95 26,35 42,60 21,01 41,06 2 Daffodil 6,646 16,24 25,53 26,91 54,24 35,49 53,34 3 Lily Coklat 6,693 16,12 25,63 27,50 55,46 29,35 54,18 4 Daisy Putih 6,719 17,07 19,75 20,65 53,03 29,55 52,73 5 Mawar Kuning 4,234 16,08 25,44 26,50 54,32 35,75 52,80 6 Ascocentrum 6,638 15,90 25,89 27,03 42,86 35,25 54,14 7 Cymbidium 6,857 13,06 20,25 27,66 54,28 36,09 55,02 8 Morning Glory 4,060 12,92 24,10 19,70 39,04 19,75 39,92 9 Lily Kuning Coklat 6,411 12,39 17,78 20,65 30,27 20,44 51,28 10 Iris 5,321 12,71 14,70 10,38 42,13 28,08 42,13 11 Lily Putih 6,582 12,65 19,06 25,71 41,30 26,67 50,92 12 Lily Kuning Hitam 6,616 12,88 25,27 26,77 53,48 35,50 53,42 54
4 B. Parameter Fungsi Keanggotaan Sistem pakar berbasis kaidah fuzzy terdiri dari dua jenis yaitu fuzzy control systems dan fuzzy reasoning systems. Meskipun sama-sama memanfaatkan himpunan fuzzy tapi secara kualitatif terdapat perbedaan dalam metodologinya. Fuzzy control systems melakukan proses hanya dengan masukan data numerik sedangkan fuzzy reasoning systems dengan data numerik dan non-numerik. Karakteristik fuzzy control systems adalah adanya proses fuzzyfikasi data numerik menjadi peubah linguistik, inferensi setiap kaidah menjadi peubah linguistik keluaran dan defuzzyfikasi peubah linguistik keluaran menjadi data numerik. Sintaksis kaidah dalam model ini sangat sesuai untuk tujuan pengendalian dibandingkan dengan fuzzy reasoning systems yang terbatas kemampuannya jika masukan dan keluarannya berupa data numerik. Fuzzy control systems merupakan model pertama yang diperkenalkan oleh Mamdani tahun 1976 dan dikenal dengan nama model Mamdani. Penggunaan sistem inferensi fuzzy model Mamdani dalam sistem temukembali citra ini karena adanya kesamaan data masukan, karakteristik proses dan sintaksis kaidah yang digunakan. Menurut Vertran dan Boujeema (2000), metode implikasi yang memberikan kinerja terbaik untuk model ini adalah Mamdani (Min-Max), Aljabar dan Einstein jika dibandingkan dengan metode Hamacher dan Lukasiewiec. Berdasarkan karakteristik fungsi keanggotaan fuzzy dimana µ mempunyai nilai antara 0 dan 1 dan jarak euclid d selalu bernilai positif, maka pada kurva keanggotaan fuzzy nilai µ = 1 jika nilai d = γ (pusat kurva). Peubah linguistik untuk klasifikasi citra berdasarkan nilai kemiripan fuzzy yang digunakan dalam penelitian ini adalah sama, mirip dan beda dimana setiap peubah linguistik direpresentasikan oleh satu kurva keanggotaan fuzzy. 55
5 Percobaan untuk menentukan nilai parameter fuzzyfikasi bertujuan untuk menghasilkan sistem yang mempunyai kinerja optimum. Optimasi nilai parameter fuzzyfikasi ini meliputi penentuan pusat masing-masing kurva kemiripan fuzzy dan pemulus kurva. Perhitungan pusat kurva linguistik dilakukan dengan menggunakan data jarak euclid ciri citra dibagi menjadi tiga partisi dengan lebar partisi yang sama baik untuk ciri warna maupun bentuk. Data jarak euclid untuk keperluan proses dalam sistem dikonversi menjadi bernilai antara 0 dan 1 menggunakan interpolasi. Penggunaan nilai interpolasi ini bertujuan untuk memudahkan dalam melakukan optimasi nilai parameter sistem. Persamaan interpolasi untuk proses konversi data adalah sebagai berikut : x konv x min( X ) = ; x X max( X ) min( X ) dengan x konv adalah nilai konversi dan x adalah data yang akan dikonversi. Kriteria yang digunakan untuk menentukan lebar partisi (N p ) dan pemulus kurva (α) untuk parameter sistem ini adalah nilai N p dan α yang menghasilkan nilai presisi paling tinggi untuk recall = 1. Masing-masing nilai parameter yang digunakan untuk percobaan adalah N p = {10, 15, 20, 25} dan α = {1, 2}. Definisi citra relevan adalah citra basisdata yang sama jenis dan warnanya dengan query. Tipe kaidah yang digunakan untuk menentukan parameter sistem ini ditentukan dengan menguji kaidah Tipe 1 dan 104 di Lampiran 4. Hasil uji coba menunjukkan bahwa kaidah Tipe 1 mempunyai kinerja lebih baik daripada Tipe 104 dan digunakan untuk pengujian dengan rancangan percobaan yaitu : Jumlah Percobaan = Jenis Bunga x Citra Query x Jumlah N p x Jumlah α = 12 x 3 x 4 x 2 =
6 Ηasil percobaan yang diperoleh pada Gambar 29 menunjukkan bahwa nilai α = 2 dan nilai N p = {10, 15, 20} mempunyai nilai presisi lebih besar dibandingkan dengan α = 1, dan sama untuk N p = 25. Hasil percobaan yang memberikan nilai presisi terbesar untuk masing-masing nilai α adalah N p = 20 dan 25 untuk α = 1 yaitu 82,78 % dan N p = 20 untuk α = 2 yaitu 83,89 %. Berdasarkan hasil percobaan tersebut maka pemilihan nilai pemulus kurva dan lebar partisi untuk parameter fuzzyfikasi adalah α = 2 dan N p = 20. Hasil lengkap percobaan ini di Lampiran PRESISI (%) α = 1 α = LEBAR PARTISI Gambar 29. Grafik Nilai Presisi Optimasi Parameter Fuzzyfikasi Optimasi kurva linguistik untuk proses agregasi - defuzzyfikasi dilakukan dengan menggunakan fungsi Gaussian sebagai bahan perbandingan dengan segitiga. Optimasi menggunakan kurva Gaussian dilakukan dengan dua tahap percobaan yaitu untuk mencari lebar kurva yang optimum dan menggunakan lebar 57
7 kurva yang optimum tersebut untuk optimasi pusat kurva mirip. Berdasarkan hasil kedua tahap percobaan tersebut, proses agregasi - defuzzyfikasi yang optimum adalah menggunakan Gaussian dengan lebar kurva σ = 0, PRESISI (%) Segitiga Gaussian 0,3 0,4 0,5 0,6 PUSAT KURVA Gambar 30. Grafik Nilai Presisi Optimasi Agregasi - Defuzzyfikasi Hasil percobaan dalam Gambar 30 menunjukkan bahwa pusat kurva linguistik optimum untuk kurva segitiga adalah γ sama = 0, γ mirip = 0,5 dan γ beda = 1 dan untuk kurva Gaussian adalah γ sama = 0, γ mirip = 0,4 dan γ beda = 1. Nilai presisi yang dihasilkan dengan menggunakan kurva segitiga dan Gaussian berturut-turut adalah 84,67 % dan 84,33 %. Berdasarkan hasil tersebut diatas maka untuk proses agregasi - defuzzyfikasi penggunaan kurva segitiga menghasilkan kinerja lebih baik dibandingkan dengan Gaussian. Hasil lengkap percobaan dengan kurva segitiga dan Gaussian terdapat di Lampiran 7 dan 8. 58
