BAB IV HASIL DAN PEMBAHASAN
|
|
- Shinta Tedja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB IV HASIL DAN PEMBAHASAN IV.1. Implementasi Pengujian dalam penelitian ini dilakukan dengan menggunakan MATLAB 29. Citra mammogram yang digunakan dibagi menjadi tiga kelas, yaitu kelas Normal, Benign dan Malignant yang terdiri dari 27, 63 dan 52 citra. Setiap citra berukuran 124 x 124 piksel dan dicrop menjadi 14 x 14 piksel dari pusat daerah abnormal. Citra yang sudah mengalami proses cropping kemudian dipreprocessing dengan histogram equalization dan image adjustment. Selanjutnya, tiap citra didekomposisikan dengan DT CWT menjadi level 1 (14 x 14 piksel), level 2 (7 x 7 piksel), level 3 (35 x 35 piksel) dan level 4 (18 x 18 piksel). Gambar 4.1 Citra Sampel untuk Kelas Normal (Baris atas menunjukkan citra yang belum dipreprocessing, sedangkan baris bawah menunjukkan citra sudah di preprocessing). 38
2 Gambar 4.2 Citra Sampel untuk kelas Benign (Baris atas menunjukkan citra yang belum dipreprocessing, sedangkan baris bawah menunjukkan citra sudah di preprocessing). Gambar 4.3 Citra Sampel untuk Kelas Malignant (Baris atas menunjukkan citra yang belum dipreprocessing, sedangkan baris bawah menunjukkan citra sudah di preprocessing). Untuk melakukan proses reduksi dengan menggunakan metode NMF, perlu adanya suatu variable k yang menandakan rank, nilai inisialisasi serta jumlah iterasi yang perlu dilakukan agar mendapat hasil yang maksimal. Saat ini belum ada ketentuan pasti atau nilai pasti yang dapat digunakan untuk nilai k, inisialisasi maupun jumlah iterasi. Dalam menerapkan NMF, proses inisialisasi awal merupakan langkah yang penting karena dengan inisialisasi yang sesuai dapat mempercepat proses konvergensi dan reduksi kesalahan (error reduction). Penelitian ini menggunakan inisialisasi random standar. Penelitan pada buku Text Mining : Application and Theory (Berry & Kogan, 21) yang membandingkan beberapa metode inisialisasi NMF diantaranya random 39
3 initialization, NNDSVD, Infogain, Gainratio dan SVD pada klasifikasi memudahkan penulis untuk menetapkan jumlah iterasi pada tahap inisialisasi. Hasil inisialisasi yang dipaparkan pada penelitian tersebut menunjukkan bahwa jika initalisasi random menggunakan jumlah iterasi = 5, metode ini menghasilkan error yang besar dibandingkan dengan metode-metode lainnya, tetapi jika menggunakan jumlah iterasi = 3, kinerja metode random ini memberikan hasil yang sama baiknya dengan metode-metode lainnya. Karena penulis menggunakan metode inisialisasi random, maka penulis menggunakan jumlah iterasi = 3 pada tahap inisialisasi berdasarkan penelitian yang sudah dilakukan penulis sebelumnya. Pada tahap iterasi selanjutnya setelah tahap inisialisasi, penulis menggunakan maksimal jumlah iterasi = 5 dengan batas error 1e-2. Pengujian dilakukan dengan menggunakan k = 1 sampai dengan k = 8 pada tiap level DT CWT. IV.2. Hasil Pengujian Pengujian sistem retrieval dilakukan pada 2 jenis basis data, yaitu basis data A (citra yang tidak di-preprocessing) dan basis data B (citra yang sudah dipreprocessing). Pada tiap basis data, 1 citra diambil untuk pengujian, sedangkan sisanya digunakan untuk proses training. Untuk mengetahui bahwa proses retrival yang dilakukan sudah benar, maka penulis melakukan validasi dengan mengambil masing-masing 2 citra dari kelas Benign dan Malignant secara acak sehingga total citra yang digunakan adalah 4 citra. Semua citra tersebut digunakan sebagai training set dan test set. 4
4 Pada saat retrival, citra kueri yang digunakan diambil dari training set, sehingga hasil retrival yang seharusnya terjadi adalah citra hasil retrieve dengan kemiripan tertinggi adalah citra kueri itu sendiri. Pengujian dilakukan dengan mengambil 1 citra dari training set sebagai kueri dan menampilkan 1 citra retrival dari nilai kemiripan yang paling tinggi. Hasil retrivalnya dapat dilihat pada gambar 4.4 dan gambar 4.5. Gambar 4.4 Hasil Retrival Citra Benign. Gambar 4.5 Hasil Retrival Citra Malignant. 41
