METODE PENELITIAN. Gambar 2 Metodologi penelitian.
|
|
- Handoko Kusuma
- 6 tahun lalu
- Tontonan:
Transkripsi
1 4 penelitian i, kata diasosiasikan dengan anotasi citra (kata) dan dokumen diasosiasikan dengan citra. Matriks kata-citra tersebut didekomposisi meadi : A USV T dengan A adalah matriks kata-citra, matriks U, S, dan V T hasil dekomposisi SVD. Koordinat baru setiap citra pada dimensi LSI diperoleh dari matriks V T, sedangkan matriks S dan U digunakan untuk transformasi kueri ke dalam dimensi LSI seperti berikut (Garcia 2006): qlsi q T U k S k - dengan q T adalah queri dalam bentuk vektor baris, U k adalah matriks U yang direduksi, dan S - k adalah invers matriks S yang direduksi. Perhitungan kemiripan dilakukan antara koordinat kueri dengan koordinat seluruh citra pada dimensi LSI menggunakan cosine similarity antara koordinat kueri dengan koordinat citra sesuai persamaan berikut: qlsi d sim( qlsi, d) qlsi d dengan d adalah koordinat citra dalam dimensi LSI, q dan d adalah paang dari kueri qlsi dan citra d. Distribusi Zipfian Distribusi Zipfian yaitu distribusi peluang dengan frekuensi kemunculan benda yang dimulai dari sangat tinggi, kemudian konvergen ke sangat kecil (Black 2004). Gambar 2 Metodologi penelitian. Pembentukan Model SMT Pembentukan model SMT seperti terlihat pada Gambar 3, dilakukan melalui dua tahap yaitu: Tokesasi. 2 Expectation Maximization (EM). METODE PENELITIAN Metode penelitian i terdiri dari empat tahap utama sesuai ilustrasi pada Gambar 2: Pembentukan model SMT. 2 Evaluasi anotasi automatis. 3 Pembentukan model LSI. 4 Evaluasi hasil temu kembali. Gambar 3 Pembentukan model SMT. Pembentukan model SMT dilakukan dengan menciptakan tabel translasi pasangan blob-kata. Tabel i selautnya digunakan sebagai tabel penerjemah blob ke kata dengan lai peluang tertentu. Proses pelatihan dilakukan menggunakan citra latih sebanyak 750 citra beserta anotasi
2 5 manualnya. Citra tersebut dipisahkan meadi tiga jes data latih berdasarkan ukuran grid yang digunakan dalam segmentasi, yaitu 2 3 (data latih A), 4 6 (data latih B), dan 8 2 (data latih C). Tokesasi Tahap i bertujuan memperoleh karakteristik visual (blob) dan label (kata) dari citra. Seperti yang terlihat pada Gambar 4, citra disegmentasi meadi beberapa region bujursangkar berdasarkan ukuran grid tertentu, kemudian ciri citra dari tiap region tersebut dihitung. Ciri yang digunakan untuk setiap region (blob) dalam grid yaitu sebanyak 26 buah untuk tiap region sesuai Tabel. Ciri i dipilih karena cukup baik dalam merepresentasikan citra untuk anotasi automatis (Duygulu et al. 2003; Barnard et al. 2003). Tabel Deskripsi ciri tiap blob citra Nama ciri Jumlah ciri Position 2 Average rgs 3 Variance rgs 3 Average CIE Lab 3 Variance CIE Lab 3 Mean oriented energies 2 Ciri posisi citra (position) digunakan untuk memberikan bobot tambahan terhadap blob dengan posisi tertentu agar lebih condong ke objek tertentu, misalkan water untuk posisi di bawah, cloud untuk posisi di atas. Posisi i dihitung berdasarkan posisi relatif titik tengah region terhadap citra sumber. Ciri citra hasil tokesasi masih berbentuk ciri kontinu. Pengelompokkan ciri tersebut perlu dilakukan untuk memperkecil jumlah ruang ciri (blob) yang ada. Pengelompokkan dilakukan menggunakan algoritme k-means. Selautnya ciri kontinu untuk setiap region diganti dengan nomor cluster yang merepresentasikan vektor ciri tersebut meadi blob seperti yang terlihat pada Gambar 4. Blob dan kata akan meadi representasi dari citra yang bersangkutan pada tahap selautnya. Baik blob maupun kata direpresentasikan dalam bentuk vector space model untuk menyederhanakan komputasi selautnya. Gambar 4 Proses tokesasi. Setelah tokesasi, sekumpulan blob dan pasangan kata (aligned bitext) untuk setiap citra diperoleh. Permasalahannya adalah aligned bitext tersebut tidak memberikan hubungan yang eksplisit antara blob dengan kata tidak ada informasi eksplisit blob mana yang berhubungan dengan label sky. Permasalahan tersebut dapat diselesaikan dengan mengimplementasikan expectation maximization pada aligned bitext tersebut. Expectation Maximization (EM) Algoritme expectation maximization (EM) digunakan untuk menemukan korespondensi antara blob dengan kata. Notasi algoritme EM yang digunakan dalam penelitian i diberikan pada Tabel 2 sedangkan algoritme EM beriterasi sesuai aturan berikut: E step: Untuk setiap n,, N, j,, Mn, i,, Ln p a i w b p a i t w b '(,, θ ) ( ) ( ) (old ) 2 Normalisasi p'( a i w, b, θ ) untuk setiap citra n dan kata j untuk memperoleh ( old ) p( a i w, b, θ ) dengan cara:
3 6 p '( a i w, b, θ ) (,, θ ) Ln p a i w b i p( a i) t( w b ) Ln sehingga p( a,, ) i i w b θ. M step: Untuk setiap pasangan berbeda (b*, w*) yang muncul bersamaan mimal pada salah satu citra, hitung: t'( w L N w* b Mn Ln n n i p( a ( b*, θ i w new) L, b, θ ) δ ( w*, b*) ( w, b ) dengan δ w, b ) berlai jika b* ( w*, b*)( dan w* muncul bersamaan pada salah satu citra n, berlai 0(nol) selainnya. 2 Normalisasi t '( w w* b b*) setiap citra n dan kata j untuk memperoleh t( w w* b b*) dengan cara: Formulasi EM beriterasi untuk memaksimalkan log-likelihood Q ML dengan formula sebagai berikut: N Mn Ln ML ( old ) Q p( a i w, b, θ ) log p( a i) t( w b ) n j i Formula tersebut dimaksimalkan dengan batasan p( a i) untuk semua kata j i di semua citra, dan t( w* b *) untuk w* semua kata w* dan setiap blob b*. Pada awalnya, tabel peluang berisi frekuensi kemunculan bersama (co-occurence) antara kata dan blob, serta diasumsikan peluang alignment untuk tiap citra adalah sama. Kemudian, algoritme EM beriterasi untuk membentuk tabel translasi dengan lai peluang tertentu seperti ilustrasi pada Gambar 5. ( b, θ ) Mn t w t '( w b ) '( ) j t w b Mn ( ) sehingga (, new t w ) j b θ. Tabel 2 Notasi EM yang digunakan pada penelitian Notasi Deskripsi N Jumlah seluruh citra M T Ukuran kosakata kata M n Jumlah kata untuk citra ke-n kata pada citra ke-n, w w n (w n,, n w nmn, ) w* kata tertentu L T Ukuran kosakata blob L n Jumlah blob pada citra ke-n b n blob pada citra ke-n b* blob tertentu Assignment a n {a n,, a nmn ), a n a i jika b berhubungan dengan w Peluang menerjemahkan t(w b) (translasi) pada kata w jika diberikan blob b p(a i) Peluang assignment Sekumpulan parameter model, θ (p(a θ i), t(w b )), dengan p(a i w, b, θ (old) ) sebagai indikator Gambar 5 Proses pembentukan tabel translasi. Tabel translasi berisi peluang posterior untuk setiap blob terhadap seluruh kata (w) dalam kosakata, peluang bersyarat p(w b) diberikan blob (b). Tabel peluang i dinormalisasi agar jumlah peluang posterior untuk setiap blob b berlai sama dengan satu. Peluang posterior kata p(w b) digunakan untuk memprediksi kata pada data latih.
4 7 Evaluasi Anotasi Automatis Evaluasi model yang terbentuk pada tahap sebelumnya dilakukan menggunakan data uji. Data uji yang digunakan terdiri dari 250 citra beserta anotasi manual citra tersebut. Seperti pelatihan, pengujian dilakukan menggunakan tiga jes data uji yang berbeda. Pengujian anotasi automatis dilakukan dengan menyegmentasi citra uji meadi tiga jes data uji dengan ukuran grid yang berbeda pada tahap tokesasi. Ukuran grid yang digunakan yaitu 2 3, 4 6, dan 8 2. Pemilihan grid yang bervariasi i bertujuan untuk mencari ukuran region optimal dalam pengujian model SMT i. Metode yang digunakan untuk evaluasi anotasi automatis adalah algoritme normalized score terhadap hasil prediksi anotasi automatis citra uji yang dibandingkan dengan anotasi manualnya. Secara sederhana, evaluasi dilakukan sesuai Gambar 6 berikut: Proses pembentukan model LSI dilakukan melalui dua tahap seperti yang terlihat pada Gambar 7: Anotasi automatis seluruh citra. 2 Pembentukan dimensi LSI. Gambar 6 Evaluasi model SMT. Evaluasi dilakukan dengan formula normalized score dengan jumlah n {,..., M T } dengan M T adalah ukuran kamus kata dari seluruh anotasi data latih, yaitu sebesar 69 kata. Pembentukan Model LSI Pembentukan model LSI bertujuan membentuk dimensi semantik dari hasil anotasi automatis seluruh citra. Citra yang digunakan adalah citra latih dan citra uji yang digunakan pada tahap pembentukan model SMT sebelumnya tanpa menggunakan anotasi manual yang tersedia. Gambar 7 Pembentukan model LSI. Anotasi automatis dilakukan terhadap seluruh citra dengan menggunakan threshold terhadap peluang posterior kata hasil prediksi. Threshold yang diberikan yaitu lai rataan dari total peluang posterior kata hasil prediksi. Prediksi kata yang memiliki peluang posterior lebih besar dari rataan tersebut akan meadi kata anotasi automatisnya. Sebaliknya, kata yang memiliki peluang di bawah lai threshold tersebut akan dibuang dari hasil anotasi automatis citra. Hal i berarti lai threshold untuk setiap citra memiliki lai yang bervariasi. Implementasi LSI digunakan untuk mengeksploitasi makna semantik dari hasil anotasi seluruh citra. Evaluasi Hasil Temu Kembali Evaluasi hasil temu kembali dilakukan menggunakan dua kueri berbeda: klausa dan teks. Kueri klausa adalah klausa hasil anotasi automatis terhadap citra tertentu misalnya cloud dan mountain sebagai sebuah kueri. Kueri teks adalah kueri berupa satu buah kata yang diperoleh dari seluruh kosakata kata, misalnya cloud. Secara sederhana, proses evaluasi hasil temu kembali mengikuti alur seperti pada Gambar 8. Nilai evaluasi diperoleh dari perhitungan recall dan precision untuk kedua jes kueri tersebut.
