BAB II STUDI PUSTAKA
|
|
- Ade Sudirman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB II STUDI PUSTAKA 2.1 Tinjauan Pustaka Penelitian pengolahan citra menggunakan metode transformasi curvelet telah banyak dilakukan sebelumnya dengan berbagai macam klasifikasi yang digunakan, salah satunya pada penelitian yang dilakukan oleh Taufiq, Adiwijawa, & Wirayuda, (2010) dalam penelitiannya yang berjudul Analisis dan Implementasi Content Based Image Retrieval Menggunakan Metode Curvelet Transform menggunakan metode CBIR (Content-Based Image Retrieval) untuk meng-capture informasi sisi dari citra yang kemudian dihasilkan matriks koefisien curvelet. Sebagai ciri tekstur yang merepresentasikan citra tersebut digunakan perhitungan nilai mean dan standar deviasi untuk mendapatkan koefisien curvelet. Hasil dari penelitian ini cukup baik untuk hasil pencarian citra (image retrieval) yang lebih akurat. Metode transformasi curvelet juga digunakan oleh Al-Marzouqi & AlRegib, (2012) dalam penelitiannya yang berjudul Curvelet Transform with Adaptive Tiling mempelajari pengaruh penyesuaian kadar frekuensi pada transformasi kusor dan menyelidiki pengaruh ukuran tingkat yang paling rendah dan hubungannya dengan kinerja denoising. Pada penelitian ini juga mengenalkan algoritma untuk secara otomatis memilih jumlah dekomposisi optimal. Kinerjanya menunjukkan keuntungan yang jelas, dalam denoising aplikasi, bila dibandingkan dengan dekomposisi penguraian default. 6
2 7 Untuk sistem pengenalan kendaraan yang dilakukan oleh Kazemi, Samadi, Poorreza, & Akbarzadeh-T, (2007) juga menggunakan metode transformasi curvelet dalam penelitiannya Vehicle Recognition Using Curvelet Transform and SVM mengusulkan kinerja algoritma baru untuk sistem pengenal kendaraan. Sistem pengenalan ini didasarkan pada fitur kinerja transformasi kurva gambar dan koefisien matriks standar deviasi dalam skala yang berbeda dan berbagai orientasi. Penelitian ini menyajikan tiga jenis klasifikasi yang berbeda untuk pengenalan kendaraan yaitu Support Vektor Machine (one versus one), k nearestneighbor, dan Support Vektor Machine (one versus all). Selain itu, sistem pengenalan yang diusulkan diperoleh dengan menggunakan informasi skala yang berbeda sebagai vektor fitur. Sehingga, mereka bisa mengklarifikasi skala yang paling penting dalam aspek informasi yang berguna. Percobaan numerik yang dilakukan untuk pengenalan kendaraan telah menunjukkan superioritas proses preprocessing curvelet dan standar deviasi, yang terkait dengan struktur Support Vector Machine (one versus one). Hasil uji ini menunjukkan, tingkat pengenalan yang tepat dari model kendaraan dalam sistem pengenalan ini, pada saat menggunakan matriks jumlah total informasi matriks koefisien curvelet 3 & 4 adalah sekitar 99 %. Pada penelitian ini telah mengumpulkan data yang mencakup 300 gambar dari 5 kelas kendaraan yang berbeda. Ke 5 kelas kendaraan ini meliputi PEUGEOT 206, PEUGEOT 405, Pride, RENAULT55 dan Peykan. Penelitian menggunakan metode curvelet pada buah telah dilakukan oleh Khoje, Bodhe, & Adsul, (2013) dalam penelitiannya Automated Skin Defect Identification System for Fruit Grading Based on Discrete Curvelet Transform bertujuan untuk mengembangkan metodologi penilaian kualitas buah secara
3 8 objektif dengan menggunakan analisis tekstur berdasarkan Curvelet Transform. Sebagai pendekatan multiresolusi, curvelet memiliki kemampuan untuk memeriksa permukaan buah dengan resolusi rendah dan tinggi untuk mengekstrak detail global dan lokal tentang permukaan buah. Penelitian ini menggunakan 4 ekstraksi ciri yaitu energy, entropy, mean, dan standar deviasi yang digunakan untuk mengkarakterisasi tekstur permukaan buah. Fitur yang digunakan untuk mengklarifikasi permukaan buah adalah Support Vector Machine (SVM) dan Probabilistik Neural Networks (PNN) dan kinerja pengklasifikasi diuji untuk dua kategori grading buah yaitu sehat dan cacat. Hasil penelitian menunjukkan bahwa klasifikasi SVM terbaik diperoleh dengan akurasi 96 %. Studi ini menyimpulkan bahwa dengan transformasi curvelet memberikan wawasan menjanjikan untuk memperkirakan kerusakan kulit buah. Penelitian menggunakan metode curvelet juga banyak dilakukan pada objek lainnya seperti untuk mangatasi masalah pengenalan wajah yang dilakukan oleh Mandal, Majumdar, & Wu, (2007) dalam penelitiannya Face Recognition by Curvelet Based Feature Extraction transformasi wavelet telah banyak digunakan untuk mengatasi masalah pengenalan wajah. Namun, penelitian ini menunjukkan bahwa transformasi curvelet menjadi metode yang lebih baik dari pada transformasi wavelet. Pada penelitian ini, ekstraksi fitur telah dilakukan dengan mengambil transformasi curvelet dari masing-masing gambar asli dan representasi 4 bit dan 2 bit terkuantisasi. Transformasi curvelet diperoleh sebagai fitur yang ditetapkan untuk pengklasifikasi pengenalan wajah. Penelitian ini menggunakan Support Vector Machine untuk menentukan klasifikasi akhir. Percobaan dilakukan pada tiga database yaitu Georgia Tech Face Database,