5 Tabel 4.1 Nilai Precision Hasil Retrival Citra Benign dan Malignant. Test Benign Malignant Citra yang relevan Precision Citra yang relevan Precision 1 7,7 6,6 2 7,7 7,7 3 8,8 5,5 4 5,5 7,7 5 5,5 6,6 6 6,6 5,5 7 5,5 5,5 8 6,6 6,6 9 8,8 5,5 1 8,8 6,6 Rata-rata,65,52 Berdasarkan hasil pengujian validasi, dapat dilihat bahwa citra retrival pertama adalah citra kueri itu sendiri dan dapat menghasilkan nilai precision ratarata antara 52% sampai 65% untuk kelas Benign dan Malignant. Dari hasil validasi yang telah dilakukan, menunjukkan bahwa sistem retrival yang dilakukan sudah benar, maka penulis melakukan pengujian untuk 2 jenis basis data yang sudah dijelaskan sebelumnya, yaitu basis data A dan basis data B. Citra yang akan digunakan untuk pengujian diambil dari masing-masing kelas (normal, benign dan malignant) sebanyak 1 citra, sisanya digunakan untuk proses training. Hasil retrival yang diambil adalah 1 citra dengan tingkat 42
6 kemiripan dari yang paling tinggi. Hasil retrival untuk citra pada basis data A ditampilkan pada gambar 4.6 sampai gambar 4.8. Gambar 4.6 Hasil retrival untuk Kasus Normal (Level 3, k = 8). Gambar 4.7 Hasil retrival untuk Kasus Benign (Level 1, k = 1). 43
7 Gambar 4.8 Hasil retrival untuk Kasus Malignant (Level 2, k = 1). Hasil retrival untuk citra pada basis data B ditampilkan pada gambar 4.9 sampai dengan gambar Gambar 4.9 Hasil retrival untuk Kasus Normal (Level 3, k = 8). 44
8 Gambar 4.1 Hasil retrival untuk Kasus Benign (Level 1, k = 1). Gambar 4.11 Hasil retrival untuk Kasus Malignant (Level 2, k = 1). Perbandingan nilai rata-rata precision antara hasil retrival pada citra basis data A dan hasil retrival pada citra basis data B ditampilkan pada tabel 4.2 dan gambar
9 Tabel 4.2 Perbandingan Nilai Rata-rata Precision Hasil Retrival pada Kasus Normal (Level 1 DT CWT). Nilai Precision rata-rata Kasus Level Nilai k Tidak preprocessing Preprocessing Normal 1 1,68,88 2,66,88 3,65,88 4,66,87 5,66,78 6,68,84 7,69,83 8,68,85 1 Normal.8.2 No Preprocessing Preprocessing Gambar 4.12 Grafik Perbandingan Nilai Precision pada Kasus Normal (Level 1). 46
10 Tabel 4.3 Perbandingan Nilai Rata-rata Precision Hasil Retrival pada Kasus Benign (Level 1 DT CWT). Nilai Precision rata-rata Kasus Level Nilai k Tidak preprocessing Preprocessing Benign 1 1,53,57 2,53,54 3,53,56 4,53,54 5,52,54 6,53,58 7,53,56 8,52,57 1 Benign.8.2 No Preprocessing Preprocessing Gambar 4.13 Grafik Perbandingan Nilai Precision pada Kasus Benign (Level 1). 47
11 Tabel 4.4 Perbandingan Nilai Rata-rata Precision Hasil Retrival pada Kasus Malignant (Level 1 DT CWT). Nilai Precision rata-rata Kasus Level Nilai k Tidak preprocessing Preprocessing Malignant 1 1,42,46 2,42,45 3,42,45 4,42,46 5,41,45 6,42,45 7,42,45 8,43,46 1 Malignant.8.2 No Preprocessing Preprocessing Gambar 4.14 Grafik Perbandingan Nilai Precision pada Kasus Malignant (Level 1). Berdasarkan hasil pengujian yang telah dilakukan pada basis data A dan basis data B, performa pada basis data B lebih baik daripada basis data A, yang 48
12 artinya sistem retrival dengan citra yang sudah di-preprocessing akan memberikan hasil retrival yang lebih akurat. Oleh karena itu, penulis melakukan uji coba lebih lanjut dengan menggunakan basis data B. Pengujian dilakukan pada setiap level DT CWT, yaitu level 1, 2, 3 dan 4. Citra pada setiap level diuji dari nilai rank k = 1 sampai dengan nilai k = 8. Tabel 4.5 Nilai Precision Rata-rata Tertinggi pada Tiap Level DT CWT. DT CWT Kelas Normal Benign Malignant Level 1 88% 58% 46% Level 2 89% 64% 47% Level 3 83% 59% 49% Level 4 88% 6% 47% 1 Normal.8.2 Level 1 Level 2 Level 3 Level 4 Gambar 4.15 Nilai Precision pada Kasus Normal dengan Berbagai Nilai. 49
13 .8 Benign.2 Level 1 Level 2 Level 3 Level 4 Gambar 4.16 Nilai Precision pada Kasus Benign dengan Berbagai Nilai. Malignant Level 1 Level 2 Level 3 Level 4 Gambar 4.17 Nilai Precision pada Kasus Malignant dengan Berbagai Nilai. 5