5 8 Parameter relevansi diperoleh dari anotasi manual seluruh citra latih dan citra uji. Gambar 8 Evaluasi hasil temu kembali. Perangkat Keras dan Perangkat Lunak yang Digunakan Perangkat lunak yang digunakan pada penelitian i adalah Matlab 7.0. dan sistem operasi Windows XP, sedangkan spesifikasi perangkat keras yang digunakan adalah komputer dengan processor Intel Core 2 Duo 2.0 GHz dan memori 960 MB. basis data. Paang anotasi setiap citra berkisar antara 7 kata menggunakan bahasa inggris. Data penelitian dibagi meadi dua bagian, data untuk pembentukan model SMT dan pembentukan dimensi LSI seperti ilustrasi pada Lampiran. Data untuk pembentukan model SMT dibagi meadi dua bagian: yaitu data untuk pelatihan (data latih) dan data untuk pengujian (data uji), dengan jumlah 750 dan 250 citra beserta anotasi manual dari citra yang bersangkutan. Data latih digunakan untuk membentuk model SMT, sedangkan data uji untuk mengevaluasi hasil anotasi automatis model SMT. Data yang digunakan untuk membentuk dimensi latent semantic indexing terdiri dari 000 citra. Citra tersebut diperoleh dari citra latih dan citra uji pada data pembentukan model SMT. Pembentukan Data Latih Data latih untuk pembentukan model SMT terdiri dari tiga jes berdasarkan ukuran grid yang digunakan dalam segmentasi. Data latih A, B, dan C dengan ukuran grid sebesar 2 3, 4 6, dan 8 2 untuk seluruh citra latih (750 citra). Persiapan dilakukan dengan melakukan tokesasi terhadap seluruh citra latih untuk setiap model secara terpisah seperti pada Gambar 9. HASIL DAN PEMBAHASAN Penelitian i mengimplementasikan anotasi automatis citra menggunakan model statistical machine translation (SMT) untuk temu kembali citra. Implementasi latent semantic indexing (LSI) pada hasil anotasi automatis dilakukan untuk memunculkan makna semantik dari suatu citra sehingga memberikan hasil yang relevan pada saat temu kembali. Data Penelitian Data penelitian yang digunakan berasal dari sebanyak 000 citra. Pemilihan citra dilakukan secara manual dengan dimensi seragam piksel dengan variasi objek, tema, dan pencahayaan yang beragam. Data anotasi diperoleh dengan melakukan anotasi secara manual terhadap seluruh citra Gambar 9 Proses pembentukan data latih dalam pembentukan model SMT. Masing-masing model akan menghasilkan jumlah blob yang berbeda, data latih A maksimal sebanyak 750 (2 3) 4500 blob,
ANOTASI AUTOMATIS CITRA MENGGUNAKAN STATISTICAL MACHINE TRANSLATION UNTUK TEMU KEMBALI CITRA IMAM ABU DAUD
ANOTASI AUTOMATIS CITRA MENGGUNAKAN STATISTICAL MACHINE TRANSLATION UNTUK TEMU KEMBALI CITRA IMAM ABU DAUD DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPENINGKATAN KINERJA PELABELAN OTOMATIS CITRA MENGGUNAKAN BAYESIAN CLASSIFIER PADA TEMU KEMBALI CITRA DIMAS PERDANA CHRISTIAN KARTIKA PUTRA
PENINGKATAN KINERJA PELABELAN OTOMATIS CITRA MENGGUNAKAN BAYESIAN CLASSIFIER PADA TEMU KEMBALI CITRA DIMAS PERDANA CHRISTIAN KARTIKA PUTRA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciII TINJAUAN PUSTAKA. * adalah operasi konvolusi x dan y, adalah fungsi yang merepresentasikan citra output,
5 II INJAUAN PUSAKA.1 Fitur Scale Invariant Feature ransform (SIF) Fitur lokal ditentukan berdasarkan pada kemunculan sebuah objek pada lokasi tertentu di dalam frame. Fitur yang dimaksudkan haruslah bersifat
Lebih 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 terperinciIII METODOLOGI PENELITIAN
13 III METODOLOGI PENELITIAN 3.1 Kerangka Penelitian Penelitian dilakukan dalam lima tahapan utama, yaitu ekstraksi frame video, ekstraksi fitur SIFT dari seluruh frame, pembentukan kantong kata visual
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA A. Temu Kembali Citra Temu kembali citra adalah salah satu metodologi untuk penemuan kembali citra berdasarkan isi (content) citra. Citra memiliki informasi karakteristik visual berupa
Lebih terperinciBAB III PERANCANGAN. Fitur. Reduksi & Pengelompokan. Gambar 3.1. Alur Pengelompokan Dokumen
BAB III PERANCANGAN Pada bab ini akan delaskan tahapan yang dilalui dalam melakukan perancangan penelitian yang akan dilakukan dalam tugas akhir ini. Tahapan tersebut meliputi perancangan implementasi
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 7 Diagram alur proses mutasi.