8 C. Penilaian Kinerja 1. Kinerja Basis Kaidah Fuzzy Perancangan basis kaidah fuzzy dalam penelitian ini adalah menggunakan pendekatan logis terhadap klasifikasi ciri warna dan bentuk citra bunga. Citra bunga merupakan hasil proses konversi data analog menjadi dijital oleh peralatan akuisisi citra. Faktor utama yang berpengaruh terhadap warna dan bentuk citra bunga adalah pencahayaan dan sudut pandang pada saat akuisisi citra. Faktor pencahayaan menyebabkan citra bunga (jenis yang sama) mempunyai warna yang bervariasi nilainya pada sistem koordinat R-G-B walaupun secara visual terlihat sama karena keterbatasan mata manusia. Faktor sudut pandang menyebabkan citra bunga mempunyai bentuk yang bervariasi pada ruang dua dimensi. Berdasarkan kenyataan tersebut di atas, maka perancangan basis kaidah fuzzy untuk pengukuran kemiripan citra menggunakan semua kemungkinan kombinasi klasifikasi ciri warna dan bentuk citra sebagai masukan serta citra keluaran. Walaupun demikian, basis kaidah fuzzy yang dirancang tetap memperhatikan kaidah logis dalam melakukan pengklasifikasian suatu citra. Misalnya dalam satu basis kaidah, jika terdapat masukan ciri warna sama dan bentuk mirip, citra diklasifikasikan menjadi mirip, maka untuk masukan ciri warna sama dan bentuk beda citra harus diklasifikasikan maksimum menjadi mirip atau tidak boleh diklasifikasikan menjadi sama. Sistem temukembali citra yang memberikan kinerja optimum adalah yang mempunyai basis pengetahuan terbaik dari 144 tipe basis kaidah fuzzy. Proses penentuan tipe-tipe kaidah terbaik bagi sistem temukembali citra dilakukan dengan dua tahapan percobaan yaitu seleksi kombinasi dan pengujian kinerja 59
9 menggunakan metode implikasi Mamdani (Gambar 31). Seleksi kombinasi adalah proses untuk mengeliminasi kombinasi masing-masing blok yang secara visual mudah dinilai kinerjanya tanpa melakukan query pada seluruh jenis bunga. Gambar 31. Tahapan Seleksi Tipe Kaidah Proses seleksi kombinasi dimulai dengan membagi basis kaidah fuzzy menjadi tiga blok yaitu blok A, B dan C. Blok A adalah kaidah yang mempunyai ciri warna sama dengan 6 kombinasi keluaran, blok B mempunyai ciri warna mirip dengan 4 kombinasi keluaran dan blok C kaidah yang mempunyai ciri warna beda dengan 6 kombinasi keluaran. Tipe kaidah yang digunakan untuk melakukan seleksi kombinasi adalah Tipe 1. Hasil yang diperoleh dalam tahapan ini adalah kombinasi masukan masing-masing blok yaitu blok A mempunyai 6 kombinasi, blok B dan C masing-masing mempunyai 2 kombinasi atau sama dengan 6 x 2 x 2 = 24 tipe kaidah (Lampiran 9). 60
10 Proses selanjutnya adalah pengujian kinerja terhadap 24 tipe kaidah yang telah dihasilkan oleh tahapan seleksi kombinasi. Tahapan ini seleksi dilakukan dengan percobaan terhadap seluruh tipe kaidah dan kriteria yang digunakan untuk penilaian adalah nilai presisi untuk recall = 1. Rancangan percobaan untuk seleksi tipe kaidah ini adalah sebagai berikut : Jumlah Percobaan = Tipe Kaidah x Jenis Bunga x Citra Query = 24 x 12 x 5 = Gambar 32 adalah grafik hasil percobaan yaitu 6 tipe kaidah terbaik yang mempunyai nilai presisi berdekatan (hasil lengkap di Lampiran 10). Nilai presisi terbesar percobaan ini dihasilkan oleh kaidah Tipe 8 dan 9 yaitu sebesar 84,67 % dan kemudian diikuti oleh kaidah Tipe 7, 2, 3 dan 1 yaitu berturut-turut sebesar 84,44 %, 84,11 %, 84,11 % dan 83,11 %. 86 PRESISI (%) ,11 84,11 84,11 84,44 84,67 84, Tipe 1 Tipe 2 Tipe 3 Tipe 7 Tipe 8 Tipe 9 TIPE KAIDAH Gambar 32. Grafik Nilai Presisi Seleksi Tipe Kaidah 61
11 Berdasarkan hasil percobaan ini tipe kaidah yang dihasilkan merupakan hasil 3 kombinasi blok A, 2 kombinasi blok B dan 1 kombinasi blok C (Tabel 5). Perbedaan masing-masing tipe kaidah dalam satu blok terletak pada masukan ciri warna sama dan bentuk beda. Perbedaan masing-masing blok terletak pada masukan ciri warna mirip dan bentuk beda. a. Tipe 1 Tabel 5. Basis Kaidah Fuzzy Hasil Seleksi 1. IF warna IS sama AND bentuk IS sama THEN citra IS sama 2. IF warna IS sama AND bentuk IS mirip THEN citra IS sama 3. IF warna IS sama AND bentuk IS beda THEN citra IS sama 4. IF warna IS mirip AND bentuk IS sama THEN citra IS mirip 5. IF warna IS mirip AND bentuk IS mirip THEN citra IS mirip 6. IF warna IS mirip AND bentuk IS beda THEN citra IS mirip 7. IF warna IS beda AND bentuk IS sama THEN citra IS beda 8. IF warna IS beda AND bentuk IS mirip THEN citra IS beda 9. IF warna IS beda AND bentuk IS beda THEN citra IS beda b. Tipe 2 1. IF warna IS sama AND bentuk IS sama THEN citra IS sama 2. IF warna IS sama AND bentuk IS mirip THEN citra IS sama 3. IF warna IS sama AND bentuk IS beda THEN citra IS mirip 4. IF warna IS mirip AND bentuk IS sama THEN citra IS mirip 5. IF warna IS mirip AND bentuk IS mirip THEN citra IS mirip 6. IF warna IS mirip AND bentuk IS beda THEN citra IS mirip 7. IF warna IS beda AND bentuk IS sama THEN citra IS beda 8. IF warna IS beda AND bentuk IS mirip THEN citra IS beda 9. IF warna IS beda AND bentuk IS beda THEN citra IS beda c. Tipe 3 1. IF warna IS sama AND bentuk IS sama THEN citra IS sama 2. IF warna IS sama AND bentuk IS mirip THEN citra IS sama 3. IF warna IS sama AND bentuk IS beda THEN citra IS beda 4. IF warna IS mirip AND bentuk IS sama THEN citra IS mirip 5. IF warna IS mirip AND bentuk IS mirip THEN citra IS mirip 6. IF warna IS mirip AND bentuk IS beda THEN citra IS mirip 7. IF warna IS beda AND bentuk IS sama THEN citra IS beda 8. IF warna IS beda AND bentuk IS mirip THEN citra IS beda 9. IF warna IS beda AND bentuk IS beda THEN citra IS beda 62
12 d. Tipe 7 1. IF warna IS sama AND bentuk IS sama THEN citra IS sama 2. IF warna IS sama AND bentuk IS mirip THEN citra IS sama 3. IF warna IS sama AND bentuk IS beda THEN citra IS sama 4. IF warna IS mirip AND bentuk IS sama THEN citra IS mirip 5. IF warna IS mirip AND bentuk IS mirip THEN citra IS mirip 6. IF warna IS mirip AND bentuk IS beda THEN citra IS beda 7. IF warna IS beda AND bentuk IS sama THEN citra IS beda 8. IF warna IS beda AND bentuk IS mirip THEN citra IS beda 9. IF warna IS beda AND bentuk IS beda THEN citra IS beda e. Tipe 8 1. IF warna IS sama AND bentuk IS sama THEN citra IS sama 2. IF warna IS sama AND bentuk IS mirip THEN citra IS sama 3. IF warna IS sama AND bentuk IS beda THEN citra IS mirip 4. IF warna IS mirip AND bentuk IS sama THEN citra IS mirip 5. IF warna IS mirip AND bentuk IS mirip THEN citra IS mirip 6. IF warna IS mirip AND bentuk IS beda THEN citra IS beda 7. IF warna IS beda AND bentuk IS sama THEN citra IS beda 8. IF warna IS beda