4 9 AT&T The Database of Faces dan Essex Grimace Face Database. Mandal menunjukkan bahwa curvelet memang bisa menggantikan wavelet sebagai pengklasifikasi pengenalan wajah. Pengklasifikasian jenis tumor menggunakan transformasi curvelet dilakukan oleh Prabha & Sasikala, (2013) dalam penelitiannya Texture Classification Using Curvelet Transform menggunakan Magnetic Resonance Imaging (MRI) yang pada saat itu merupakan teknik pencitraan diagnostic yang sangat diperlukan untuk deteksi dini adanya perubahan abnormal pada jaringan dan organ tubuh. MRI memiliki resolusi kontras yang cukup baik untuk jaringan yang berbeda. Meskipun MRI dapat dengan jelas memasok lokasi dan ukuran tumor, tidak dapat mengklasifikasi jenis tumor. Keterbatasan ini memerlukan pengembangan teknik analisis baru yang akan meningkatkan kemampuan diagnostik. Salah satu teknik yang menjanjikan adalah analisis tekstur, yang menjadi ciri jaringan untuk menentukan perubahan karakteristik fungsional organ pada saat timbulnya penyakit. Pada klasifikasi tekstur berdasarkan transformasi curvelet telah dilakukan. Fitur bertekstur curvelet diekstrak dari wilayah yang diamati. Fitur tersebut terdiri entropi dan energy. Algoritma fuzzy-c-means digunakan sebagai classifier untuk mengklasifikasikan dua kumpulan gambar otak, tumor jinak dan tumor ganas. Hasilnya dengan transformasi curvelet bisa melampaui teknik multi resolusi lainnya yang menghasilkan tingkat akurasi tinggi. Transformasi curvelet untuk mendeteksi citra tulisan tangan yang dilakukan oleh Hendri, Hidayat, & Dayawati, (2012) dalam penelitiannya Analisis Performansi Sistem Deteksi Citra Tulisan Tangan Menggunakan
5 10 Transformasi Curvelet dan K-Nearest Neighbor menggunakan metode Transformasi Curvelet dan proses pengenalan karakter menggunakan metode K- Nearest Neighbor sehingga dapat dibedakan tulisan seseorang dengan tulisan orang lain. Citra yang akan dijadikan input adalah citra dengan format.jpg. selanjutnya dilakukan ekstraksi ciri menggunaan Transformasi Curvelet. Pengujian dilakukan dengan melakukan analisis terhadap beberapa parameter. Parameter tersebut merupakan jumlah data latih yang digunakan, normalisasi, ukuran block dan nilai overlap pada block overlapping, skala dan orientasi pada curvelet, distance dan nilai K pada KNN yang menghasilkan akurasi terbaik pada sistem (Hendri, 2012). Performansi sistem mencapai akurasi tertinggi saat menggunakan parameter jumlah data latih 30 dan sampel 9, normalisasi dengan ukuran 200 x 50, ukuran block 10x10, nilai overlap 7, skala 2 orientasi 8, distance city block dan nilai K=7, sehingga diperoleh akurasi sistem sebesar 96,30% (Hendri dkk, 2012). Dari beberapa tinjauan pustaka, ekstraksi ciri yang digunakan untuk melakukan klasifikasi adalah energy, entropy, mean, dan standar deviasi. Pada penelitian kali ini mendeteksi cacat pada permukaan buah manggis berbasis metode pengolahan citra menggunakan metode transformasi curvelet. Dengan menggunakan berbagai ekstraksi ciri yaitu mean, energy, entropy, standard deviation, variance, sum, correlation, contrast, dan homogeneity untuk mengkarakterisasi tekstur permukaan buah. Fitur yang digunakan untuk mengklarifikasi permukaan buah adalah Linear Discriminant Analysis (LDA).
6 Landasan Teori Cacat Permukaan Cacat permukaan pada buah manggis sebagai penentu mutu manggis. Kualitas mutu manggis dilihat berdasarkan sifat fisik luar yang dapat diamati dengan cara mengetahui berat, ukuran atau warna dari manggis tersebut. Sedangkan kualitas buah manggis bagian dalam, dapat diamati dengan mengetahui adanya kerusakan atau tidak. Kerusakan dapat dilihat dari apakah terdapat getah kuning dan segmen yang bening pada manggis atau tidak (Priyambodo, 2007) Pengertian Citra Digital Citra merupakan gambar pada bidang dua dimensi atau dapat diartikan juga sebagai pantulan cahaya pada bidang dua dimensi yang terekam pada media rekam seperti penginderaan optik, kamera, dan lain sebagainya. Bayangan objek akan direkam sesuai intensitas cahaya yang mengenainya. Apabila peranti perekam berupa mesin digital, maka akan menghasilkan citra berupa citra digital (Nugroho, 2015). Citra digital adalah array yang berisi nilai real maupun komplek yang direpresentasikan dalam deretan bit tertentu. Suatu citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitude f di titik koorninat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut (Lathief, 2016).