5 Mulai HASIL DAN PEMBAHASAN Kromosom P = rand [0,1] Ya P < Pm R = random Gen(r) dimutasi Selesai Tidak Gambar 7 Diagram alur proses mutasi. Hasil populasi baru yang terbentuk akan dievaluasi kembali dan
Lebih terperinciAkurasi. Perangkat Lunak: Sistem operasi: Windows Vista Home Premium Aplikasi pemrograman: Matlab 7.0
Tabel 1 Dimensi citra di tiap level Level transformasi Dimensi citra 1 46 56 2 23 28 3 12 14 4 6 7 5 3 4 6 2 2 Pada Gambar 5 disajikan visualisasi transformasi wavelet hingga level 3. Deskripsi citra dekomposisi
Lebih terperinciKelas. Kelas. p q r s t u v w x y Level Transformasi.
Fitur yang digunakan untuk pelatihan pada algoritme VFI5 diperoleh dari tiap-tiap piksel pada citra tanda tangan. Fitur pada pelatihan yang semula berupa matriks berukuran 3 4 piksel disusun menjadi matriks
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. perhitungan LSI dan juga interface yang akan dibuat oleh penulis.
BAB 3 PROSEDUR DAN METODOLOGI Pada Bab ini, penulis akan membahas mengenai prosedur dan metodologi seperti perhitungan LSI dan juga interface yang akan dibuat oleh penulis. 3.1 Sistem CBIR Gambar 3.1 Sistem
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 terperincidan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. akurasi =.
dan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. Gambar 5 Macam-macam bentuk partisi citra. Ekstraksi Fitur Pada tahap ini semua partisi dari citra dihitung
Lebih 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 terperincidengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan
dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan.
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Bab ini menjelaskan mengenai tahapan analisis dan perancangan sistem yang akan dikembangkan, yaitu Sistem Identifikasi Buron. Bab ini terbagi atas 5 bagian yang
Lebih terperinciUJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES
1 Uji Kinerja Face Recognition Menggunakan Eigenfaces UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES ABDUL AZIS ABDILLAH 1 1STKIP Surya, Tangerang, Banten, abdillah.azul@gmail.com Abstrak. Pada paper
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tes Secara harfiah kata tes berasal dari kata bahasa prancis kuno: testum yang berarti piring untuk menyisihkan logam-logam mulia, dalam bahasa Indonesia diterjemahkan dengan
Lebih terperinciPENGEMBANGAN SISTEM TEMU KEMBALI CITRA DENGAN MULTIMODAL DATA MENGGUNAKAN MICROSTRUCTURE DESCRIPTOR DAN PLSA
PENGEMBANGAN SISTEM TEMU KEMBALI CITRA DENGAN MULTIMODAL DATA MENGGUNAKAN MICROSTRUCTURE DESCRIPTOR DAN PLSA Choiru Za in, Nanik Suciati, Chastine Fatichah Institut Teknologi Sepuluh Nopember choiruzain@gmail.com,
Lebih terperinciHASIL DAN PEMBAHASAN. Data
dengan menggunakan model Bayesian Network. Nilai kemiripan dapat dihitung dengan Persamaan 21. P(I j Q)=n[1-(1-P(CS j CS)) x(1-p(ct j CT))] (21) dengan n adalah jumlah citra pada basis data, P(CS j CS)
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN berikut. Tahapan penelitian yang dilakukan dalam penelitian adalah sebagai Indentifikasi Masalah Merumuskan Masalah Study Literatur Perancangan : 1. Flat Teks 2. Database
Lebih terperinciBAB 2 PENGENALAN IRIS, PENENTUAN LOKASI IRIS, DAN PEMBUATAN VEKTOR MASUKAN
BAB 2 PENGENALAN IRIS, PENENTUAN LOKASI IRIS, DAN PEMBUATAN VEKTOR MASUKAN Pengenalan suatu objek tentu saja tidak bisa dilakukan tanpa persiapan sama sekali. Ada beberapa proses yang perlu dilakukan sebelum
Lebih terperinciBAB V HASIL SIMULASI
46 BAB V HASIL SIMULASI Pada bab ini akan disajikan beberapa hasil pendekatan numerik harga opsi put Amerika menggunakan metode beda hingga. Algoritma yang disusun di bawah ini untuk menentukan harga opsi
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
Lebih terperinciHASIL DAN PEMBAHASAN. diformulasikan digunakan dalam proses temu kembali selanjutnya.
beberapa kata. Menurut Baeza-Yates dan Ribeiro-Neto (1999), tidak semua kata dapat digunakan untuk merepresentasikan sebuah dokumen secara signifikan Pemrosesan teks yang dilakukan dalam penelitian ini
Lebih terperinciIntegrasi Peringkas Dokumen Otomatis Dengan Penggabungan Metode Fitur dan Metode Latent Semantic Analysis (LSA) Sebagai Feature Reduction
Integrasi Peringkas Dokumen Otomatis Dengan Penggabungan Metode Fitur dan Metode Latent Semantic Analysis (LSA) Sebagai Feature Reduction Junta Zeniarja 1, Abu Salam 2, Ardytha Luthfiarta 3, L Budi Handoko
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Pada penelitian ini ada beberapa tahapan penelitian yang akan dilakukan seperti terlihat pada gambar 3.1 berikut : Mulai Identifikasi Masalah Pengumpulan Data Analisa Aplikasi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini berisi penjelasan mengenai image clustering, pengukuran kemiripan dan pengukuran jarak, representasi citra, ruang warna, algoritma clustering, dan penelitian yang berhubungan.