AND bentuk IS mirip THEN citra IS beda 9. IF warna IS beda AND bentuk IS beda THEN citra IS beda f. Tipe 9 1. IF warna IS sama AND bentuk IS sama THEN citra IS sama 2. IF warna IS sama AND bentuk IS mirip THEN citra IS sama 3. IF warna IS sama AND bentuk IS beda THEN citra IS beda 4. IF warna IS mirip AND bentuk IS sama THEN citra IS mirip 5. IF warna IS mirip AND bentuk IS mirip THEN citra IS mirip 6. IF warna IS mirip AND bentuk IS beda THEN citra IS beda 7. IF warna IS beda AND bentuk IS sama THEN citra IS beda 8. IF warna IS beda AND bentuk IS mirip THEN citra IS beda 9. IF warna IS beda AND bentuk IS beda THEN citra IS beda Hasil yang diperoleh untuk masukan ciri warna sama dan bentuk beda (kaidah nomor 3) pengklasifikasian citra menjadi mirip atau beda mempunyai nilai presisi lebih besar dibandingkan dengan sama, sehingga kinerja kaidah Tipe 2 dan 3 lebih besar dibandingkan dengan Tipe 1 dan kaidah Tipe 8 dan 9 lebih besar dibandingkan dengan Tipe 7. Pengklasifikasian masukan ciri warna sama dan bentuk beda menjadi mirip atau beda menghasilkan nilai presisi yang identik (nilai presisi yang sama untuk tiap jenis bunga) antara kaidah Tipe 2 dengan Tipe 3 dan Tipe 8 dengan Tipe 9. 63
13 Tipe kaidah terbaik yang dihasilkan oleh metode implikasi Mamdani tersebut diatas kemudian digunakan untuk percobaan dengan metode implikasi lainnya yaitu Aljabar dan Einstein. Percobaan ini bertujuan untuk melihat pengaruh metode implikasi terhadap kinerja masing-masing tipe kaidah. Tipe kaidah yang digunakan untuk percobaan lanjutan ini adalah Tipe 1, 2, 7 dan 8. Kaidah Tipe 3 dan 9 tidak termasuk dalam pengujian karena nilai presisi yang dihasilkan oleh tipe tersebut identik dengan Tipe 2 dan 8. Rancangan percobaan yang digunakan adalah sebagai berikut : Jumlah Percobaan = Tipe Kaidah x Jenis Bunga x Citra Query x Metode = 4 x 12 x 5 x 2 = 480 Berdasarkan hasil percobaan dalam Gambar 33 menunjukkan bahwa untuk setiap tipe kaidah yang digunakan untuk pengujian, metode Aljabar dan Einstein menghasilkan nilai presisi yang lebih besar dibandingkan dengan metode Mamdani kecuali Tipe 8 pada metode Einstein yang mempunyai nilai presisi terkecil yaitu 83,44 %. Tipe kaidah terbaik yang dihasilkan percobaan ini untuk metode Mamdani, Aljabar dan Einstein berturut-turut adalah Tipe 8, Tipe 2 dan Tipe 1. Kaidah Tipe 8 menjadi tipe kaidah yang menghasilkan nilai presisi terkecil untuk metode Aljabar dan Einstein. Kaidah Tipe 1 dan 7 metode Aljabar dengan Tipe 7 metode Einstein menghasilkan nilai presisi yang sama tapi tidak identik untuk setiap jenis bunga (hasil lengkap percobaan di Lampiran 11). 64
14 ,56 87,56 87,89 86,67 87,56 87,33 Mamdani Aljabar Einstein PRESISI (%) ,11 84,11 84,44 84,67 85,67 83, Tipe 1 Tipe 2 Tipe 7 Tipe 8 TIPE KAIDAH Gambar 33. Grafik Perbandingan Nilai Presisi Antar Metode Implikasi Percobaan menggunakan metode Aljabar ini menyebabkan terjadinya pergeseran pengklasifikasian citra yaitu untuk ciri warna mirip dan bentuk beda. Hasil terbaik dengan menggunakan metode Mamdani adalah pengklasifikasian citra menjadi beda dan menggunakan metode Aljabar adalah pengklasifikasian citra menjadi mirip. Pergeseran klasifikasi citra untuk metode Einstein terjadi untuk ciri warna sama dan bentuk beda serta ciri warna mirip dan bentuk beda. Hasil terbaik diperoleh dengan mengklasifikasikan citra menjadi sama untuk ciri warna sama dan bentuk beda, mirip untuk ciri warna mirip dan bentuk beda. Pengklasifikasian citra dalam tipe kaidah terbaik di setiap metode implikasi hampir sama dengan informasi yang diberikan oleh ciri warna. Metode Aljabar mempunyai pola klasifikasi citra yang lebih mirip dengan metode Einstein dibandingkan dengan metode Mamdani, perbedaannya terletak hanya pada ciri warna sama dan bentuk beda. 65
15 Kinerja basis kaidah fuzzy terbaik hasil percobaan tergantung pada metode perhitungan nilai implikasi fuzzy yang digunakan. Basis kaidah fuzzy terbaik yang menghasilkan nilai presisi terbesar untuk perhitungan nilai implikasi fuzzy menggunakan metode Mamdani adalah Tipe 8 (84,67 %), metode Aljabar adalah Tipe 2 (87,89 %) dan metode Einstein adalah Tipe 1 (87,56 %). Basis kaidah fuzzy yang menghasilkan nilai presisi rata-rata tertinggi adalah Tipe 7 (86,44 %) diikuti oleh Tipe 2 (86,22 %), Tipe 1 (86,07 %) dan Tipe 8 (84,59 %). 2. Kinerja Sistem Penilaian kinerja sistem dilakukan dengan identifikasi urutan citra relevan yang dihasilkan oleh sistem temukembali. Nilai presisi dihitung berdasarkan identifikasi citra relevan yang berada dalam urutan nomor 1 sampai 15 atau nilai recall = 0,07 1. Tahapan ini percobaan dilakukan menggunakan tipe kaidah terbaik untuk masing-masing metode implikasi yaitu Tipe 8 untuk metode Mamdani, Tipe 2 untuk metode Aljabar dan Tipe 1 untuk metode Einstein dengan rancangan percobaan sebagai berikut : Jumlah Percobaan = Jenis Bunga x Citra Query x Metode Implikasi = 12 x 5 x 3 = 180 Gambar 34 adalah hasil percobaan yang disortasi secara menaik berdasarkan nilai presisi per jenis bunga metode Mamdani. Nilai presisi tiap jenis bunga yang dihasilkan oleh metode Mamdani lebih kecil dibandingkan dengan metode Aljabar dan Einstein kecuali untuk bunga daffodil. Nilai presisi tiap jenis bunga metode Aljabar dan Einstein mempunyai pola yang mirip. Hal ini disebabkan karena pola klasifikasi citra antara metode Aljabar dan Einstein yang lebih mirip dibandingkan dengan metode Mamdani. 66
16 Bunga yang mempunyai nilai presisi terkecil untuk metode Mamdani, Aljabar dan Einstein berturut-turut adalah bunga iris (73,33 %), morning glory (77,33 %), morning glory dan lily putih (80,00 %). Jenis bunga yang mempunyai nilai presisi terbesar berturut-turut adalah daisy merah muda (97,33 %), daisy merah muda (98,67 %) dan mawar kuning (100 %) Mamdani, Tipe 8 Aljabar, Tipe 2 Einstein, Tipe 1 PRESISI (%) IRS MGM LPT CYM DPT LKH ASC LCK MKN DAF LKC DMM JENIS BUNGA Gambar 34. Grafik Nilai Presisi per Jenis Bunga Gambar 35 adalah nilai interpolasi presisi recall hasil percobaan untuk menilai kinerja sistem secara keseluruhan. Setiap proses query yang dilakukan sistem bisa mengidentifikasi citra relevan rata-rata dari urutan nomor 1 sampai 4 menggunakan metode Mamdani, urutan nomor 1 sampai 3 menggunakan metode Aljabar dan urutan nomor 1 sampai 5 menggunakan metode Einstein. Nilai presisi - recall metode Mamdani dari urutan citra nomor 4 sampai 6 lebih besar dibandingkan dengan metode Aljabar. Tapi setelah urutan nomor 7 nilai presisi - recall metode Mamdani menjadi lebih kecil daripada metode 67
