HASIL DAN PEMBAHASAN. Tabel 1 Operator descriptor
|
|
- Devi Darmadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 derajat (24, 3) 7 x 7 15 derajat Penentuan ukuran blok dan kuantisasi sudut yang digunakan untuk satu local region menggunakan persamaan berikut: (3) (31) Ilustrasi pembagian citra ke dalam beberapa blok ditunjukkan pada Gambar 15. 3x3 piksel 5x5 piksel 7x7 piksel Gambar 15 Ilustrasi pembagian ukuran blok pada citra. Ekstraksi tekstur dilakukan pada setiap blok. Setiap blok overlapping dengan blok berikutnya dengan jarak satu piksel. Masingmasing blok diekstraksi menggunakan descriptor. Ekstraksi tekstur menggunakan Ekstraksi tekstur menggunakan descriptor dalam mengolah setiap blok (local region) pada suatu citra dengan menggunakan persamaan (26). Hasil dari pengolahan setiap blok menghasilkan pola LBP. Kemudian pola LBP dari setiap blok diidentifikasi masuk ke dalam uniform patterns atau nonuniform patterns. Gambar 16 Pembentukan histogram. Hasil pengolahan dari setiap blok suatu citra akan direpresentasikan melalui histogram yang merupakan frekuensi nilai. Ilustrasi pembentukan histogram ditunjukkan pada Gambar 16. Histogram descriptor memiliki bin. Bin pertama sampai dengan merupakan bin uniform patterns, sedangkan bin terakhir ( ) untuk non uniform patterns. Klasifikasi dengan Probabilistic Neural Network Identifikasi citra dilakukan dengan klasifikasi menggunakan Probabilistic Neural Network (PNN). Hasil ekstraksi enam ratus citra daun tanaman berpenyakit menggunakan menghasilkan vektor-vektor histogram citra daun berpenyakit, vektor yang diperoleh dari proses ekstraksi fitur FFT, dan vektor-vektor hasil penggabungan fitur FFT dan. Vektor-vektor tersebut menjadi masukan bagi klasifikasi citra menggunakan PNN. Klasifikasi dibagi dengan 7% sebagai data latih dan 3% data uji. Setelah itu dilakukan proses training. Hasil dari training diperoleh model klasifikasi. Model klasifikasi ini yang digunakan untuk menglasifikasi data query citra daun yang ingin diketahui jenis penyakitnya. Pengujian dengan Sistem Pengujian data dilakukuan oleh sistem, yaitu dengan penilaian tingat keberhasilan klasifikasi terhadap citra kueri. Evaluasi dari kinerja didasarkan pada banyaknya data uji yang diprediksi secara benar dan tidak benar oleh model. Hal ini dapat dihitung menggunakan akurasi yang didefinisikan sebagai berikut: (32) terbaik dari hasil berbagai model klasifikasi merupakan model yang akan dipakai untuk identifikasi daun pada citra kueri baru. HASIL DAN PEMBAHASAN Penelitian ini menerapkan FFT dan sebagai ekstraksi ciri. Citra yang digunakan pada penelitian ini adalah citra daun tanaman Anthurium dan Padi dengan enam kelas penyakit, dimana tiap-tiap kelas memiliki seratus citra dengan format yang sama yaitu JPG. Kemudian citra tersebut diesktraksi dengan menggunakan FFT,, dan yang terakhir diekstraksi dengan menggunakan penggabungan fitur FFT dengan 9
2 Hasil Praproses Pada tahap awal praproses, citra RGB dengan latar belakang putih dilakukan cropping untuk mendapatkan objek tanaman berpenyakit. Kemudian citra hasil cropping dilakukan proses zooming dengan tujuan untuk memperjelas tekstur citra yang terserang penyakit. Jika hanya berdasarkan informasi ciri warna dan bentuk sulit untuk menentukan jenis penyakit yang menyerang tanaman, disebabkan kebanyakan penyakit yang menyerang tanaman memiliki karakteristik ciri warna dan bentuk yang sama, seperti penyakit Bercak Kuning pada tanaman Anthurium dan Tungro pada tanaman Padi memiliki gejala awal yang sama yaitu berwarna kuning. Citra hasil proses zooming dengan mode warna RGB diubah menjadi grayscale untuk proses ekstraksi selanjutnya. Hasil praproses data dapat dilihat pada Gambar 17. Gambar 17 Praproses data citra berpenyakit, di cropping dan mode warna diubah menjadi grayscale. Hasil Pemodelan Fast Fourier Transform Citra yang telah dipraproses kemudian dilakukan penerapan dengan pemodelan fourier. Dari pemodelan dapat dilihat spektrum fourier masing-masing citra tersebut. Spektrum fourier yang dihasilkan kemudian diubah ke dalam bentuk histogram. Dari nilai-nilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri yaitu mean, varians, bedaan1, bedaan2, standar deviasi, skewness, kurtosis, Entropi, dan nilai piksel tertinggi. Parameter ciri