Lebih terperinciBAB 5 UJI COBA DAN ANALISA HASIL
BAB 5 UJI COBA DAN ANALISA HASIL Pada bab ini diuraikan mengenai lingkungan uji coba, hasil uji coba serta analisa hasil uji coba dari perangkat lunak. 5.1 Lingkungan Lingkungan uji coba merupakan komputer
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 3 METODOLOGI PENELITIAN. a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah
BAB 3 METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Prosesor Intel (R) Atom (TM) CPU N550
Lebih terperinciGambar 2 Prinsip pencarian: (a) struktur dan area-area pencarian, (b) jumlah dari garis-garis sampling (Sumber: (Kirchgeβner et al. 2002).
6 kebanyakan informasi tentang suatu garis tepi objek akan berada pada frekuensi rendah dari transformasi Fourier diskret (Petković & Krapac 2002). Pada penerapan ekstraksi venasi daun, inisialisasi parameter
Lebih terperinciTEMU KEMBALI INFORMASI
JULIO ADISANTOSO Departemen Ilmu Komputer IPB Pertemuan 3 IR MODEL Mengapa Model? 1 Banyak pengembangan teknologi IR seperti web search, translator system, spam filter, dsb membutuhkan teori dan percobaan.
Lebih terperinciTraining. Level Transformasi Wavelet. Banyak Fitur. Ukuran Dimensi. 0 40x x30 600
Citra asli Citra ya Inisialisasi: Topologi jaringan, Bobot awal, Lebar tetangga, Nilai laju awal pembelajaran Kriteria pemberhentian Training Error> -6 Epoch< 4 Alpha> HASIL DAN PEMBAHASAN Pada penelitian
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 3 Ilustrasi pencarian titik pusat dan jari-jari pupil. Segmentasi
4 Perangkat keras berupa Notebook: Processor intel Core i3 2.2 GHz. RAM kapasitas 2. GB. Harddisk Kapasitas 5 GB. Monitor pada resolusi 1366 x 768 piksel. Merek Acer Aspire 475. Perangkat lunak berupa:
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 1 Perhitungan recall-precision. ) adalah peluang kata i dalam dokumen setelah q j. p( i q j
3 p( i j ) adalah peluang kata i dalam dokumen setelah j diketahui (Adisantoso 1996). Hitung Relevansi Kata Pada tahap ini, dilakukan proses perhitungan setiap kata yang dinilai relevan dan tidak relevan
Lebih terperinciPanjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan,
Panjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan, misalnya penggabungan, +, maka panjang bin yang dihasilkan sebesar 28 bin. 2. Penggabungan operator dengan, Setiap histogram
Lebih terperinciLingkungan Implementasi Clustering Menggunakan SOM HASIL DAN PEMBAHASAN Pengumpulan Data Perkembangan Anak Validasi Cluster Menggunakan
sehingga dapat diproses dengan SOM. Pada tahap seleksi data, dipilih data perkembangan anak berdasarkan kategori dan rentang usianya. Kategori perkembangan tersebut merupakan perkembangan kognitif, motorik
Lebih terperinciGambar 1.1 Tahapan Penelitian
BAB 1 PENDAHULUAN Latar Belakang Masalah Content Based Image Retrieval (CBIR) atau dikenal sebagai query dengan konten image dan pengambilan informasi visual berbasis konten merupakan penerapan teknik
Lebih terperinciBAB 4 IMPLEMENTASI Implementasi
BAB 4 IMPLEMENTASI Bab ini menuturkan penjelasan mengenai implementasi dari sistem pengujian yang dibangun berdasarkan hasil analisis dan perancangan sistem yang telah dibahas pada bab sebelumnya. Bab
Lebih terperinciBAB III DATA DAN METODOLOGI
17 BAB III DATA DAN METODOLOGI 3.1 Data Pada penelitian ini, ada dua jenis data yang akan digunakan. Jenis data pertama adalah data curah hujan bulanan dan yang kedua adalah data luaran GCM. 3.1.1 Data
Lebih terperinci4 HASIL DAN PEMBAHASAN
24 4 HASIL DAN PEMBAHASAN 4.1 Data Korpus Data korpus berisi berita-berita nasional berbahasa Indonesia dari tanggal 11 Maret 2002 sampai 11 April 2002. Berita tersebut berasal dari berita online harian
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan sistematika tahap-tahap yang dilaksanakan dalam pembuatan tugas akhir. Adapun tahapan yang dilalui dalam pelaksanaan penelitian ini adalah
Lebih terperinciBAB 3 METODE PENELITIAN. pengelolaan dokumen yang efektif agar kita dapat me-retrieve informasi yang
58 BAB 3 METODE PENELITIAN 3.1 Analisis Masalah Seiring dengan perkembangan zaman, jumlah informasi yang disimpan dalam betuk digital semakin bertambah, sehingga dibutuhkan cara pengorganisasian dan pengelolaan
Lebih terperinci1. Pendahuluan 1.1 Latar belakang 1.2 Perumusan masalah
1. Pendahuluan 1.1 Latar belakang Informasi telah menjadi kebutuhan primer pada kehidupan saat ini. Informasi seakan-akan menjadi mata uang baru yang membuat akurasi menjadi sangat penting ketika mencari