14 Level 1 DT CWT Normal Benign Malignant Gambar 4.18 Nilai Precision pada Citra Level 1 dengan Berbagai Nilai. 1 Level 2 DT CWT.8.2 Normal Benign Malignant Gambar 4.19 Nilai Precision pada Citra Level 2 dengan Berbagai Nilai. 51
15 Level 3 DT CWT Normal Benign Malignant Gambar 4.2 Nilai Precision pada Citra Level 3 dengan Berbagai Nilai. 1 Level 4 DT CWT.8.2 Normal Benign Malignant Gambar 4.21 Nilai Precision pada Citra Level 4 dengan Berbagai Nilai. Dari hasil pengujian yang telah dipaparkan pada gambar 4.15 sampai gambar 4.17, performa retrival terbaik untuk kelas normal terletak pada level 2 DT CWT yang mampu mencapai nilai precision tertinggi (gambar 4.15). Pada 52
16 gambar 4.16, performa terbaik untuk kelas Benign terletak pada level 2. Sedangkan pada gambar 4.17, performa retrival terbaik terletak pada level 3. Seperti yang telah dijelaskan pada bab sebelumnya, proses retrival pada tahap pertama meretrif citra berdasarkan normal dan abnormal, sehingga dari hasil retrival pada gambar 4.15, retrival pada citra level 2 menjadi pilihan terbaik. Dan untuk tahap kedua, yaitu meretrif citra berdasarkan benign dan malignant, retrival pada citra level 2 menjadi pilihan yang terbaik karena retrival citra benign pada level 2 memberikan hasil yang paling baik, sedangkan retrival citra malignant pada level 2 juga memberikan hasil yang baik. Penentuan nilai rank yang terbaik dapat dilihat pada gambar Untuk retrival tahap pertama, nilai rank k yang dipilih adalah k = 8, sedangkan untuk retrival tahap kedua, nilai rank k yang dipilih adalah k = 4. Seluruh hasil pengujian dapat dilihat secara lengkap di bagian Lampiran. Retrival mammogram pada penelitian yang dilakukan penulis sebelumnya menggunakan fitur tekstur dengan teknik gabor filtering (Wei, Li, & Li, 27). Data yang dipakai dalam penelitian berjumlah 75 citra berukuran 2x2 piksel yang di-crop sesuai dengan ROI (Region of Interest). Retrival yang dilakukan berdasarkan dua kelas, yaitu berdasarkan microcalcification dan macrocalcification. Sistem retrival ini menerapkan strategi adaptive dengan adanya relevance feedback dari user. Hasil retrival dengan strategi tersebut menunjukkan bahwa semakin banyak iterasi yang dilakukan, hasil retrival semakin bagus. Dengan teknik Gabor filtering, nilai rata-rata precision tertinggi kurang dari 85% sedangkan dengan teknik gray level cooccurence matrices menghasilkan nilai rata-rata precision tertinggi 65%. Jika tidak menggunakan 53
17 relevance feedback, nilai rata-rata precision untuk teknik gabor filtering adalah kira-kira 52% dan kira-kira 35% untuk teknik GLCM. Hasil retrival dapat dilihat pada gambar Gambar 4.22 Perbandingan performa nilai rata-rata precision melalui 1 iterasi relevance feedback. Sumber : (Wei, Li, & Li, 27) Sedangkan penelitian sebelumnya yang menggunakan teknik GLCM (Wei, Li, & Wilson, 25) dengan meretrif citra berdasarkan 6 kelas abnormalitas (calcification, circumscribed masses, speculated masses, architectural distortion, asymmetry, ill-defined masses) dari data MIAS menghasilkan nilai precision tertinggi 51%. Tabel 4.6 Perbandingan sistem retrival dengan penelitian sebelumnya Nilai rata-rata precision NMF & DTCWT 89% (dengan 3 kelas) GLCM 51% (dengan 6 kelas) Dengan melihat hasil penelitian sebelumnya, retrival mammogram dengan menggunakan teknik NMF dan DTCWT tidak menghasilkan akurasi yang lebih jelek dibandingkan penelitian sebelumnya walaupun kelas retrival yang dilakukan berbeda. 54
18 Dengan melihat hasil retrival dengan teknik NMF dan DT CWT menghasilkan nilai retrival yang baik, maka penulis melakukan pengujian dengan menggunakan data mammogram dari Rumah Sakit Kanker Dharmais di Jakarta. Data mammogram yang digunakan terdiri dari 2 kelas, yaitu kelas normal (15 citra) dan abnormal (3 citra). Data untuk test diambil dari masing-masing kelas sebanyak 2 citra, sisanya digunakan untuk data training. Retrival dilakukan pada level 4 DT CWT karena data mammogram dari RSK Dharmais lebih besar (76 x 112 piksel). Hasil retrival ditunjukkan pada gambar 4.23 dan Nilai precision tertinggi yang dihasilkan dari 2 test citra adalah 8% untuk kedua kelas tersebut. Nilai precision yang dihasilkan ini menunjukkan hasil yang lebih rendah dibandingkan dengan memakai data MIAS, hal ini dikarenakan proses cropping pada data RSK Dharmais tidak berdasarkan radius dari pusat kanker disebabkan tidak adanya informasi mengenai pusat kanker pada metadatanya. Gambar 4.23 Hasil Retrival dengan Citra Kuery Normal. Gambar 4.24 Hasil Retrival dengan Citra Kuery Abnormal. 55
BAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini dilakukan eksperimen sebanyak dua kali. Eksperimen pertama dilakukan untuk menguji keberhasilan klasifikasi ROI ke dalam jenis keabnormalan,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini, eksperimen dilakukan dua kali, dimana setiap eksperimen memiliki perbedaan pada pembagian dari kelas-kelas kanker. Eksperimen pertama
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini, eksperimen dilakukan terhadap 3 metode NMF, yaitu normal NMF, Local NMF, dan nsnmf.untuk setiap metode NMF, eksperimenakan dilakukan
Lebih terperinciBAB 1 PENDAHULUAN. tubuh manusia. Hal itu dapat dipicu oleh berbagai faktor. Salah satunya adalah dari
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Di zaman ini, semakin banyak penyakit yang bermunculan dan terjangkit pada tubuh manusia. Hal itu dapat dipicu oleh berbagai faktor. Salah satunya adalah dari makanan
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. 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 terperinciDIAGNOSIS KANKER PAYUDARA PADA MAMMOGRAM MENGGUNAKAN METODE TRANSFORMASI CURVELET DAN CBIR
DIAGNOSIS KANKER PAYUDARA PADA MAMMOGRAM MENGGUNAKAN METODE TRANSFORMASI CURVELET DAN CBIR TRI ADHI WIJAYA [5108100510] Surabaya, 19 Juli 2010 / Ruang Sidang S2 Gedung Teknik Informatika ITS Latar Belakang
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 terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker merupakan proses penyakit yang terjadi karena sel abnormal mengalami mutasi genetik dari DNA seluler. Sel abnormal membentuk klon dan berproliferasi secara abnormal
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 terperinciBAB 1 PENDAHULUAN. terjadi terhadap para wanita semenjak beberapa dekade terakhir ini. Tentunya hal ini
BAB 1 PENDAHULUAN 1.1 Latar Belakang Kanker payudara telah menjadi salah satu penyebab kematian terbesar yang terjadi terhadap para wanita semenjak beberapa dekade terakhir ini. Tentunya hal ini menjadi
Lebih terperinciKombinasi Teknik Ekstraksi Fitur pada Sistem Temu Kembali Citra Mammogram
Kombinasi Teknik Ekstraksi Fitur pada Sistem Temu Kembali Citra Mammogram Diana Purwitasari Teknik Informatika - FTIF, Institut Teknologi Sepuluh Nopember diana@if.its.ac.id Anugrah Nahari Teknik Informatika
Lebih terperinciBAB 1 PENDAHULUAN. di bidang pendidikan, keamanan, perkantoran, bahkan pada bidan g
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarangini dunia berada di era digital. Era dimana hampir setiap aspek dalamkehidupan manusia sangat berhubungan erat dengan teknologi komputasi baik di bidang pendidikan,
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. kanker payudara apakah tergolong normal atau abnormal (benign atau malignant)
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Sistem aplikasi yang kami kembangkan adalah sistem pengklasifikasian jenis kanker payudara apakah tergolong normal atau abnormal (benign atau malignant)
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker adalah suatu penyakit dimana terjadi pertumbuhan berlebihan atau perkembangan tidak terkontrol dari sel-sel jaringan pada bagian tubuh tertentu. Kanker payudara
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
32 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Pengukuran Precision Pada penelitian ini, eksperimen dilakukan terhadap 160 gambar ZuBuD yang terdiri dari 40 kategori gambar (setiap kategori terdiri atas 4 gambar).