inilah yang akan digunakan untuk klasifikasi dengan PNN. Hasil transformasi dengan FFT, seperti diperlihatkan pada Gambar 18. Gambar 18 Citra hasil praproses, spektrum fouriernya, dan histogram hasil spektrum fourier. Contoh hasil ekstraksi parameter ciri tekstur dengan FFT dapat dilihat pada Tabel 2 berikut: Tabel 2 Nilai ciri tekstur FFT Parameter Ciri Nilai Ciri Mean Varians Bedaan Bedaan Standar Deviasi Skewness.9159 Kurtosis Nilai Piksel Tertinggi 8.12 Entropi 2.47 Hasil Ekstraksi Tekstur dengan Hasil ekstraksi dengan direpresentasikan dengan histogram. Histogram descriptor untuk empat operator diperlihatkan pada Gambar 19. Frekuensi Anthurium sp. Operator (8,1) 1
3 Frekuensi Frekuensi Frekuensi Operator (8,2) Operator (16,2) Operator (24,3) Identifikasi Citra Identifikasi citra dilakukan dengan klasifikasi menggunakan Probabilistic Neural Network (PNN). Hasil ekstraksi enam ratus citra yang terdiri atas enam jenis penyakit tanaman menggunakan fitur FFT,, dan descriptor menghasilkan vektor-vektor histogram citra tanaman hias. Vektor-vektor tersebut menjadi masukan bagi klasifikasi citra menggunakan PNN. Klasifikasi dilakukan dengan membagi data latih dan data uji masing-masing 7% dan 3%. Untuk setiap jenis penyakit tanaman, tiga di antaranya menjadi data uji untuk melihat akurasi klasifikasi. Ekstraksi dengan descriptor menggunakan empat operator, dilakukan pemilihan operator terbaik. Untuk menentukan operator terbaik dapat dilihat dari hasil nilai akurasi dalam satuan persen yang disajikan pada Tabel 3. Tabel 3 klasifikasi PNN Descriptor P=8, R=1 P=8, R=2 P=16, R=2 P=24, R= Gambar 19 Histogram descriptor citra tanaman hias Anthurium sp. Histogram operator pada Gambar 19 menunjukkan nilai uniform patterns dan satu nilai nonuniform patterns, dimana non uniform patterns berada pada single bin terakhir. Bin nonuniform patterns memiliki frekuensi yang paling tinggi untuk semua operator karena pola-pola LBP nonuniform yang ditemukan hanya ditempatkan pada satu bin. Bin ini menggabungkan seluruh non uniform patterns yang ada pada tekstur citra. Nonuniform pattern memiliki informasi yang kurang informatif, sehingga bukan merupakan karakteristik utama dari tekstur lokal suatu citra. Histogram di atas mendeskripsikan tekstur suatu citra. Pada penelitian ini operator (8,1) mendeskripsikan tekstur lebih baik dibanding operator (8,2), (16,2), dan (24,3). Banyaknya bin menyebabkan pola-pola uniform menyebar, sehingga sulit dibedakan antar pola di dalam tekstur. Banyaknya proporsi uniform patterns menentukan kebaikan penggambaran suatu tekstur. Dari Tabel 3, akurasi tertinggi untuk descriptor berada pada operator (8,1), merupakan operator terbaik pada klasifikasi citra menggunakan PNN. Operator tersebut akan digunakan untuk pengujian identifiksi citra tanaman hias oleh sistem. Operator (8,1) memiliki kuantisasi sudut 45 derajat (jarak antar sampling points 45 derajat). Kuantisasi sudut 45 derajat merupakan kuantisasi sudut secara kasar (crude quantization) bila dibandingkan dengan sampling points 16 dan 24 yang masing-masing memunyai kuantisasi sudut 22.5 dan 15 derajat. Kuantisasi sudut 45 derajat mampu mengambil nilai piksel-piksel ketetanggaan melingkar yang berbeda-beda (discriminant), sehingga diperoleh pola-pola LBP yang juga berbeda-beda. Bervariasinya pola-pola LBP menjadi penciri yang baik dalam ekstraksi tekstur. Ekstraksi ciri berikutnya dengan menggunakan FFT. Spektrum yang dihasilkan dari FFT harus digeser ke tengah bidang gambar, dan selanjutnya harus dilakukan normalisasi tingkat keabuan untuk mendapatkan tampilan spektrum yang jelas dan lebih baik. Hasil spektrum diubah ke bentuk histogram, kemudian dihitung dengan 11