Lebih terperinciPENDAHULUAN. Latar belakang
Latar belakang PENDAHULUAN Indonesia merupakan negara megabiodiversity yang memiliki kekayaan tumbuhan obat. Indonesia memiliki lebih dari 38.000 spesies tanaman (Bappenas 2003). Sampai tahun 2001 Laboratorium
Lebih terperinciProses mengelompokkan suatu set objek ke dalam kelompok-kelompok objek yang sejenis. Bentuk yang paling umum digunakan adalah unsupervised learning
CLUSTERING DEFINISI Clustering : Proses mengelompokkan suatu set objek ke dalam kelompok-kelompok objek yang sejenis Bentuk yang paling umum digunakan adalah unsupervised learning # Unsupervised learning
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Semakin canggihnya teknologi di bidang komputasi dan telekomunikasi pada masa kini, membuat informasi dapat dengan mudah didapatkan oleh banyak orang. Kemudahan ini
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini dijelaskan landasan teori dan metode yang digunakan pada tugas akhir ini dalam pengklasifikasian dokumen teks. Pembahasan dimulai dengan penjelasan mengenai klasifikasi
Lebih terperinciBAB IV IMPLEMENTASI DAN UJI COBA. Pengenalan Pola dengan Algoritma Eigen Image, dibutuhkan spesifikasi
BAB IV IMPLEMENTASI DAN UJI COBA 4.1 Kebutuhan Sistem Sebelum melakukan implementasi dan menjalankan aplikasi Model Pengenalan Pola dengan Algoritma Eigen Image, dibutuhkan spesifikasi perangkat lunak
Lebih terperincibeberapa tag-tag lain yang lebih spesifik di dalamnya.
metode mana yang lebih baik digunakan untuk memilih istilah ekspansi yang akan ditambahkan pada kueri awal. Lingkungan Implementasi Perangkat lunak yang digunakan untuk penelitian yaitu:. Windows Vista
Lebih terperinciProbabilistic Latent Semantic Analysis (PLSA) untuk Klasifikasi Dokumen Teks Berbahasa Indonesia
Probabilistic Latent Semantic Analysis (PLSA) untuk Klasifikasi Dokumen Teks Berbahasa Indonesia DERWIN SUHARTONO Technical Report Fakultas Ilmu Komputer Program Studi Doktor Ilmu Komputer Universitas
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Pada penelitian tugas akhir ini ada beberapa tahapan penelitian yang akan dilakukan seperti yang terlihat pada gambar 3.1 : Mulai Pengumpulan Data Analisa
Lebih terperinciMETODOLOGI PENELITIAN
18 METODOLOGI PENELITIAN Kerangka Penelitian Sistem pengenalan roda kendaraan pada penelitian ini tampak pada Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu, tahapan pelatihan
Lebih terperinciImplementasi Content Based Image Retrieval Untuk Menganalisa Kemiripan Bakteri Yoghurt Menggunakan Metode Latent Semantic Indexing
Implementasi Content Based Image Retrieval Untuk Menganalisa Kemiripan Bakteri Yoghurt Menggunakan Metode Latent Semantic Indexing Meivi Kartikasari, Chaulina Alfianti Oktavia Sekolah Tinggi Informatika
Lebih terperinci4 BAB 4 IMPLEMENTASI DAN PENGUJIAN
4 BAB 4 IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Implementasi adalah penerapan hasil perancangan yang telah dilakukan pada tahap analisis dan perancangan sistem. Hasil perancangan diterapkan menjadi
Lebih terperinciTabel 3 Situs berita dan jumlah RSS yang diunduh Situs Berita
6 besar dibandingkan dengan istilah yang berada pada description. Lingkup Implemental Lingkungan implementasi yang akan digunakan adalah sebagai berikut: Perangkat Lunak : Sistem operasi Windows XP Professional
Lebih terperinciMETODE CLUSTER SELF-ORGANIZING MAP UNTUK TEMU KEMBALI CITRA
1 METODE CLUSTER SELF-ORGANIZING MAP UNTUK TEMU KEMBALI CITRA Chita Ralina Rahardjo, Yeni Herdiyeni, Firman Ardiansyah Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian
Lebih terperinciBAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan pada
BAB III METODOLOGI PENELITIAN 1.1. Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan pada proses pengenalan huruf tulisan tangan Katakana menggunakan metode Fuzzy Feature Extraction
Lebih terperinciBAB 3 PERANCANGAN 3.1 GAMBARAN UMUM PROSES SEGMENTASI DOKUMEN
28 BAB 3 PERANCANGAN Pada bab ini akan dijelaskan mengenai rancangan percobaan pada penelitian segmentasi dokumen ini. Pembahasan akan dimulai dengan penjelasan mengenai gambaran umum proses segmentasi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teks naratif menurut kamus besar bahasa Indonesia adalah teks yang berisikan deretan sejarah, peristiwa atau kejadian dan sebagainya. Kata naratif sendiri berasal