17 Aljabar karena semakin banyak citra relevan yang tidak teridentifikasi oleh sistem. Nilai presisi - recall metode Einstein dari urutan nomor 4 sampai 14 selalu lebih besar dibandingkan metode Aljabar, tapi urutan nomor 15 terjadi penurunan nilai presisi - recall yang besar terutama untuk bunga daffodil sebesar 6,00 % dan cymbidium sebesar 5,71 % (hasil lengkap di Lampiran 12) PRESISI (%) Mamdani, Tipe 8 Aljabar, Tipe 2 Einstein, Tipe 1 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 RECALL Gambar 35. Grafik Nilai Presisi Recall Sistem Temukembali Penilaian secara persepsi terhadap citra keluaran yang dihasilkan oleh ketiga metode implikasi dilakukan dengan menggunakan Tipe 7. Gambar 36 adalah citra yang dihasilkan menggunakan citra query bunga daisy putih dan daisy merah muda. Penggunaan metode Mamdani untuk query bunga daisy putih citra yang dihasilkan 86 % jenis bunga daisy dan 14 % dari jenis yang lainnya, untuk query bunga daisy merah muda citra yang dihasilkan 71 % jenis bunga daisy dan 19 % jenis bunga lainnya (Gambar 36 (a)). Citra yang dihasilkan dengan metode 68
18 Aljabar untuk query kedua jenis bunga tersebut adalah 54 % dan 51 % jenis bunga daisy dan 46 % dan 49 % jenis bunga lainnya (Gambar 36 (b)). Metode Einstein citra yang dihasilkan adalah 49 % dan 46 % jenis bunga daisy dan 51 % dan 54 % jenis bunga lainnya (Gambar 36 (c)). (a) Metode Implikasi Mamdani (b) Metode Implikasi Aljabar (c) Metode Implikasi Einstein Gambar 36. Citra Keluaran per Metode Implikasi 69
19 Percobaan dengan query menggunakan jenis bunga lainnya, metode Mamdani menghasilkan citra yang lebih relevan terhadap warna ataupun bentuk citra query dibandingkan dengan metode Aljabar dan Einstein. Terutama metode Aljabar dan Einstein dari semua jenis bunga citra query menghasilkan selain citra relevan dari jenis dan warna bunga yang sama juga selalu menghasilkan citra dari jenis bunga morning glory. Hal ini tidak terjadi jika menggunakan metode Mamdani dimana citra yang dihasilkan selain citra relevan dari jenis dan warna bunga yang sama juga menghasilkan citra dari jenis bunga yang lebih beragam tergantung citra query yang menjadi masukan sistem temukembali citra. Penilaian secara persepsi ini memberikan hasil bahwa metode Mamdani dapat menghasilkan citra yang lebih baik dibandingkan dengan metode Aljabar dan Einstein. Hasil identifikasi terhadap nominasi citra relevan ini kemudian digunakan untuk mencari nilai treshold setiap jenis bunga. Nilai treshold diperoleh dengan cara identifikasi nilai centroid citra relevan yang berada di urutan nominasi terakhir, dalam hal ini setiap jenis bunga mempunyai lima nilai centroid. Selanjutnya, dari kelima nilai centroid tersebut dihitung nilai treshold tiap jenis bunga dengan menggunakan fungsi max (Tabel 6). Tabel 6. Nilai Treshold No Jenis Bunga Nilai Treshold Mamdani Aljabar Einstein 1 Daisy Merah Muda 0, , , Daffodil 0, , , Lily Coklat 0, , , Daisy Putih 0, , , Mawar Kuning 0, , , Ascocentrum 0, , , Cymbidium 0, , , Morning Glory 0, , , Lily Kuning Coklat 0, , , Iris 0, , , Lily Putih 0, , , Lily Kuning Hitam 0, , ,
20 Gambar 37. Citra Keluaran Menggunakan Nilai Treshold Citra dalam Gambar 37 adalah hasil implementasi nilai treshold dalam sistem dengan menggunakan metode implikasi Mamdani dan kaidah Tipe 8. Penggunaan nilai treshold bertujuan untuk mengeliminasi citra basisdata yang tidak relevan dengan query. Implementasi nilai treshold ini menyebabkan keluaran sistem bersifat dinamis yaitu hanya menampilkan citra yang mempunyai nilai centroid lebih kecil atau sama dengan nilai treshold. Kelebihan lain implementasi nilai treshold adalah penghematan penggunaan memori komputer sehingga menambah kecepatan waktu komputasi. Hal ini disebabkan karena citra keluaran yang disimpan dalam memori komputer adalah citra yang relevan saja. 71
21 Metode lain sebagai bahan perbandingan dengan implementasi basis kaidah fuzzy dalam sistem temukembali ini adalah metode pembobotan. Penelitian yang dilakukan oleh Yuni (2006) dengan menggunakan basisdata citra yang sama adalah dengan menggunakan bobot 0,7 untuk ciri warna dan 0,3 untuk ciri bentuk. Metode segmentasi ciri citra yang digunakan dalam penelitian tersebut adalah untuk warna menggunakan fuzzy color histogram dan bentuk menggunakan Hough Transform. Nilai presisi tertinggi yang diperoleh dengan menggunakan pembobotan tersebut adalah sebesar 44 % dan nilai presisi rata-rata dari seluruh jenis bunga adalah 42 %. 3. Efisiensi Sistem Terdapat dua kriteria untuk menilai efisiensi sistem temukembali yaitu waktu proses baik untuk ekstraksi ciri maupun query dan ukuran file yang dihasilkan proses ekstraksi ciri. Pengukuran efisiensi sistem ini dilakukan terhadap tiga basisdata dengan jumlah citra yang berbeda. Hal ini dilakukan untuk melihat pengaruh kenaikan jumlah citra dalam basisdata terhadap waktu proses dan ukuran file. Tidak ada ketentuan yang baku mengenai efisiensi sistem temukembali ini. Hasil pengukuran efisiensi sistem temukembali pada Tabel 7 ini bervariasi tergantung pada spesifikasi perangkat keras dan lingkungan perangkat lunak yang digunakan untuk pengukuran efisiensi. No Basis Data Jumlah Citra Tabel 7. Efisiensi Sistem Temukembali Citra Ukuran Data Ekstraksi Proses Temukembali Basisdata Indeks Basisdata Pencarian Visualisasi Jumlah (byte) (byte) (detik) (detik) (detik) (detik) 1 DBA ,843 0,668 0,659 1,326 2 DBB ,906 0,745 0,858 1,603 3 DBC ,265 1,003 1,000 2,003 72