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI II.1 Retrival Citra Berbasis Konten Dalam berbagai aplikasi computer vision yang banyak digunakan adalah proses meretrif citra yang diinginkan dari koleksi citra yang besar berdasarkan
Lebih terperinciBAB 1 PENDAHULUAN. Pada tahun 1970an penelitian awal image retrieval dilakukan dengan
BAB 1 PENDAHULUAN 1.1 Latar belakang Pada tahun 1970an penelitian awal image retrieval dilakukan dengan menggunakan pendekatan pengindeksan dan informasi citra berbasis teks. Teknik pencarian berbasis
Lebih 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 terperinciKlasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM)
IJCCS, Vol.8, No.1, January 2014, pp. 59~68 ISSN: 1978-1520 59 Klasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM) Refta Listia* 1, Agus Harjoko 2 1 Prodi S2/S3 lmu
Lebih terperinciBab I. Pendahuluan. dibutuhkan. Tidak hanya untuk memudahkan proses penyimpanan dan
Bab I Pendahuluan I. 1 Latar Belakang Dewasa ini, kebutuhan akan sebuah teknologi yang mampu menganalisis dan mengklasifikasikan berbagai citra ke dalam kelas-kelas yang sesuai sangat dibutuhkan. Tidak
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 terperinciBAB I PENDAHULUAN. semakin tinggi jumlah citra dijital yang dapat diakses oleh pengguna. Basis data citra
BAB I PENDAHULUAN 1.1 Latar Belakang Dengan perkembangan teknologi informasi dan komunikasi yang semakin pesat, semakin tinggi jumlah citra dijital yang dapat diakses oleh pengguna. Basis data citra akan
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 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 III METODOLOGI PENELITIAN
27 BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Saat ini perkembangan teknologi memungkinkan kita untuk membantu memberikan solusi di berbagai bidang. Multimedia Database memberikan banyak kontribusi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Pada bab pendahuluan ini akan diuraikan penjelasan mengenai latar belakang penelitian, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan
Lebih terperinciBAB 1 PENDAHULUAN 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 terperinciBAB III PEMBAHASAN. arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk
BAB III PEMBAHASAN Bab III merupakan pembahasan yang meliputi proses penelitian yaitu arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk klasifikasi stadium kanker payudara,
Lebih terperinciBAB 3 METODOLOGI. 3.1 Rancangan Program Pemilihan Metode. Dalam perancangan program mammogram, telah ditemukan banyak
BAB 3 METODOLOGI 3.1 Rancangan Program 3.1.1 Pemilihan Metode Dalam perancangan program mammogram, telah ditemukan banyak sekali metode yang dapat digunakan. Metode-metode yang ada mencakup program yang
Lebih terperinciBAB IV HASIL DAN PENGUJIAN. telah dibuat. Pengujian yang dilakukan adalah menguji proses region of interest
BAB IV HASIL DAN PENGUJIAN Bab ini menjelaskan tentang seluruh hasil pengujian dari aplikasi yang telah dibuat. Pengujian yang dilakukan adalah menguji proses region of interest (ROI) yaitu suatu proses
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 terperinciSISTEM DIAGNOSIS MAMMOGRAM DIJITAL BERBANTUKAN KOMPUTER DENGAN MENGGUNAKAN TEKNIK EKSTRAKSI FITUR DAN SUPPORT VECTOR MACHINES
SISTEM DIAGNOSIS MAMMOGRAM DIJITAL BERBANTUKAN KOMPUTER DENGAN MENGGUNAKAN TEKNIK EKSTRAKSI FITUR DAN SUPPORT VECTOR MACHINES Hendry Kosasi Binus University, Jakarta, DKI Jakarta, Indonesia Kevin Setiawan
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 Latar belakang masalah
BAB 1 PENDAHULUAN 1.1. Latar belakang masalah Saluran pernapasan pada manusia terdiri dari rongga hidung, faring, laring, trakea, percabangan bronkus dan paru-paru (bronkiolus, alveolus). Paru-paru merupakan
Lebih terperinci1. Pendahuluan 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Saat ini, kebutuhan manusia akan teknologi semakin meningkat karena tidak bisa dipungkiri bahwa teknologi tersebut dapat meringankan pekerjaan manusia. Hal ini juga diimbangi