Lebih terperinciBAB II TINJAUAN PUSTAKA. Penelitian awal dalam bidang automatic text summarization dimulai
BAB II TINJAUAN PUSTAKA Penelitian awal dalam bidang automatic text summarization dimulai dengan pembuatan metode term frequency oleh Luhn pada tahun 1958. Metode ini berasumsi bahwa frekuensi kata di
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 terperinciHASIL DAN PEMBAHASAN. Tabel 1 Struktur tabel tb_dokumen
6 Lingkungan Implementasi Lingkungan implementasi yang digunakan adalah sebagai berikut : Perangkat lunak : Sistem operasi Windows XP Professional Microsoft Visual Basic.NET 2005 SQL Srever 2000 Perangkat
Lebih terperinciDETEKSI KEMIRIPAN TOPIK PROPOSAL JUDUL TUGAS AKHIR DAN SKRIPSI MENGGUNAKAN LATENT SEMANTIC ANALYSIS DI STMIK BUMIGORA MATARAM
DETEKSI KEMIRIPAN TOPIK PROPOSAL JUDUL TUGAS AKHIR DAN SKRIPSI MENGGUNAKAN LATENT SEMANTIC ANALYSIS DI STMIK BUMIGORA MATARAM I Putu Hariyadi 1, Hartarto Junaedi 2 (1) STMIK Bumigora Mataram, putu.hariyadi@stmikbumigora.ac.id
Lebih terperinciBAB I. PENDAHULUAN Latar Belakang Masalah
BAB I. PENDAHULUAN 1 1.1. Latar Belakang Masalah Citra adalah gambar yang berada pada bidang dua dimensi. Agar dapat diproses lebih lanjut, sebuah citra disimpan di dalam bentuk digital. Ukuran citra digital
Lebih terperinci(7) Sebagai contoh, sebuah kalimat dari bahasa Jerman dengan terjemahannya dalam bahasa Inggris seperti berikut ini :
Pengaruh PoS pada Word Alignment Word alignment dari korpus bilingual memberikan pengetahuan penting untuk banyak tugas pengolahan bahasa alami, seperti ekstraksi dari kata-kata bilingual atau leksikal.
Lebih terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPembuatan Kakas Komunikasi Antar Pengembang Perangkat Lunak
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Pembuatan Kakas Komunikasi Antar Perangkat Lunak Anugerah Firdaus, Daniel Oranova Siahaan dan Rizky Januar Akbar Jurusan Teknik
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Berikut adalah beberapa definisi dari citra, antara lain: rupa; gambar; gambaran (Kamus Besar Bahasa Indonesia). Sebuah fungsi dua dimensi, f(x, y), di mana x dan y adalah
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem
Lebih terperinciBAB III METODELOGI PENELITIAN
BAB III METODELOGI PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan yaitu metode eksperimental dimana metode ini bekerja dengan memanipulasi dan melakukan kontrol pada objek penelitian
Lebih terperinciAPLIKASI MESIN PENCARI DOKUMEN CROSS LANGUAGE BAHASA INGGRIS BAHASA INDONESIA MENGGUNAKAN VECTOR SPACE MODEL
APLIKASI MESIN PENCARI DOKUMEN CROSS LANGUAGE BAHASA INGGRIS BAHASA INDONESIA MENGGUNAKAN VECTOR SPACE MODEL SKRIPSI Disusun Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer pada Jurusan
Lebih terperinciBAB 4 HASIL PENELITIAN DAN PEMBAHASAN. Berikut ini adalah contoh tampilan hasil dari kueri:
BAB 4 HASIL PENELITIAN DAN PEMBAHASAN 4.1 Proses Retrival Berikut ini adalah contoh tampilan hasil dari kueri: 1. Kategori Gajah Gambar 4.1 Hasil kueri kategori gajah dengan histogram biasa 48 Gambar 4.2
Lebih terperinciBAB 1 PENDAHULUAN UKDW
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pada era ini perkembangan teknologi informasi sangat pesat. Hal ini ditandai dengan semakin populernya penggunaan internet dan perangkat lunak komputer sebagai
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Nama Mahasiswa : Gigih Prasetyo Cahyono NRP : 1206 100 067 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Prof.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan rangkaian dari langkah-langkah yang diterapkan dalam penelitian, secara umum dan khusus langkah-langkah tersebut tertera pada Gambar flowchart
Lebih terperinciBAB II TINJAUAN PUSTAKA
7 BAB II TINJAUAN PUSTAKA A. Tinjauan Pustaka Penelitian-penelitian yang pernah dilakukan di bidang information retrieval telah memunculkan berbagai metode pembobotan dan clustering untuk mengelompokkan
Lebih terperinciBAB IV DESAI SISTEM. Tabel 4.1 Lingkungan Desain Perangkat Lunak Prosesor : Core 2 Duo, 2 GHz Memori : 2 GB
BAB IV DESAI SISTEM Pada bab ini akan dibahas mengenai perancangan dan pembuatan aplikasi perangkat lunak. Perangkat lunak yang akan dibuat pada tugas akhir ini adalah aplikasi HVF Pada perancangan sistem
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 terperincioleh: M BAHARUDIN GHANIY NRP