22 File indeks basisdata yang dihasilkan pada proses ekstraksi ciri besarnya meningkat dalam ukuran kilobyte dibandingkan dengan basisdata yang meningkat dalam ukuran megabyte. Waktu rata-rata yang dibutuhkan untuk ekstraksi ciri sebuah citra adalah sebesar 0,18 detik dan untuk pencarian secara sekuensial dalam file indeks adalah sebesar 0,004 detik. Waktu yang dibutuhkan untuk ekstraksi ciri dan pencarian ini berbanding lurus dengan peningkatan jumlah citra dalam basisdata. D. Pengembangan Sistem Untuk Aplikasi Pertanian Sistem temukembali citra berbasis kaidah fuzzy dapat dikembangkan untuk merancang aplikasi dalam bidang pertanian modern yang berbasis teknologi informasi. Faktor-faktor yang perlu diperhatikan dalam pengembangan aplikasi dalam bidang pertanian adalah pembuatan basisdata training untuk masingmasing komoditi pertanian serta pencahayaan dan sudut pandang kamera untuk mengakuisisi citra sebagai masukan sistem. Secara konseptual dalam Gambar 38 pengembangan sistem temukembali untuk aplikasi di bidang pertanian dimulai dengan melakukan investigasi dalam domain kepakaran dalam hal ini orang yang pakar dalam pengolahan citra dan petugas survei. Pengetahuan yang diperoleh kemudian diformulasikan dalam bentuk peubah linguistik dalam kaidah-kaidah fuzzy. Domain pengetahuan dapat berasal dari sumber lain seperti data histori yang telah diolah secara statistik. Kegiatan investigasi tersebut akan menghasilkan dua faktor yang paling berpengaruh terhadap keberhasilan pengembangan sistem. Pertama, seorang pakar dalam pengolahan citra akan memberikan kontribusi terhadap jenis ciri citra dan metode segmentasi yang akan digunakan untuk menghasilkan data training 73
23 untuk masing-masing kategori. Kedua, dengan pengetahuan yang diperoleh dari hasil kajian ilmiah dan survei langsung di lapangan akan menghasilkan basis kaidah fuzzy yang akan diimplementasikan dalam sistem. Gambar 38. Arsitektur Sistem Temukembali Citra Untuk Aplikasi Pertanian. Aplikasi dalam bidang pertanian yang secara langsung bisa dikembangkan adalah aplikasi untuk tujuan pendidikan yaitu perpustakaan dijital. Hal ini disebabkan karena aplikasi perpustakaan dijital ini mempunyai prinsip kerja yang sama dengan prinsip kerja dalam sistem temukembali citra yaitu sistem berfungsi sebagai mesin pencari citra dalam basisdata yang relevan dengan citra query. Pengembangan aplikasi untuk kegiatan agroindustri dapat digunakan untuk melakukan identifikasi jenis-jenis komoditi pertanian misalnya bunga, kayu, buah dan lain-lain dengan tujuan untuk melakukan kegiatan sortasi hasil panen. Pengembangan aplikasi dalam bidang agroindustri memerlukan perangkat keras yaitu antarmuka antara unit pengolah data dengan peralatan sortasi. Antarmuka perangkat keras ini berfungsi sebagai alat untuk menyampaikan perintah yang 74
24 sudah didefinisikan terlebih dahulu dari unit pengolah data ke peralatan sortasi. Sistem temukembali dalam hal ini digunakan sebagai alat untuk mengambil keputusan terhadap masukan yang diperoleh. Aplikasi lain dalam bidang pertanian yang sudah dilakukan penelitian adalah pengembangan sistem temukembali citra untuk pengklasifikasian lahan dengan basis citra satelit. Berdasarkan penelitian Parulekar, Datta, Li dan Wang (2005) dari The Pennsylvania State University dan University Park citra satelit yang digunakan sebagai basisdata dibagi menjadi beberapa area (region of interest) dan setiap area tersebut kemudian diklasifikasikan secara semantik. Arsitektur sistem dalam Gambar 39 terdiri dari off-line processing dan online querying. Bagian off-line processing merupakan proses untuk melakukan pengindeksan warna dan tekstur masing-masing area citra satelit dan kemudian hasilnya digunakan sebagai data training masing-masing kategori lahan. Bagian on-line querying merupakan proses temukembali dimana pengguna melakukan query dengan menggunakan potongan citra. Citra query dari pengguna ini kemudian diukur kemiripannya dengan masing-masing kategori lahan dan sistem kemudian menampilkan urutan nominasi kategori lahan. Metode pengukuran kemiripan dalam sistem pengklasifikasian lahan ini dapat dimodifikasi dengan mengimplementasikan metode basis kaidah fuzzy. Pengimplementasian basis kaidah fuzzy ini dilakukan dengan memperlakukan masing-masing kategori lahan sebagai basisdata citra yang akan diukur kemiripannya dengan citra query. Hal-hal yang harus dilakukan terlebih dahulu adalah pengaturan kembali nilai parameter fuzzyfikasi, agregasi - defuzzyfikasi dan basis kaidah fuzzy yang memberikan kinerja terbaik dari masukan ciri warna dan tekstur citra. 75
25 Gambar 39. Arsitektur Sistem Pengklasifikasian Lahan (Parulekar et al, 2005) 76
FUZZY RULE-BASED SISTEM TEMUKEMBALI CITRA BUNGA ADI SUCIPTO AJI
FUZZY RULE-BASED SISTEM TEMUKEMBALI CITRA BUNGA ADI SUCIPTO AJI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007 PERNYATAAN MENGENAI TESIS Saya menyatakan dengan sebenar-benarnya bahwa tesis saya
Lebih terperinciTINJAUAN PUSTAKA. bagian dari kecerdasan buatan (berbasis pengetahuan) yang memungkinkan
II. TINJAUAN PUSTAKA A. Sistem Pakar Sistem pakar yang berbasis pengetahuan kecerdasan merupakan salah satu bagian dari kecerdasan buatan (berbasis pengetahuan) yang memungkinkan komputer dapat berpikir
Lebih terperinciFUZZY RULE-BASED SISTEM TEMUKEMBALI CITRA BUNGA ADI SUCIPTO AJI
FUZZY RULE-BASED SISTEM TEMUKEMBALI CITRA BUNGA ADI SUCIPTO AJI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007 PERNYATAAN MENGENAI TESIS Saya menyatakan dengan sebenar-benarnya bahwa tesis saya
Lebih terperinciFUZZY RULE-BASED SISTEM TEMUKEMBALI CITRA BUNGA ADI SUCIPTO AJI
FUZZY RULE-BASED SISTEM TEMUKEMBALI CITRA BUNGA ADI SUCIPTO AJI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007 PERNYATAAN MENGENAI TESIS Saya menyatakan dengan sebenar-benarnya bahwa tesis saya
Lebih terperinciV. IMPLEMENTASI SISTEM. yang dibutuhkan oleh sistem dari media penyimpan program ke dalam media
V. IMPLEMENTASI SISTEM A. Instalasi Sistem Instalasi sistem temukembali citra adalah proses menggandakan seluruh file yang dibutuhkan oleh sistem dari media penyimpan program ke dalam media penyimpan komputer.
Lebih terperinciBab III ANALISIS&PERANCANGAN
3.1 Analisis Masalah Bab III ANALISIS&PERANCANGAN Pada penelitian sebelumnya yaitu ANALISIS CBIR TERHADAP TEKSTUR CITRA BATIK BERDASARKAN KEMIRIPAN CIRI BENTUK DAN TEKSTUR (A.Harris Rangkuti, Harjoko Agus;
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN
4 BAB HASIL DAN PEMBAHASAN Ada tiga tahap utama yang dilakukan pada percobaan ini yaitu ektraksi ciri, pelatihan dan pengujian JST. Percobaan dilakukan dengan mengkombinasikan data hasil ekstraksi ciri
Lebih terperinciFuzzy Logic. Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic.