7 12 Gambar 2. 1 Koordinat citra digital (Putra, 2010) Pengertian Pengolahan Citra Digital Pengolahan citra digital merupakan tata cara mengolah citra dalam ranah digital agar dapat digunakan untuk suatu tujuan tertentu. Umumnya pengolahan citra digital digunakan untuk membuat suatu citra menjadi lebih baik dan memperjelas info yang tekandung di dalamnya. Pada aplikasi pengolahan citra pada umumnya dibagi menjadi 3, yakni citra berwarna, citra grayscale dan citra biner (Kusumanto, Pambudi, & Tompuno, 2012). Pengolahan dilakukan dengan menggunakan algoritma komputer dengan cara mengubahnya menjadi data gambar untuk mendapat informasi yang diperlukan. Pengolahan citra memungkinkan penggunaan algoritma untuk proses pembersihan gangguan citra, pemampatan, penyesuaian citra, pemotongan, dan sebagainya tergantung oleh tujuan citra tersebut diolah (Nugroho, 2015).
8 Citra RGB Citra RGB adalah jenis citra yang memberikan warna dalam bentuk komponen R (red), G (green), dan B (blue). Setiap komponen warna menggunakan 8 bit (nilai tersebut berkisar antara 0 sampai dengan 255). Kemungkinan warna yang dapat di sajikan mencapai 255x255x255 atau warna (Kadir & Susanto, 2013). Gambar 2. 2 Contoh citra RGB Citra RGB menampilkan objek seperti aslinya (meskipun tidak selalu tepat). Warna-warna yang terlihat oleh mata manusia merupakan hasil kombinasi cahaya dengan panjang gelombang yang berbeda Citra Abu-abu (Grayscale) Citra grayscale adalah citra yang nilai pixel-nya merepresentasikan derajat keabuan atau intensitas warna putih. Warna hitam direpresentasikan pada nilai intensitas paling rendah sedangkan warna putih direpresentasikan pada nilai intensitas paling tinggi. Pada umumnya citra grayscale memiliki kedalaman pixel
9 14 8 bit (256 derajat keabuan), tetapi ada pula citra grayscale yang kedalaman pixelnya bukan 8 bit, misalnya 16 bit untuk penggunaan yang memerlukan ketelitian tinggi (Nurbaeti, 2015). Gambar 2. 3 Citra Grayscale Citra Biner Citra biner merupakan citra yang hanya terdiri dari dua warna yaitu hitam dan putih. Setiap pixel pada citra biner direpresentasikan dengan 1 bit. Citra biner hanya memiliki dua nilai derajat keabuan : hitam dan putih. Pixel-pixel objek bernilai 1 dan pixel-pixel latar belakang bernilai 0. Pada saat menampilkan suatu gambar, 0 adalah putih dan 1 adalah hitam. Jadi pada citra biner, latar belakang berwarna putih sedangkan objek berwarna hitam (Nurbaeti, 2015). Contoh nilai biner ditampilkan pada Gambar 2.4
10 15 Gambar 2. 4 Citra biner (kiri). Representasi citra biner (kanan) Transformasi Curvelet Curvelet merupakan metode transformasi yang mewakili fungsi kurva yang muncul dari transformasi wavelet yang kurang efisien karena fungsi linier mengakibatkan pembusukan gambar (decompose image) dengan cara isotropic. Untuk dapat berjalan dengan baik pada transformasi wavelet diperlukan lebih banyak koefisien dari gambar. Gambar yang memiliki banyak level dari decompositions mengakibatkan dibutuhkan waktu yang lama. Pada metode curvelet, fungsi utama dari kurva dihasilkan dari persamaan skala (scaling law) width = length 2. Metode curvelet ini dapat berjalan secara multiskala transformasi yang beroperasi pada gambar dengan cara anisotropic, hal ini mengurangi koefisien curvelet dan mengurangi waktu yang dibutuhkan sehingga memberikan metode terbaik dibandingkan dengan trasnformasi wavelet (Jianwei & Plonka, 2010), perbandingan transformasi wavelet dan curvelet dapat dilihat pada gambar 2.5.
11 16 Gambar 2. 5 Perbandingan transformasi wavelet (kiri) dan curvelet (kanan) Termotivasi oleh kebutuhan analisis citra, Candes dan Donoho mengembangkan transformasi curvelet pada tahun Transformasi curvelet dapat memberikan representasi sinyal yang jarang yang memiliki tepi sepanjang kurva biasa. Kontruksi awal curvelet kemudian didesain ulang dan diperkenalkan kembali sebagai Fast Digital Curvelet Transform (FDCT) (Candes, Demanet, Donoho, & Ying, 2007). Transformasi curvelet generasi kedua ini dimaksudkan agar lebih mudah dipahami dan digunakan. Transformasi curvelet didefinisikan dalam domain kontinyu dan digital untuk dimensi yang lebih tinggi. Karena ekstraksi fitur berbasis gambar hanya membutuhkan 2D FDCT.