Lebih 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 I PENDAHULUAN. terkontrol pada jaringan paru. Munculnya kanker ditandai dengan
BAB I PENDAHULUAN A. Latar Belakang Kanker paru adalah penyakit pertumbuhan jaringan yang tidak dapat terkontrol pada jaringan paru. Munculnya kanker ditandai dengan pertumbuhan sel yang tidak normal,
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 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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi berisi tahapan-tahapan yang dilakukan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 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 terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Penggunaan citra yang semakin meningkat menimbulkan kebutuhan retrival citra yang juga semakin meningkat. Diperlukan suatu metode retrival citra yang efektif
Lebih terperinciBAB IV HASIL DAN PENGUJIAN. Perancangan perangkat lunak terdiri dari beberapa bagian, yaitu perangkat
BAB IV HASIL DAN PENGUJIAN Perancangan perangkat lunak terdiri dari beberapa bagian, yaitu perangkat lunak berbasis shadow feature dan multi layer perceptron (MLP), pada bagian shadow feature bagian input
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Pengukuran Precision & Recall Pada penelitian ini, eksperimen dilakukan terhadap 1000 gambar corel yang terdiri dari 10 kategori gambar (setiap kategori terdiri atas
Lebih terperinciBAB I PENDAHULUAN. jaringan ikat pada payudara. Terdapat beberapa jenis kanker payudara antara lain
BAB I PENDAHULUAN A. Latar Belakang Kanker payudara adalah pertumbuhan sel-sel pada jaringan payudara secara abnormal, terus menerus, tidak terkontrol dan tidak terbatas. Kanker bisa mulai tumbuh di dalam
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Desain frame grabber Desain frame grabberdiawali dengan pemilihan perangkat kamera yang akan digunakan. Video akan muncul komponen VideoWindow1 yang secara realtime terhubung
Lebih terperinciPENERAPAN METODE JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK MENDIAGNOSIS TINGKAT KEGANASAN KANKER PAYUDARA RESTI GUSTIANINGSIH
PENERAPAN METODE JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK MENDIAGNOSIS TINGKAT KEGANASAN KANKER PAYUDARA RESTI GUSTIANINGSIH DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciIDENTIFIKASI BIOMETRIK FINGER KNUCKLE PRINT MENGGUNAKAN FITUR EKSTRAKSI PCA DAN GLCM
1 IDENTIFIKASI BIOMETRIK FINGER KNUCKLE PRINT MENGGUNAKAN FITUR EKSTRAKSI DAN Ratna Dwi Jayanti A11.2011.05949 Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro, Jl.
Lebih terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Cabai merupakan tanaman yang banyak dibutuhkan untuk kehidupan sehari hari seperti memasak, baik secara langsung ataupun diolah dahulu. Salah satu contoh produk olahan
Lebih terperinciBAB 4 PENGUJIAN DAN EVALUASI. dengan menggunakan 15 tanda tangan yang berasal dari 1 user yang masing masing
BAB 4 PENGUJIAN DAN EVALUASI 4.1 Pengujian Pengujian tanda tangan dilakukan dengan cara meminta masing masing user untuk melakukan 60 tanda tangan. Lalu kami akan menyeleksi tanda tangan mereka dengan
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciDeteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna
F7 bentuk [5]. Pendekatan berbasis bentuk bibir menggunakan Deteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna Shinta Puspasari, STMIK lobal Informatika MDP Abstrak Metode yang
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 terperinciAPLIKASI PENGKLASIFIKASIAN MOTIF BATIK TULIS LASEM MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM) DAN SUPPORT VECTOR MACHINE (SVM)
APLIKASI PENGKLASIFIKASIAN MOTIF BATIK TULIS LASEM MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Sebagai Salah Satu Syarat Untuk Memperoleh