oleh: M BAHARUDIN GHANIY NRP. 1202 109 022 Teknologi fotografi pada era sekarang ini berkembang sangat pesat. Hal ini terbukti dengan adanya kamera digital. Bentuk dari kamera digital pada umumnya kecil,
Lebih terperinciBAB 4 HASIL PENELITIAN DAN PEMBAHASAN. Berikut ini adalah contoh tampilan hasil dari kueri:
BAB 4 HASIL PENELITIAN DAN PEMBAHASAN 4.1 Proses Retrival Berikut ini adalah contoh tampilan hasil dari kueri: 1. Kategori Buah Gambar 4.1 Hasil kueri kategori buah dengan metode histogram warna 55 56
Lebih terperinciIII. METODE PENELITIAN. Pengerjaan tugas akhir ini bertempat di Laboratorium Sistem Tenaga Elektrik
III. METODE PENELITIAN A. Waktu dan Tempat Penelitian Pengerjaan tugas akhir ini bertempat di Laboratorium Sistem Tenaga Elektrik Jurusan Teknik Elektro Universitas Lampung pada bulan April 2012 sampai
Lebih terperinciSISTEM TEMU-KEMBALI INFORMASI DALAM DOKUMEN MENGGUNAKAN METODE LATENT SEMANTIC INDEXING
Muhammad, Sukmawati Nur Endah, dan Beta Noranita SISTEM TEMU-KEMBALI INFORMASI DALAM DOKUMEN MENGGUNAKAN METODE LATENT SEMANTIC INDEXING Muhammad 1, Sukmawati Nur Endah 2, dan Beta Noranita 3 Program Studi
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 terperinciTEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR
TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR DWI ACHTI NOVIATUR R. 2208100656 Dosen Pembimbing : Dr. Ir. Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) PIE Problem Representasi Citra
Lebih terperinciPENDAHULUAN. 1.1 Latar Belakang
DAFTAR TABEL Tabel 3-1 Dokumen Term 1... 17 Tabel 3-2 Representasi... 18 Tabel 3-3 Centroid pada pengulangan ke-0... 19 Tabel 3-4 Hasil Perhitungan Jarak... 19 Tabel 3-5 Hasil Perhitungan Jarak dan Pengelompokkan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem
21 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem pengenalan wajah ini yaitu input, proses dan output. Dengan input bahan penelitian
Lebih terperinciPENGGUNAAN FITUR ANGULAR INVARIANT UNTUK REGISTRASI OBYEK 3D
PENGGUNAAN FITUR ANGULAR INVARIANT UNTUK REGISTRASI OBYEK 3D Robby Hartanto Wiyono 2206 100 174 Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111,
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1. Analisis sistem Analisis sistem merupakan tahap yang paling penting dalam suatu pengembangan sebuah aplikasi, karena kesalahan pada tahap analisis sistem akan menyebabkan
Lebih terperinciPENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2016, pp. 590~595 PENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION 590 Indra Gunawan
Lebih terperinciSISTEM TEMU-KEMBALI INFORMASI DALAM DOKUMEN MENGGUNAKAN METODE LATENT SEMANTIC INDEXING
SISTEM TEMU-KEMBALI INFORMASI DALAM DOKUMEN MENGGUNAKAN METODE LATENT SEMANTIC INDEXING Muhammad, Sukmawati Nur Endah, dan Beta Noranita SISTEM TEMU-KEMBALI INFORMASI DALAM DOKUMEN MENGGUNAKAN METODE
Lebih terperinciBAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan dalam
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan dalam proses penelitian penerapan algoritma K-Means pada clustering berita berbahasa Indonesia.
Lebih terperinciSeminar Nasional Inovasi Dan Aplikasi Teknologi Di Industri 2017 ISSN ITN Malang, 4 Pebruari 2017
PENGENALAN INDIVIDU BERDASARKAN SIDIK RUGAE PALATINA DENGAN MENGGUNAKAN METODE SINGULAR VALUE DECOMPOSITION SEBAGAI PENGOLAH EKSTRAKSI CIRI DAN SUPPORT VECTOR MACHINE SEBAGAI KLASIFIKATOR Shofi Annisa
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 terperinciTugas Makalah. Sistem Temu Kembali Informasi (STKI) TI Implementasi Metode Generalized Vector Space Model Pada Information Retrieval System
Tugas Makalah Sistem Temu Kembali Informasi (STKI) TI029306 Implementasi Metode Generalized Vector Space Model Pada Information Retrieval System Oleh : I PUTU ANDREAS WARANU 1204505042 Dosen : I Putu Agus
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f(x,y) dua dimensi, dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
Lebih terperinciPELABELAN OTOMATIS CITRA MENGGUNAKAN FUZZY C MEANS UNTUK SISTEM TEMU KEMBALI CITRA MARSANI ASFI
PELABELAN OTOMATIS CITRA MENGGUNAKAN FUZZY C MEANS UNTUK SISTEM TEMU KEMBALI CITRA MARSANI ASFI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini menggunakan jenis penelitian eksperimen, dengan tahapan penelitian sebagai berikut: 3.1 Pengumpulan Data Tahap ini merupakan langkah awal dari penelitian. Dataset
Lebih terperinci