12 17 Gambar 2. 6 Irisan transformasi Curvelet (kiri) dan spasial domain (kanan) Untuk mengimplementasikan transformasi curvelet, langkah pertama yang dilakukan adalah dengan cara mengambil gambar 2D dengan menggunakan 2D Fast Fourier Transform (FFT). Kemudian bidang frekuensi Fourier 2D dibagi menjadi potongan (seperti daerah yang diarsir pada gambar 2.5). Bentuk parabola yang tersusun dari irisan-irisan pada gambar adalah hasil dari pembagian fourier plane menjadi radial (lingkaran konsentris) dan perpecahan dari sudut lingkaran. Lingkaran konsentris bertanggung jawab atas penguraian gambar menjadi beberapa skala (digunakan untuk membatasi citra pada skala yang berbeda) dan pembagian sudut memposisikan gambar yang dilewati ke sudut atau orientasi yang berbeda. Jadi untuk menghadapi irisan tertentu kita harus menentukan skala j dan angle θ. Domain spasial pada gambar sebelah kanan, masing-masing wedges di sini sesuai dengan curvelet tertentu (ditunjukkan sebagai elips) pada skala dan sudut tertentu. Ini menunjukkan bahwa FFT terbalik dari irisan tertentu jika akan menentukan koefisien curvelet untuk skala dan sudutnya.
13 18 Ada dua implementasi digital FDCT yang berbeda, USFFT (Unequally Spaced Fast Fourier Transform) dan Wrapping. Kedua variannya linier dan mengambil sebagai masukan array Cartesian untuk menghasilkan output dari koefisien diskrit. Dua implementasi hanya berbeda dalam pemilihan grid spasial untuk menerjemahkan curvelet pada setiap skala dan sudut. FDCT wrapping adalah transformasi curvelet tercepat yang ada saat ini (Candes, Demanet, Donoho, & Ying, 2007) Ekstraksi Ciri Ekstraksi ciri merupakan proses mengambil informasi ciri dari suatu bentuk, nilai yang didapat kemudian digunakan sebagai bahan analisis. Ekstraksi ciri dilakukan untuk memperolah suatu pola dari citra yang akan digunakan untuk pelatihan maupun citra yang akan digunakan untuk pengujian. Metode ekstraksi ciri yang digunakan pada penelitian ini adalah ekstraksi ciri statistik. Ciri citra dihitung menggunakan rumus sebagai berikut: 1. Mean Mean adalah nilai rata-rata atau rata-rata dari array. Untuk vector variable acak A yang terdiri dari pengamatan scalar N, meannya didefinisikan pada persamaan (2.1) : (MathWorks) N μ = 1 A N i=1 i... (2.1) Nilai rata-rata dihitung dengan cara menjumlahkan nilai setiap piksel dari piksel ke-1 sampai ke-n kemudian dibagi dengan jumlah piksel yang ada.
14 19 2. Energy Energy menyatakan tingkat keseragaman piksel-piksel suatu citra. Semakin tinggi nilai energy, maka semakin seragam teksturnya (Kusumaningsih, 2009). Persamaan untuk menghitung energy dapat dilihat pada persamaan (2.2) : 3. Entropy Energy = P(i, j) 2 i,j... (2.2) Entropy adalah ukuran statistik keacakan piksel-piksel suatu citra yang dapat digunakan untuk mengkarakterisasi tekstur gambar masukan. Entropy didefinisikan pada persamaan (2.3) : E = sum(p. log2 (p))... (2.3) Dimana p berisi jumlah histogram yang dikembalikan dari imhist. Secara default, entropy menggunakan dua tempat untuk array logik dan 256 tempat untuk uint8, uint16, atau double array (MathWorks). 4. Standard Deviation Untuk vector variable acak A yang terdiri dari pengamatan skalar N, standar deviasi didefinisikan pada persamaan (2.4) : S = 1 N A N 1 i=1 i μ 2...(2.4) Dimana μ adalah mean dari A N μ = 1 A N i=1 i...(2.5)
15 20 Standard deviasi adalah akar kuadrat dari varian. Beberapa definisi standard deviasi menggunakan faktor normalisasi N bukan N-1, yang dapat ditentukan dengan menetapkan w ke 1 (MathWorks). 5. Variance Variance adalah kuadrat dari standar deviasi. Variance memberi ukuran deviasi sinyal dari nilai meannya. Untuk input yang benar-benar nyata atau imajiner, u, dengan ukuran M oleh N, variancenya diberikan oleh persamaan (2.6) : (MathWorks) y = σ 2 = u ij 2 i=1 j=1 uij M i=1 N j=1 M N M N 1 M N (2.6) u ij adalah elemen data masukan pada indeks i, j. M adalah panjang kolom jth N adalah jumlah kolom Untuk input yang kompleks, variancenya diberikan dengan persamaan (2.7) : σ 2 = σ 2 2 Re + σ Im......(2.7) 2 σ Re adalah varian dari bagian sebenarnya dari input kompleks. 2 σ Im adalah varian bagian imajiner dari input komples. 6. Sum Sum merupakan jumlah elemen array. Jumlah adalah hasil penambahan (Weisstein, Eric W, 1999). Persamaan untuk menghitung sum dapat dilihat pada persamaan (2.8) : n i=1 a i...(2.8)
16 21 7. Correlation Correlation menyatakan suatu ukuran hubungan antara linear dari nilai graylevel piksel ketetanggan (Kusumaningsih, 2009). Persamaan untuk menghitung energy dapat dilihat pada persamaan (2.9) : (i μ i )(j μ j)p(i,j) Correlation = i,j...(2.9) σ i σ i 8. Contrast Contrast menyatakan kandungan variasi lokal pada citra. Semakin tinggi nilai contrast maka semakin tinggi tingkat kekontrasannya (Kusumaningsih, 2009). Persamaan untuk menghitung contrast dapat dilihat pada persamaan (2.10) : Contrast = i,j i j 2 P(i, j)...(2.10) 9. Homogeneity Homogeneity menyatakan ukuran kedekatan setiap elemen dari cooccurrence matrix (Kusumaningsih, 2009). Homogeneity mengembalikan nilai yang mengukur kedekatan distribusi elemen dalam GLCM (Gray-level Co-occurrence Matrix) ke diagonal GLCM. Persamaan untuk menghitung homogeneity dapat dilihat pada persamaan (2.11) : p(i,j) i,j...(2.11) 1+ i j Range = [0 1] Homogeneity adalah 1 untuk GLCM diagonal (MathWorks).