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 terperinciPERBANDINGAN EKSTRAKSI CIRI PADA DATA MAMMOGRAM UNTUK IDENTIFIKASI MIKROKALSIFIKASI
PERBANDINGAN EKSTRAKSI CIRI PADA DATA MAMMOGRAM UNTUK IDENTIFIKASI MIKROKALSIFIKASI Endang Supriyati Fakultas Teknik, Program Studi Teknik Informatika Universitas Muria Kudus Email: esupriyati@gmail.com
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 terperinciBAB 4 PEMROSESAN CITRA DAN IMPLEMENTASI Pemrosesan Citra dan Rancangan Eksperimen untuk Fusi Citra
BAB 4 PEMROSESAN CITRA DAN IMPLEMENTASI 4.1. Pemrosesan Citra dan Rancangan Eksperimen untuk Fusi Citra Pada fusi data citra fluorescent hijau dan fluorescent merah penulis melakukan Pixel Level Fusion
Lebih terperinciBAB IV ANALISIS DAN PERANCANGAN
BAB IV ANALISIS DAN PERANCANGAN 4.1. Analisa 4.1.1 Analisis Data Pada tahap analisa data ini akan dibahas mengenai citra CT Scan yang akan dilakukan proses segmentasi atau pengelompokan data. Data citra
Lebih terperinciBAB III ANALISIS MASALAH DAN RANCANGAN PROGRAM
BAB III ANALISIS MASALAH DAN RANCANGAN PROGRAM III.1. Analisis Sistem yang Sedang Berjalan Proses analisa sistem merupakan langkah kedua pada pengembangan sistem. Analisa sistem dilakukan untuk memahami
Lebih terperinciDETEKSI KELAINAN KANKER PAYUDARA BERDASARKAN CITRA MAMMOGRAM MENGGUNAKAN JARINGAN SYARAF TIRUAN LVQ (LEARNING VEQTOR QUANTIZATION)
DETEKSI KELAINAN KANKER PAYUDARA BERDASARKAN CITRA MAMMOGRAM MENGGUNAKAN JARINGAN SYARAF TIRUAN LVQ (LEARNING VEQTOR QUANTIZATION) Juwita Puteri Nurasyah¹, Achmad Rizal², Koredianto Usman³ ¹Teknik Telekomunikasi,,
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Analisa Masalah Kemajuan teknologi di bidang multimedia, menuntut kemampuan sistem yang lebih baik dan lebih maju dari sebelumnya, sesuai dengan perkembangan teknologi.
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 I PENDAHULUAN. Kanker serviks atau sering disebut dengan kanker leher rahim adalah
BAB I PENDAHULUAN A. Latar Belakang Kanker serviks atau sering disebut dengan kanker leher rahim adalah kanker yang terjadi pada leher rahim, yaitu organ yang menghubungkan rahim dengan vagina. Penyakit
Lebih terperinciBAB III METODE PENELITIAN. ada beberapa cara yang telah dilakukan, antara lain : akan digunakan untuk melakukan pengolahan citra.
BAB III METODE PENELITIAN Untuk pengumpulan data yang diperlukan dalam melaksanakan tugas akhir, ada beberapa cara yang telah dilakukan, antara lain : 1. Studi Kepustakaan Studi kepustakaan berupa pencarian
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 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... 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 terperinciPERBANDINGAN DTCWT DAN NMF PADA FACE RECOGNITION MENGGUNAKAN EUCLIDEAN DISTANCE
PERBANDINGAN DTCWT DAN NMF PADA FACE RECOGNITION MENGGUNAKAN EUCLIDEAN DISTANCE David; Ferdinand Ariandy Luwinda Computer Science Department, School of Computer Science, Binus University Jl. K.H. Syahdan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Identifikasi Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang 1.1.1. Identifikasi Masalah Penggunaan citra digital telah menjadi semakin popular akhir-akhir ini. Hal ini menyebabkan program pengolah grafis untuk memanipulasi citra
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 terperinciPENGELOMPOKAN GAMBAR BERDASARKAN FITUR WARNA DAN TEKSTUR DENGAN FGKA CLUSTERING (FAST GENETICS K-MEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR
PENGELOMPOKAN GAMBAR BERDASARKAN FITUR WARNA DAN TEKSTUR DENGAN FGKA CLUSTERING (FAST GENETICS K-MEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR Dewi Wulansari, S.ST 1, Entin Martiana K, M.Kom 2, Nana Ramadijanti,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada dasarnya manusia memiliki system pencernaan yang bernama usus, dalam hal ini usus ialah bagian dari system pencernaan yang bermula dari akhir lambung sampai anus.