Fuzzy Systems Fuzzy Logic Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic. Masalah: Pemberian beasiswa Misalkan
Lebih terperinciBAB IV PEMBAHASAN. Pada penelitian ini akan dibandingkan antara aplikasi teori graf fuzzy dan
BAB IV PEMBAHASAN Pada penelitian ini akan dibandingkan antara aplikasi teori graf fuzzy dan teori aljabar max-plus dalam pengaturan lampu lalu lintas di simpang empat Beran Kabupaten Sleman Provinsi Daerah
Lebih terperinciSELEKSI CITRA BERDASARKAN CIRI DENGAN ALGORITMA THRESHOLD MENGUNAKAN FUZZY KURVA S DAN FUNGSI MIN
SELEKSI CITRA BERDASARKAN CIRI DENGAN ALGORITMA THRESHOLD MENGUNAKAN FUZZY KURVA S DAN FUNGSI MIN A. Haris Rangkuti Computer Science Department, School of Computer Science, Binus University Jln. K. H.
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 terperinciKASUS PENERAPAN LOGIKA FUZZY. Fuzzy tsukamoto, mamdani, sugeno
KASUS PENERAPAN LOGIKA FUZZY Fuzzy tsukamoto, mamdani, sugeno CARA KERJA LOGIKA FUZZY MELIPUTI BEBERAPA TAHAPAN BERIKUT : 1. Fuzzyfikasi 2. Pembentukan basis pengetahuan fuzzy (rule dalam bentuk if..then).
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 terperinciHASIL DAN PEMBAHASAN. B fch a. d b
7 dengan nilai σ yang digunakan pada tahap pelatihan sebelumnya. Selanjutnya dilakukan perhitungan tingkat akurasi SVM terhadap citra yang telah diprediksi secara benar dan tidak benar oleh model klasifikasi.
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan dan Praproses Data Kegiatan pertama dalam penelitian tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data sekunder
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tingkat kesehatan bank dapat diketahui dengan melihat peringkat
BAB IV HASIL DAN PEMBAHASAN A. Analisis Tingkat Kesehatan Bank Tingkat kesehatan bank dapat diketahui dengan melihat peringkat komposit bank tersebut. Menurut peraturan Bank Indonesia No. 13/1/PBI/2011
Lebih terperinciPraktikum sistem Pakar Fuzzy Expert System
Praktikum sistem Pakar Fuzzy Expert System Ketentuan Praktikum 1. Lembar Kerja Praktikum ini dibuat sebagai panduan bagi mahasiswa untuk praktikum pertemuan ke - 8 2. Mahasiswa akan mendapatkan penjelasan
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 4 HASIL DAN ANALISA
BAB 4 HASIL DAN ANALISA 4. Analisa Hasil Pengukuran Profil Permukaan Penelitian dilakukan terhadap (sepuluh) sampel uji berdiameter mm, panjang mm dan daerah yang dibubut sepanjang 5 mm. Parameter pemesinan
Lebih terperinciHimpunan Tegas (Crisp)
Logika Fuzzy Logika Fuzzy Suatu cara untuk merepresentasikan dan menangani masalah ketidakpastian (keraguan, ketidaktepatan, kekuranglengkapan informasi, dan kebenaran yang bersifat sebagian). Fuzzy System
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 terperinciLaporan Akhir Praktikum Mempelajari Karakterisitk Visual Citra Tomat Menggunakan Image Processing. Avicienna Ulhaq Muqodas F
Laporan Akhir Praktikum Mempelajari Karakterisitk Visual Citra Tomat Menggunakan Image Processing Avicienna Ulhaq Muqodas F14110108 DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN INSTITUT
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Himpunan Himpunan adalah setiap daftar, kumpulan atau kelas objek-objek yang didefenisikan secara jelas, objek-objek dalam himpunan-himpunan yang dapat berupa apa saja: bilangan, orang,
Lebih terperinciPENGEMBANGAN SISTEM PAKAR FUZZY
FUZZY EXPERT SYSTEM FUZZY INFERENCE SYSTEM FUZZY REASONING Toto Haryanto MATA KULIAH SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR PENGEMBANGAN SISTEM PAKAR FUZZY Domain Masalah Fuzzifikasi
Lebih terperinciBAB II LANDASAN TEORI. papernya yang monumental Fuzzy Set (Nasution, 2012). Dengan
BAB II LANDASAN TEORI 2.. Logika Fuzzy Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh, 965 orang Iran yang menjadi guru besar di University of California at Berkeley dalam papernya yang monumental
Lebih terperinciANALISIS SELEKSI CITRA MIRIP DENGAN MEMANFAATKAN KONSEP CBIR DAN ALGORITMA THRESHOLD
ANALISIS SELEKSI CITRA MIRIP DENGAN MEMANFAATKAN KONSEP CBIR DAN ALGORITMA THRESHOLD A. Haris Rangkuti Computer Science Department, School of Computer Science Binus University Jl. K.H. Syahdan No. 9, Palmerah,
Lebih terperinciFUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ)
BAB 2 FUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ) Bab ini akan menjelaskan algoritma pembelajaran FNLVQ konvensional yang dipelajari dari berbagai sumber referensi. Pada bab ini dijelaskan pula eksperimen
Lebih terperinciMETODOLOGI PENELITIAN
7 terboboti dari daerah output fuzzy. Metode ini paling dikenal dan sangat luas dipergunakan. First of Maxima (FoM) dan Last of Maxima (LoM) Pada First of Maxima (FoM), defuzzifikasi B( y) didefinisikan
Lebih terperinciBAB II LANDASAN TEORI. Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya
BAB II LANDASAN TEORI A. Logika Fuzzy Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya berada di luar model matematis dan bersifat inexact. Konsep ketidakpastian inilah yang
Lebih terperinciPENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012
PENALARAN FUZZY SISTEM PAKAR DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR 2012 PENALARAN FUZZY Digunakan untuk menghasilkan suatu keputusan tunggal / crisp saat defuzzifikasi Penggunaan akan bergantung
Lebih terperinciSISTEM INFERENSI FUZZY UNTUK MENENTUKAN SENSASI CITRA WARNA
Sukmawati Nur Endah, Priyo Sidik Sasongko, Helmie Arif Wibawa, Frediansah SISTEM INFERENSI FUZZY UNTUK MENENTUKAN SENSASI CITRA WARNA Sukmawati Nur Endah, Priyo Sidik Sasongko, Helmie Arif Wibawa, Frediansah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
Lebih terperinciV HASIL DAN PEMBAHASAN
22 V HASIL DAN PEMBAHASAN 5.1 Karakteristik Video dan Ektraksi Frame Video yang digunakan di dalam penelitian ini merupakan gabungan dari beberapa cuplikan video yang berbeda. Tujuan penggabungan beberapa
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra digital merupakan sebuah fungsi intensitas cahaya, dimana harga x dan y merupakan koordinat spasial dan harga fungsi f tersebut pada setiap titik merupakan
Lebih 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 terperinci5. IDENTIFIKASI JENIS TANAMAN. Pendahuluan
5. IDENTIFIKASI JENIS TANAMAN Pendahuluan Tujuan aplikasi berbasis sensor adalah melakukan penyemprotan dengan presisi tinggi berdasarkan pengamatan real time, menjaga mutu produk dari kontaminasi obat-obatan
Lebih terperinciBAB 2 LANDASAN TEORI. dari sudut pandang matematis, citra merupakan fungsi kontinyu dari intensitas cahaya
5 BAB 2 LANDASAN TEORI 2.1 Citra Secara harfiah citra atau image adalah gambar pada bidang dua dimensi. Ditinjau dari sudut pandang matematis, citra merupakan fungsi kontinyu dari intensitas cahaya pada
Lebih terperinciSebelumnya... Penalaran pada Sistem Pakar. Ketidakpastian dalam Sistem Pakar. Contoh forward chaining & backward chaining
Sebelumnya... Penalaran pada Sistem Pakar Contoh forward chaining & backward chaining Ketidakpastian dalam Sistem Pakar Teori Peluang Teori Bayes Jaringan Bayes Faktor Kepastian Kecerdasan Buatan Pertemuan
Lebih terperinci6. PENDETEKSIAN SERANGAN GULMA. Pendahuluan
6. PENDETEKSIAN SERANGAN GULMA Pendahuluan Praktek pengendalian gulma yang biasa dilakukan pada pertanian tanaman pangan adalah pengendalian praolah dan pascatumbuh. Aplikasi kegiatan Praolah dilakukan
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN A. PROGRAM PENGOLAHAN CITRA BIJI KOPI Citra biji kopi direkam dengan menggunakan kamera CCD dengan resolusi 640 x 480 piksel. Citra biji kopi kemudian disimpan dalam file dengan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini penulis akan menjelaskan mengenai landasan teori yang digunakan pada penelitian ini. Penjabaran ini bertujuan untuk memberikan pemahaman lebih mendalam kepada penulis