17 Linear Discriminant Analysis (LDA) Analisis diskriminan merupakan teknik analisis statistika dependensi yang berguna untuk mengklasifikasi beberapa kelompok objek. Pengelompokan analisis diskriminan ini terjadi karena pengaruh satu atau lebih variable lain yang merupakan variable independen. Fungsi diskriminan terbentuk dari kombinasi linear dari variable-variabel (Tatham et. al., 1998). Linear Discriminant Analysis adalah skema yang terkenal untuk ekstraksi fitur dan pengurangan dimensi. LDA telah digunakan secara luas di banyak aplikasi pengenalan wajah, pengambilan gambar, klasifikasi data microarray, dan lain-lain. LDA klasik memproyeksikan data ke ruang vektor dengan dimensi lebih rendah sehingga rasio antara jarak kelas ke dalam kelas dimaksimalkan, sehingga mencapai diskriminasi maksimal. Proyeksi optimal (transformasi) dapat dengan mudah dihitung dengan menerapkan komposisi eigendecomposition pada matrik scatter. Keterbatasan intrinsik LDA klasik adalah bahwa fungsi objektifnya memerlukan nonsingularitas dari salah satu matrik scatter. Untuk banyak aplikasi, seperti pengenalan wajah, semua matrik scatter yang dipertanyakan bisa jadi unik karena datanya berasal dari ruang berdimensi sangat tinggi, dan secara umum, dimensi melebihi jumlah titik data. Ini dikenal sebagai masalah undersampled atau singularity (S, J, & T., 2002). Linear Discriminant Analysis dengan mudah menangani kasus dimana frekuensi di dalam kelas tidak sama dan kinerjanya telah diperiksa pada data uji yang dihasilkan secara acak. Metode ini memaksimalkan rasio varians antar kelas dengan varians dalam kelas pada kumpulan data tertentu sehingga menjamin
18 23 pemisahan maksimal. Penggunaan Linear Discriminant Analysis untuk klasifikasi data diterapkan pada masalah klasifikasi dalam pengenalan suara. Beberapa tujuan dari Linear Discriminant Analysis antara lain (A'la, 2016): 1. Menentukan perbedaan antara beberapa karakteristik yang diteliti untuk membedakan dua atau lebih kelompok. 2. Menentukan variable bebas yang memberikan kontribusi penting untuk membedakan nilai rata-rata diskriminan dari dua atau lebih kelompok. Model analisis diskriminan dengan kombinasi linear mempunyai bentuk sebagai berikut: Y = b 0 + b 1 X 1 + b 2 X b k X k... (2.10) Keterangan: Y = nilai (skor) diskriminan dan merupakan variable terikat. X k = variable (atribut) ke-k dan merupakan variable bebas b k = koefisien diskriminan/bobot dari variable (atribut) ke-k Dalam proses ekstraksi ciri kualitas permukaan buah manggis menerima masukan berupa citra hasil capture berformat.jpg kemudian diubah ke format grayscale. Kumpulan citra yang menjadi masukan dalam matriks transformasi atau disebut dengan training set. Kumpulan citra yang menjadi uji pengenalan disebut dengan testing set (A'la, 2016). Citra masukan dipetakan kedalam suatu nilai yang merepresentasikan tingkat keabuan dari piksel pada posisi yang
19 24 bersesuaian. Nilai-nilai keabuan dari suatu citra kemudian disimpan dalam bentuk vektor baris, yang disebut sebagai vektor citra K-Fold Cross Validation Cross Validation adalah suatu teknik untuk mengetahui nilai keakuratan sebuah model yang dibentuk berdasarkan dataset tertentu. Model ini bertujuan untuk melakukan prediksi pada suatu data baru yang data tersebut belum pernah muncul pada dataset. Ada dua jenis data pada cross validation yaitu data latih/training dan data uji/testing. Data latih/testing yaitu data yang digunakan pada proses pembangunan data model, sedangkan data uji/testing yaitu data yang akan digunakan untuk validasi model. Salah satu metode cross-validation adalah K-Fold Cross Validation. Pada teknik ini dataset yang digunakan akan dibagi menjadi K-buah partisi secara acak (Muafiq, 2016). Untuk memperoleh nilai akurasi atau nilai lainnya dari hasil eksperimen yang dilakukan, diambil dari nilai rataan seluruh eksperimen. Gambaran 4-Fold Cross Validation ditunjukan pada gambar 2.7. Gambar 2. 7 Data set pada K-Fold Cross Validation
BAB 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 III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih terperinciBAB II STUDI PUSTAKA
BAB II STUDI PUSTAKA 2.1 Tinjauan Pustaka Tinjauan pustaka dilakukan sebagai acuan dan kajian terhadap penelitian ini. Dengan dilakukannya tinjauan pustaka terhadap penelitian-penelitian terdahulu yang
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengenalan Wajah Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem keamanan selain pengenalan retina mata, pengenalan sidik jari
Lebih terperinciBAB II 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 STUDI PUSTAKA
BAB II STUDI PUSTAKA 2.1 Tinjauan Pustaka Penelitian tentang pendeteksi pemutuan pada buah manggis telah dilakukan sebelumnya, salah satunya oleh Sandra (2007) dalam penelitiannya yang berjudul Pengembangan
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 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih terperinciBAB 3 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 terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
Lebih terperinciBAB 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 terperinciAPLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira 50408896 Dr. Karmilasari Kanker Latar Belakang Kanker
Lebih terperinciLEMBAR PENGESAHAN TUGAS AKHIR...