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciAplikasi Metode Fractal Lacunarity Untuk Identifikasi Kanker Payudara Kartika Kapuas Sari 1, Nurhasanah 1 Joko Sampurno 1*
Aplikasi Metode Fractal Lacunarity Untuk Identifikasi Kanker Payudara Kartika Kapuas Sari 1, Nurhasanah 1 Joko Sampurno 1* 1 Prodi Fisika, FMIPA Universitas Tanjungpura,, Jalan Prof. Dr. Hadari Nawawi,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Tulisan Tangan angka Jawa Digitalisasi Pre-Processing ROI Scalling / Resize Shadow Feature Extraction Output Multi Layer Perceptron (MLP) Normalisasi
Lebih terperinciPERBANDINGAN METODE UNTUK PERBAIKAN KUALITAS CITRA MAMMOGRAM
PERBANDINGAN METODE UNTUK PERBAIKAN KUALITAS CITRA MAMMOGRAM Hanifah Rahmi Fajrin Program Studi Teknik Elektromedik, Program Vokasi Universitas Muhammadiyah Yogyakarta Email: hanifahfajrin@gmail.com ABSTRAK
Lebih terperinciSISTEM TEMU KEMBALI INFORMASI
SISTEM TEMU KEMBALI INFORMASI ROCCHIO CLASSIFICATION Badrus Zaman, S.Si., M.Kom Doc. 1..???? Doc. 2..**** Doc. 3. #### Doc. 4..@@@ 081211633014 Emilia Fitria Fahma S1 Sistem Informasi Pengertian Teknik
Lebih terperinciBAB IV PEMBAHASAN. Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil
BAB IV PEMBAHASAN Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil model Radial Basis Function Neural Network untuk diagnosa kanker otak, hasil klasifikasi, dan ketepatan hasil klasifikasinya.
Lebih terperinciBAB I PENDAHULUAN 1.1 LATAR BELAKANG. Tekstur adalah salah satu elemen dasar citra. Elemen dasar ini berupa ciriciri
1 BAB I PENDAHULUAN 1.1 LATAR BELAKANG Tekstur adalah salah satu elemen dasar citra. Elemen dasar ini berupa ciriciri atau sifat-sifat yang terdapat didalam citra dan membentuk suatu pola-pola dengan interval
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 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 terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
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 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 terperinciPENGHAPUSAN NOISE PADA CITRA DENGAN FILTER ADAPTIVE-HIERARCHICAL
PENGHAPUSAN NOISE PADA CITRA DENGAN FILTER ADAPTIVE-HIERARCHICAL Kata Kunci : Noise Removal, Edge Detection, impuls noise, Oleh : ANA WAHYU HAKIM Dosen pembimbing I: Prof. Dr. Ir. Handayani Tjandrasa M.Sc
Lebih terperinciBAB 4 ANALISA HASIL SISTEM
BAB 4 ANALISA HASIL SISTEM 4.1. Umum Pada bab ini akan dilakukan mengenai pengujian terhadap prosentase kemiripan dari sistem aplikasi yang telah dirancang. lingkup uji coba sistem aplikasi ini adalah
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Bab ini membahas langkah-langkah dari implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi aktivitas menggunakan algoritma k-nearest neighbor
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 terperinciBAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA 2.1 Computer Aided Mammography Menurut Yusuf (2007), Computer-Aided Mammography (CAM) merupakan sebuah sistem yang digunakan untuk melakukan deteksi dan klasifikasi terhadap kanker
Lebih terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Computer Aided Detection (CADe) and Diagnosis (CADx) Mammogram Sejak 1998, teknologi CADe telah disetujui oleh FDA (Food and Drug Administration) untuk digunakan dalam mammography
Lebih terperinciUKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Alat transportasi merupakan bagian dari ekosistem kota yang perlahan terus berkembang dan memenuhi kebutuhan penduduk agar dapat berpindah dari satu tempat
Lebih terperinciSegmentasi Dan Pelabelan Pada Citra Panoramik Gigi
Segmentasi Dan Pelabelan Pada Citra Panoramik Gigi Nur Nafi iyah 1, Yuliana Melita, S.Kom, M.Kom 2 Program Pascasarjana Sekolah Tinggi Teknik Surabaya Email: nafik_unisla26@yahoo.co.id 1, ymp@stts.edu
Lebih terperinciBAB III PEMBAHASAN. A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium
BAB III PEMBAHASAN A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium Kanker Payudara Fuzzy Neural Network (FNN) adalah gabungan sistem fuzzy dengan Artificial Neural Network (ANN).
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Metode Penelitian Penelitian ini menggunakan jenis penlitian eksperimen, dengan tahapan penelitian sebagai berikut: 1. Pengumpulan Data Tahap ini dilakukan sebagai langkah
Lebih terperinciSEGMENTASI CITRA BATIK BERDASARKAN FITUR TEKSTUR MENGGUNAKAN METODE FILTER GABOR DAN K-MEANS CLUSTERING
SEGMENTASI CITRA BATIK BERDASARKAN FITUR TEKSTUR MENGGUNAKAN METODE FILTER GABOR DAN K-MEANS CLUSTERING #1 Amin Padmo A.M, #2 Murinto Program Studi Teknik Informatika, Fakultas Teknologi Industri Universitas
Lebih terperinci