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem yaitu dengan melakukan pengambilan data berupa foto fisik dari permukaan buah manggis kemudian melakukan sampling data
Lebih terperinciBAB III METODE FUZZY MAMDANI
29 BAB III METODE FUZZY MAMDANI Fuzzy Inference System merupakan sebuah kerangka kerja perhitungan berdasarkan konsep teori himpunan fuzzy dan pemikiran fuzzy yang digunakan dalam penarikan kesimpulan
Lebih terperinciLOGIKA FUZZY FUNGSI KEANGGOTAAN
LOGIKA FUZZY FUNGSI KEANGGOTAAN FUNGSI KEANGGOTAAN (Membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai/derajat keanggotaannya yang memiliki interval
Lebih terperinciGambar 3.1 Contoh Citra yang digunakan
BAB III DATASET DAN RANCANGAN PENELITIAN Pada bab ini dijelaskan tentang dataset citra yang digunakan dalam penelitian ini serta rancangan untuk melakukan penelitian. 3.1 DATASET PENELITIAN Penelitian
Lebih 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 IV ANALISA HASIL SISTEM. Lingkup uji coba aplikasi web ini adalah pada komputer yang terdapat web server
75 BAB IV ANALISA HASIL SISTEM 4.1 UMUM Lingkup uji coba aplikasi web ini adalah pada komputer yang terdapat web server Apache menggunakan PHP4-PHP5 dengan Apache2Triad sebagai tool dan matlab 6.1 sebagai
Lebih terperinciPengertian Sistem Informasi Geografis
Pengertian Sistem Informasi Geografis Sistem Informasi Geografis (Geographic Information System/GIS) yang selanjutnya akan disebut SIG merupakan sistem informasi berbasis komputer yang digunakan untuk
Lebih terperinciAPLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI)
APLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI) 1Venny Riana Agustin, 2 Wahyu H. Irawan 1 Jurusan Matematika, Universitas
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 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 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 terperinciStudi dan Eksperimen terhadap Kombinasi Warna untuk Kriptografi Visual Warna Kromatik. Ibnu Alam
Studi dan Eksperimen terhadap Kombinasi Warna untuk Kriptografi Visual Warna Kromatik Abstrak Ibnu Alam 13506024 Teknik Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung Jl.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Permintaan, Persediaan dan Produksi 2.1.1 Permintaan Permintaan adalah banyaknya jumlah barang yang diminta pada suatu pasar tertentu dengan tingkat harga tertentu pada tingkat
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Fuzzy secara bahasa diartikan sebagai kabur atau samar yang artinya suatu nilai dapat bernilai benar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotan
Lebih terperinciSPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ
SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ P.A Teknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus 3 UAD, Jl. Prof. Soepomo rochmahdyah@yahoo.com Abstrak Perkembangan teknologi
Lebih terperinciSIMULASI SISTEM UNTUK PENGONTROLAN LAMPU DAN AIR CONDITIONER DENGAN MENGGUNAKAN LOGIKA FUZZY
SIMULASI SISTEM UNTUK PENGONTROLAN LAMPU DAN AIR CONDITIONER DENGAN MENGGUNAKAN LOGIKA FUZZY Nesi Syafitri. N Teknik Informatika, Fakultas Teknik Universitas Islam Riau, Jalan Kaharuddin Nasution No. 3,
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 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 terperinciMetode Mamdani Untuk Klasifikasi Dalam Prediksi Indeks Pembangunan Manusia Di Kota Banda Aceh
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Metode Mamdani Untuk Klasifikasi Dalam Prediksi Indeks Pembangunan Manusia Di Kota Banda Aceh T - 42 Yudha Al Afis, Agus Maman Abadi Prodi Matematika,
Lebih terperinciSebelumnya... Penalaran pada Sistem Pakar. Ketidakpastian dalam Sistem Pakar. Contoh forward chaining & backward chaining
Sebelumnya... Penalaran pada Sistem Pakar Contoh forward chaining & backward chaining Ketidakpastian dalam Sistem Pakar Teori Peluang Teori Bayes Jaringan Bayes Faktor Kepastian Kecerdasan Buatan Pertemuan
Lebih terperinciBAB 2 2. LANDASAN TEORI
BAB 2 2. LANDASAN TEORI Bab ini akan menjelaskan mengenai logika fuzzy yang digunakan, himpunan fuzzy, penalaran fuzzy dengan metode Sugeno, dan stereo vision. 2.1 Logika Fuzzy Logika fuzzy adalah suatu
Lebih terperinciBab III Analisis Sistem
IV. Bab III Analisis Sistem IV.1 Deskripsi Umum Sistem Dalam penelitian ini penulis mengemukakan sistem CBIR yang diberi nama SPECKTRAL (Sistem Pencari Citra dengan Kode Fraktal). Sistem ini dikembangkan
Lebih terperincicepat pada industri komputer. Perkembangan terjadi karena dukungan yang diberikan baik pada perangkat keras atau perangkat lunak untuk pengunaan data
I. PENDAHULUAN 1.1 Latar Belakang Beberapa tahun belakangan ini, telah terjadi perkembangan yang sangat cepat pada industri komputer. Perkembangan terjadi karena dukungan yang diberikan baik pada perangkat
Lebih terperinciBAB II KAJIAN TEORI. Berikut diberikan landasan teori mengenai teori himpunan fuzzy, program
BAB II KAJIAN TEORI Berikut diberikan landasan teori mengenai teori himpunan fuzzy, program linear, metode simpleks, dan program linear fuzzy untuk membahas penyelesaian masalah menggunakan metode fuzzy
Lebih terperinci3. METODE PENELITIAN 3.1 Kerangka Pemikiran
65 3. METODE PENELITIAN 3.1 Kerangka Pemikiran Permasalahan utama yang dihadapi industri gula nasional yaitu rendahnya kinerja khususnya produktivitas dan efisiensi pabrik gula. Untuk menyelesaikan permasalahan
Lebih terperinciBAB II: TINJAUAN PUSTAKA
BAB II: TINJAUAN PUSTAKA Bab ini akan memberikan penjelasan awal mengenai konsep logika fuzzy beserta pengenalan sistem inferensi fuzzy secara umum. 2.1 LOGIKA FUZZY Konsep mengenai logika fuzzy diawali
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 terperinciFUZZY LOGIC CONTROL 1. LOGIKA FUZZY
1. LOGIKA FUZZY Logika fuzzy adalah suatu cara tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Teknik ini menggunakan teori matematis himpunan fuzzy. Logika fuzzy berhubungan dengan
Lebih terperinciREVIEW PENERAPAN FUZZY LOGIC SUGENO DAN MAMDANI PADA SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA DI INDONESIA
Seminar Nasional Sistem Informasi Indonesia, 6 November 2017 REVIEW PENERAPAN FUZZY LOGIC SUGENO DAN MAMDANI PADA SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA DI INDONESIA Anisa Citra Mutia, Aria Fajar Sundoro,
Lebih terperinciProses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum
Prosiding Penelitian SPeSIA Unisba 2015 ISSN: 2460-6464 Proses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum 1 Fitria Tri Suwarmi, 2 M. Yusuf Fajar,
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 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 terperinciIMAGE COLOR FEATURE. Achmad Basuki Politeknik Elektronika Negeri Surabaya
IMAGE COLOR FEATURE Achmad Basuki Politeknik Elektronika Negeri Surabaya Materi: 1. Image Color Feature 2. Application Using Image Color Feature 3. RGB-Cube 4. Histogram RGB Gabungan Layer Color Indeks
Lebih terperinciPENCARIAN CITRA VISUAL BERBASIS ISI CITRA MENGGUNAKAN FITUR WARNA CITRA. Abstract
PENCARIAN CITRA VISUAL BERBASIS ISI CITRA MENGGUNAKAN FITUR WARNA CITRA Kusrini 1, Agus Harjoko 2 1 Dosen STMIK AMIKOM Yogyakarta 2 Dosen FMIPA Universitas Gadjah Mada Yogyakarta Abstract There are two
Lebih terperinciBAB 3 PENGENALAN WAJAH
28 BAB 3 PENGENALAN WAJAH DENGAN PENGENALAN DIMENSION WAJAH BASED DENGAN FNLVQ DIMENSION BASED FNLVQ Bab ini menjelaskan tentang pemodelan data masukan yang diterapkan dalam sistem, algoritma FNLVQ secara
Lebih terperinciBAB I PENDAHULUAN I.1.