DAFTAR ISI HALAMAN SAMPUL... i HALAMAN JUDUL... ii PERNYATAAN... iii LEMBAR PENGESAHAN TUGAS AKHIR... iv BERITA ACARA TUGAS AKHIR... v KATA PENGANTAR... vi ABSTRAK... vii ABSTRACT... viii DAFTAR ISI...
Lebih terperinci3. BAB II STUDI PUSTAKA
3. BAB II STUDI PUSTAKA 2.1. Tinjauan Pustaka Tinjauan pustaka dilakukan sebagai acuan dan kajian terhadap penelitian ini, Dengan dilakukan tinjauan pustaka terhadap penelitian-penelitian terdahulu yang
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 STUDI PUSTAKA. T. C. Ling, dkk., (2008) dalam penelitiannya Automated Pavement
5 BAB II STUDI PUSTAKA 2.1 Tinjauan Pustaka T. C. Ling, dkk., (2008) dalam penelitiannya Automated Pavement Imaging Program (APIP) for Pavement Cracks Classification and Quantification A Photogrammetric
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 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 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Bab ini membahas landasan teori yang bersifat ilmiah untuk mendukung penulisan penelitian ini. Teori-teori yang dibahas mengenai pengertian citra, jenis-jenis citra digital, metode
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 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 terperinci2.Landasan Teori. 2.1 Konsep Pemetaan Gambar dan Pengambilan Data.
6 2.Landasan Teori 2.1 Konsep Pemetaan Gambar dan Pengambilan Data. Informasi Multi Media pada database diproses untuk mengekstraksi fitur dan gambar.pada proses pengambilan, fitur dan juga atribut atribut
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka tentang identifikasi iris mata ataupun identifikasi citra digital sudah pernah dilakukan sebelumnya, berikut merupakan tabel perbandingan terhadap
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Citra Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek. Citra sebagai keluaran suatu system perekaman data dapat bersifat optik berupa foto,
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 IV HASIL DAN PEMBAHASAN. Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah
BAB IV HASIL DAN PEMBAHASAN A. Data Sampel Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah sampel beras B, 1 buah sampel beras C, dan 2 buah sampel beras D. 1. Data Pengujian Mutu Beras
Lebih 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 II STUDI PUSTAKA. sudah banyak dilakukan. Penelitian-penelitian tersebut menggunakan berbagai
BAB II STUDI PUSTAKA 2.1 Tinjauan Pustaka Penelitian tentang klasifikasi buah dengan menggunakan pengolahan citra sudah banyak dilakukan. Penelitian-penelitian tersebut menggunakan berbagai macam metode
Lebih terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih 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 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 terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Identifikasi Masalah Identifikasi permasalahan ini bahwasanya diambil dari sudut pandang masyarakat tentang objek (batik) yang dikenal dari segi pola dan gambar
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. Latar Belakang
Latar Belakang PENDAHULUAN Penelitian mengenai pengenalan wajah termotivasi oleh banyaknya aplikasi praktis yang diperlukan dalam identifikasi wajah. Pengenalan wajah sebagai salah satu dari teknologi
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
35 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Implementasi GUI GUI diimplementasikan sesuai dengan program pengolah citra dan klasifikasi pada tahap sebelumya. GUI bertujuan untuk memudahkan pengguna mengidentifikasi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan studi (state of the art) Berikut penelitian yang telah dilakukan sebelumnya : 1. Penelitian dilakukan oleh Sigit Sugiyanto Feri Wibowo (2015), menjelaskan tentang klasifikasi
Lebih terperinciEKSTRAKSI CIRI TRANSFORMASI CURVELET DISKRIT UNTUK MENDETEKSI KERUSAKAN PERMUKAAN BUAH MANGGIS SKRIPSI
EKSTRAKSI CIRI TRANSFORMASI CURVELET DISKRIT UNTUK MENDETEKSI KERUSAKAN PERMUKAAN BUAH MANGGIS SKRIPSI Disusun Guna Memenuhi Persyaratan Untuk Mencapai Derajat Strata-1 Pada Prodi Teknik Informatika Fakultas
Lebih terperinciPenyusun Tugas Akhir Alvian Adi Pratama [ ] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom.
Penyusun Tugas Akhir Alvian Adi Pratama [5106100108] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom. Latar Belakang Batik merupakan harta kebudayaan Indonesia yang
Lebih terperinciBAB 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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap
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 terperinciHASIL DAN PEMBAHASAN. Tabel 1 Operator descriptor
Tabel 1 Operator descriptor Operator (P, R) Ukuran Blok (piksel) Kuantisasi Sudut (8, 1) 3 x 3 45 derajat (8, 2) 5 x 5 45 derajat (16, 2) 5 x 5 22.5 derajat (24, 3) 7 x 7 15 derajat Penentuan ukuran blok
Lebih terperinciBAB III METODE PENELITIAN. Tujuan tugas akhir ini akan membangun suatu model sistem yang
BAB III METODE PENELITIAN 3.1 Model Pengembangan Tujuan tugas akhir ini akan membangun suatu model sistem yang melakukan proses data mulai dari pengolahan citra otak hingga menghasilkan output analisa
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra 2.1.1 Definisi Citra Secara harfiah, citra adalah gambar pada bidang dwimatra (dua dimensi). Jika dipandang dari sudut pandang matematis, citra merupakan hasil pemantulan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Kanker payudara merupakan salah satu penyebab kematian yang sering dialami oleh wanita pada usia lanjut. Tercatat bahwa pada tahun 2011, terdapat lebih
Lebih terperinciBAB 3 METODOLOGI. untuk mengurangi adanya false positive dan false negative. False positive dalam hal ini
34 BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah Dalam proses diagnosis kanker payudara dibutuhkan akurasi yang tinggi untuk mengurangi adanya false positive dan false negative. False positive dalam
Lebih terperinciBAB 3 METODOLOGI. melakukan pengamatan dan analisis dari gambar yang didapat. Untuk bisa mendapatkan
BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah 3.1.1 Analisis Kebutuhan Dalam melakukan analisa gambar mammogram, biasanya dokter secara langsung melakukan pengamatan dan analisis dari gambar yang
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 5, No. 1 (2016) 158-163 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone IDENTIFIKASI JENIS PENYAKIT DAUN TEMBAKAU MENGGUNAKAN METODE GRAY LEVEL
Lebih 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 terperinciKlasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor
Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor Puspa Rizky Trisnaningtyas 1, Maimunah 2 Program Studi Teknik Komputer Universitas Islam 45 Bekasi, Indonesia
Lebih terperinciModel Citra (bag. 2)
Model Citra (bag. 2) Ade Sarah H., M. Kom Resolusi Resolusi terdiri dari 2 jenis yaitu: 1. Resolusi spasial 2. Resolusi kecemerlangan Resolusi spasial adalah ukuran halus atau kasarnya pembagian kisi-kisi
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 terperinciPEMBUATAN WEB SERVICE SEBAGAI LAYANAN PENDETEKSI KONTEN PORNOGRAFI PADA CITRA DIGITAL DENGAN METODE IMAGE ZONING
PEMBUATAN WEB SERVICE SEBAGAI LAYANAN PENDETEKSI KONTEN PORNOGRAFI PADA CITRA DIGITAL DENGAN METODE IMAGE ZONING Oleh: Lourensius Bisma (5210100155) Dosen Pembimbing: Dr.Eng. Febriliyan Samopa, S.Kom.,
Lebih terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
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 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 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 terperinciBAB 2 TINJAUAN TEORETIS
BAB 2 TINJAUAN TEORETIS 2. Citra Digital Menurut kamus Webster, citra adalah suatu representasi, kemiripan, atau imitasi dari suatu objek atau benda. Citra digital adalah representasi dari citra dua dimensi
Lebih terperinciAtthariq 1, Mai Amini 2
IDENTIFIKASI IKAN KERAPU BERDSARKAN POLA KULIT DENGAN METODE GLCM DAN EUCLIDEAN DISTANCE Atthariq 1, Mai Amini 2 1,2,3 Teknologi Informasi dan Komputer, Politeknik Negeri Lhokseumawe, Jalan banda Aceh-Medan
Lebih terperinciProses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer
Pengolahan Citra / Image Processing : Proses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer Teknik pengolahan citra dengan mentrasformasikan citra menjadi citra lain, contoh
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 terperinciDAFTAR ISI. BAB II... Error! Bookmark not defined.
DAFTAR ISI SKRIPSI... Error! Bookmark not defined. HALAMAN PERSETUJUAN SKRIPSI... Error! Bookmark not defined. PENGESAHAN DEWAN PENGUJI... Error! Bookmark not defined. PERNYATAAN KEASLIAN TUGAS AKHIR...
Lebih 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 terperinciBAB II TI JAUA PUSTAKA
BAB II TI JAUA PUSTAKA Pada bab ini akan dibahas mengenai teori-teori yang menunjang tugas akhir ini. Antara lain yaitu pengertian citra, pengertian dari impulse noise, dan pengertian dari reduksi noise.
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 terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur maupun metode
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2. Penelitian Terdahulu Beberapa penelitian mengenai pengenalan tulisan tangan telah banyak dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur
Lebih terperinciABSTRAK. Kata kunci : CBIR, GLCM, Histogram, Kuantisasi, Euclidean distance, Normalisasi. v Universitas Kristen Maranatha
ABSTRAK Content-Based Image Retrieval (CBIR) adalah proses untuk mendapatkan suatu citra berdasarkan konten-konten tertentu, konten yang dimaksud dapat berupa tekstur, warna, bentuk. CBIR pada dasarnya
Lebih terperinciIMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH
IMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH Fitri Afriani Lubis 1, Hery Sunandar 2, Guidio Leonarde Ginting 3, Lince Tomoria Sianturi 4 1 Mahasiswa Teknik Informatika, STMIK Budi Darma
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dunia kesehatan dewasa ini tidak bisa dipisahkan dengan teknologi yang terus berkembang. Pengembangan teknologi yang erat kaitannya dengan dunia kesehatan atau dunia
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciSistem perolehan citra berbasis isi Berdasarkan tekstur menggunakan metode Gray level co-occurrence matrix dan Euclidean distance
Vol 1, No 3 Desember 2010 ISSN 2088-2130 Sistem perolehan citra berbasis isi Berdasarkan tekstur menggunakan metode Gray level co-occurrence matrix dan Euclidean distance * Fitri Damayanti, ** Husni, ***
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE BERBASIS PENGOLAHAN CITRA DIGITAL
PENGENALAN PLAT NOMOR KENDARAAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE BERBASIS PENGOLAHAN CITRA DIGITAL Silviana Utari, Tjut Awaliyah, M.Kom, Irma Anggraeni, M.Kom
Lebih terperinciSuatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara.