15 BAB I PENDAHULUAN I.1. Latar Belakang Citra merupakan salah satu komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakterisitik yang tidak dimiliki
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 terperinciPembentukan Citra. Bab Model Citra
Bab 2 Pembentukan Citra C itra ada dua macam: citra kontinu dan citra diskrit. Citra kontinu dihasilkan dari sistem optik yang menerima sinyal analog, misalnya mata manusia dan kamera analog. Citra diskrit
Lebih terperinciKECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana
Logika Fuzzy KECERDASAN BUATAN (Artificial Intelligence) Materi 8 Entin Martiana 1 Kasus fuzzy dalam kehidupan sehari-hari Tinggi badan saya: Andi menilai bahwa tinggi badan saya termasuk tinggi Nina menilai
Lebih terperinciBAB II Tinjauan Pustaka
23 BAB II Tinjauan Pustaka II.1. Pengolahan Citra Digital Citra yang diperoleh dari lingkungan masih terdiri dari warna yang sangat komplek sehingga masih diperlukan proses lebih lanjut agar image tersebut
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.
Lebih terperinciBAB II. KAJIAN PUSTAKA. Menurut Gorry dan Scott (1970) dalam Turban (2005) Sistem Pendukung
BAB II. KAJIAN PUSTAKA A. Sistem Pendukung Keputusan Menurut Gorry dan Scott (1970) dalam Turban (2005) Sistem Pendukung Keputusan (DSS) merupakan sistem berbasis komputer interaktif, yang membantu para
Lebih terperinciIMPLEMENTASI METODE FUZZY UNTUK KLASIFIKASI USIA JERUK NIPIS
IMPLEMENTASI METODE FUZZY UNTUK KLASIFIKASI USIA JERUK NIPIS Hendry Setio Prakoso 1, Dr.Eng. Rosa Andrie.,ST.,MT 2, Dr.Eng. Cahya Rahmad.,ST.,M.Kom 3 1,2 Teknik Informatika, Teknologi Informasi, Politeknik
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Menginterprestasi sebuah citra untuk memperoleh diskripsi tentang citra tersebut melalui beberapa proses antara lain preprocessing, segmentasi citra, analisis
Lebih terperinciPENDETEKSIAN TEPI OBJEK MENGGUNAKAN METODE GRADIEN
PENDETEKSIAN TEPI OBJEK MENGGUNAKAN METODE GRADIEN Dolly Indra dolly.indra@umi.ac.id Teknik Informatika Universitas Muslim Indonesia Abstrak Pada tahap melakukan ekstraksi ciri (feature extraction) faktor
Lebih terperinciHimpunan Fuzzy. Sistem Pakar Program Studi : S1 sistem Informasi
Himpunan Fuzzy Sistem Pakar Program Studi : S1 sistem Informasi Outline Himpunan CRISP Himpunan Fuzzy Himpunan CRISP Pada himpunan tegas (crisp), nilai keanggotaan suatu item dalam suatu himpunan A, yang
Lebih terperinciJurnal Informatika SIMANTIK Vol. 2 No. 2 September 2017 ISSN:
PENERAPAN LOGIKA FUZZY UNTUK MENENTUKAN MAHASISWA BERPRESTASI DI STMIK CIKARANG MENGGUNAKAN JAVA NETBEANS DAN MYSQL Ema Dili Giyanti 1), Ali Mulyanto 2) 1) Program Studi Teknik Informatika, STMIK Cikarang
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Logika Fuzzy Logika fuzzy merupakan suatu metode pengambilan keputusan berbasis aturan yang digunakan untuk memecahkan keabu-abuan masalah pada sistem yang sulit dimodelkan
Lebih terperinciBAB IV IMPLEMENTASI DAN HASIL PENGUJIAN
BAB IV IMPLEMENTASI DAN HASIL PENGUJIAN 4.1 Implementasi Sistem Implementasi sistem merupakan tahapan dimana sistem yang telah dirancang sebelumnya dapat berjalan dan dioperasikan. Implementasi sistem
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 terperinciSISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON
30 BAB IV SISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON 4.1 Gambaran Umum Sistem Diagram sederhana dari program yang dibangun dapat diilustrasikan dalam diagram konteks berikut. Gambar
Lebih terperinciFuzzy Inference System untuk Mengurangi Kemacetan di Perempatan Jalan
Fuzzy Inference System untuk Mengurangi Kemacetan di Perempatan Jalan Edwin Romelta / 13508052 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha
Lebih terperinciPenerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi
Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi Berdasarkan Data Persediaan dan Jumlah Permintaan Ria Rahmadita Surbakti 1), Marlina Setia Sinaga 2) Jurusan Matematika FMIPA UNIMED riarahmadita@gmail.com
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini berisi tentang teori mengenai permasalahan yang akan dibahas
BAB II LANDASAN TEORI Pada bab ini berisi tentang teori mengenai permasalahan yang akan dibahas dalam pembuatan tugas akhir ini. Secara garis besar teori penjelasan akan dimulai dari definisi logika fuzzy,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Pengerjaan tugas akhir ini ditunjukkan dalam bentuk blok diagram pada gambar 3.1. Blok diagram ini menggambarkan proses dari sampel citra hingga output
Lebih terperinciFuzzy Expert Sistem. Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2015
Fuzzy Expert Sistem Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2015 Ketentuan Praktikum Lembar Kerja Praktikum ini dibuat sebagai panduan bagi mahasiswa
Lebih terperinciANALISIS SEGMENTASI CIRI CITRA BUAH DAN BUNGA DENGAN INVARIANT MOMENT DAN ALGORITMA THRESHOLD
ANALISIS SEGMENTASI CIRI CITRA BUAH DAN BUNGA DENGAN INVARIANT MOMENT DAN ALGORITMA THRESHOLD A Haris Rangkuti 1 1 Jurusan Teknik Informatika, Fakultas Ilmu Komputer,Universitas Bina Nusantara Jl. KH Syahdan
Lebih terperinciBAB II TEORI DASAR. Beberapa definisi tentang tutupan lahan antara lain:
BAB II TEORI DASAR 2.1 Tutupan Lahan Tutupan Lahan atau juga yang biasa disebut dengan Land Cover memiliki berbagai pengertian, bahkan banyak yang memiliki anggapan bahwa tutupan lahan ini sama dengan
Lebih terperinci