Image Enhancement Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang bisa dilakukan misalnya dengan fungsi transformasi, operasi matematis,
Lebih 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 ENDHULUN Dalam ilmu biologi dan kehutanan, diketahui terdapat banyak enis daun dengan karakteristik (ciri) yang berbeda-beda. Hal tersebut menyebabkan sulitnya untuk melakukan pengenalan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Citra Citra menurut kamus Webster adalah suatu representasi atau gambaran, kemiripan, atau imitasi dari suatu objek atau benda, contohnya yaitu foto seseorang dari kamera yang
Lebih terperinciPerancangan Konversi Braille Ke Teks Berbasis Android
Perancangan Konversi Braille Ke Teks Berbasis Android Intan Sulviyani 1, Ledya Novamizanti 2, Ratri Dwi Atmaja 3 Teknik Telekomunikasi, Telkom University 1,2,3 intansviany@gmail.com Abstrak Komunikasi
Lebih terperinciPERANCANGAN DAN SIMULASI IMAGE RETREIVAL MENGGUNAKAN METODE COLOR HISTOGRAM, GREY LEVEL CO-OCCURRENCE MATRIX DAN KNN (Design and Simulation of Image Retreival Using Color Histogram, Grey Level Co-Occurrence
Lebih terperinciIDENTIFIKASI MACAN TUTUL DENGAN METODE GREY LEVEL COOCURENT MATRIX ( GLCM) Zuly Budiarso Fakultas teknologi Informasi, Univesitas Stikubank Semarang
IDENTIFIKASI MACAN TUTUL DENGAN METODE GREY LEVEL COOCURENT MATRIX ( GLCM) Zuly Budiarso Fakultas teknologi Informasi, Univesitas Stikubank Semarang Abstrak Tekstur (Textures) adalah sifat-sifat atau karakteristik
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 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 terperinciEkstraksi Pola Iris Mata Berwarna Biru dan Cokelat dengan Metode GrayLevel Cooccurrence Matrix Yunia Mentari a, Nurhasanah a)*, Iklas Sanubary a)
Ekstraksi Pola Iris Mata Berwarna Biru dan Cokelat dengan Metode GrayLevel Cooccurrence Matrix Yunia Mentari a, Nurhasanah a)*, Iklas Sanubary a) a) Program Studi Fisika, Jurusan Fisika, FMIPA Universitas
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 terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Lebih terperinciBAB 1 PENDAHULUAN. sistem analog menjadi sistem komputerisasi. Salah satunya adalah sistem
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan teknologi digital pada era ini berkembang sangat pesat. Hampir setiap tahun telah ditemukan ataupun dikembangkan sebuah inovasi teknologi baru.
Lebih terperinciBAB II CITRA DIGITAL
BAB II CITRA DIGITAL DEFINISI CITRA Citra adalah suatu representasi(gambaran),kemiripan,atau imitasi dari suatu objek. DEFINISI CITRA ANALOG Citra analog adalahcitra yang bersifat kontinu,seperti gambar
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 terperinciPENENTUAN KUALITAS IKAN BANDENG MENGGUNAKAN ALGORITMA NAIVE BAYES BERDASARKAN TEKSTUR PADA CITRA ABSTRAK
PENENTUAN KUALITAS IKAN BANDENG MENGGUNAKAN ALGORITMA NAIVE BAYES BERDASARKAN TEKSTUR PADA CITRA Rahmanika Ratna Sari 1, Hanny Haryanto 2 1,2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian
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 terperinciPENDAHULUAN. 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 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 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 terperinciBAB II IDENTIFIKASI DAERAH TERKENA BENCANA MENGGUNAKAN TEKNOLOGI PENGINDERAAN JAUH
BAB II IDENTIFIKASI DAERAH TERKENA BENCANA MENGGUNAKAN TEKNOLOGI PENGINDERAAN JAUH Teknologi penginderaan jauh merupakan teknologi yang memegang peranan yang sangat penting dalam manajemen bencana salah
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 terperinciANALISA PENGUKURAN SIMILARITAS BERDASARKAN JARAK MINIMUM PADA PENGENALAN WAJAH 2D MENGGUNAKAN DIAGONAL PRINCIPAL COMPONENT ANALYSIS
ANALISA PENGUKURAN SIMILARITAS BERDASARKAN JARAK MINIMUM PADA PENGENALAN WAJAH 2D MENGGUNAKAN DIAGONAL PRINCIPAL COMPONENT ANALYSIS Fetty Tri Anggraeny, Wahyu J.S Saputra Jurusan Teknik Informatika, Universitas
Lebih terperinci