4 menggunakan pendekatan statistik dan menghasilkan sembilan nilai fitur yaitu mean, varians, bedaan1, bedaan2, standar deviasi, skewness, kurtosis, entropi, dan nilai piksel tertinggi. Fitur-fitur yang dihasilkan digunakan sebagai masukan dalam proses klasifikasi. Ekstraksi ciri yang terakhir adalah merupakan. Jumlah fitur yang digunakan ada sembilan belas yang berasal dari sembilan fitur FFT digabung dengan fitur hasil, sehingga didapatkan vektor berukuran 6 x 19 sebagai masukan pada klasifikasi citra menggunakan PNN. Hasil Pengujian Data Anthurium dan Padi dengan Klasifikasi PNN Pengujian identifikasi citra dilakukan oleh sistem. Citra kueri masukan akan diekstraksi dengan fitur FFT,, dan. Kemudian sistem akan mengeluarkan hasil ekstraksi dan hasil identifikasi citra kueri tersebut. Hasil identifikasi citra akan mengeluarkan nama citra kueri dan informasi lebih lanjut mengenai citra kueri tersebut. Pemodelan pengujian identifikasi citra dengan sistem dapat dilihat pada Lampiran 2. Klasifikasi ciri tekstur dengan FFT menggunakan nilai bias sebesar.84, untuk ciri digunakan nilai bias.2, dan nilai bias untuk penggabungan ciri FFT dengan sebesar 11. Perbandingan akurasi klasifikasi masing-masing kelas penyakit tanaman disajikan di pada Tabel 4, 5, dan 6. Tabel 4 setiap kelas penyakit dengan fitur FFT Tota l BD BK BP LB T HD Tabel 5 setiap kelas penyakit dengan fitur Total BD BK BP LB T HD Tabel 6 setiap kelas penyakit dengan Total BD BK BP LB T HD dengan : BD = Bercak Daun BK = Bercak Kuning BP = Bronw Spot LB = Leaf Blast T = Tungro HD = Hawar Daun. Tiga Pemodelan pengujian yaitu menggunakan fitur FFT,, dan untuk setiap kelas digunakan untuk mengindentifikasi citra oleh sistem. Grafik hasil akurasi pengujian klasifikasi setiap kelas penyakit tanaman seperti ditunjukkan Gambar Fitur FFT 12
5 1 Fitur LBP KESIMPULAN DAN SARAN Fitur FFT dengan LBP Gambar 2 jenis penyakit dengan menggunakan fitur FFT,, dan penggabungan fitur FFT dengan. Hasil akurasi dari pengujian tiga fitur ekstrasi ciri yang telah dilakukan, diperoleh akurasi dengan menggunakan fitur FFT yaitu 69,4%, akurasi dengan fitur yaitu 85,56%, dan akurasi penggabungan fitur FFT dengan yaitu 85,56%. Ekstraksi ciri dengan fitur dan penggabungan fitur FFT dengan memiliki akurasi yang sama, tetapi dari grafik hasil akurasi pada Gambar 2 dapat dilihat bahwa ekstraksi ciri yang paling baik digunakan sebagai penciri dalam identifikasi penyakit tanaman adalah. Dari grafik Gambar 2 dapat dilihat ekstraksi ciri dengan menggunakan fitur FFT, penyakit tungro adalah jenis penyakit yang sulit untuk dideteksi dengan akurasi sekitar 5%, sementara ekstraksi ciri menggunakan fitur penyakit Bercak Kuning adalah jenis penyakit yang sulit untuk dideteksi dengan akurasi sekitar 6%. Sementara ketika menggunakan ekstraksi ciri dengan kedua penyakit tersebut dikenali dengan lebih baik, ini terlihat dari kenaikan akurasi untuk penyakit tungro naik menjadi 76,67% dan Bercak Kuning naik menjadi 86,67%. Kesimpulan Penelitian ini melakukan Identifikasi Penyakit pada tanaman Padi dan Anthurium berdasarkan ciri tekstur dengan menggunakan Fast Fourier Transform dan Local Binary Pattern dengan Probabilistic Neural Network telah berhasil diimplementasikan. Penggabungan fitur FFT dengan adalah ekstraksi ciri terbaik untuk digunakan sebagai penciri dalam identifikasi jenis penyakit tanaman dengan akurasi klasifikasi 85,56%. Untuk operator P=8, R=1 merupakan operator terbaik dalam klasifikasi citra dengan menggunakan PNN. Saran Beberapa saran yang dapat ditambahkan pada penelitian ini, di antaranya : 1 Penelitian ini menggunakan data citra penyakit terbatas. Untuk penelitian selanjutnya variasi dan jumlah penyakit pada tanaman dapat ditambahkan untuk data citra penyakit. 2 Penggunaan metode penggabungan operator (multiresolution) perlu dilakukan untuk mendapatkan penciri tekstur yang lebih baik lagi. 3 Data yang digunakan dalam penelitian ini dilakukan cropping terlebih dahulu untuk mendapatkan fokus terhadap penyakit, untuk penelitian selanjutnya penggunaan citra utuh perlu dipertimbangkan. DAFTAR PUSTAKA BPP Teknologi Padi (Oriza Sativa). Jakarta: BPP Teknologi. Kebapci H, Yanikoglu B, & Unal G. 29. Plant Image Retrieval Using Color, Shape, and Texture Features. Faculty of Engineering and Natural Sciences Sanbaci University. Kulsum, Lies Umi. 21. Identifikasi Tanaman Hias secara Otomatis Menggunakan Metode Local Binary Pattern Descriptor dan Probabilistic Neural Network [Skripsi]. Bogor: Departement Ilmu Komputer, FMIPA, Institut Pertanian Bogor. 13
dengan 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 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 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 terperincipola-pola yang terdapat pada suatu daerah bagian citra. Tekstur juga dapat membedakan permukaan dari beberapa kelas.
Ruang Lingkup Penelitian Ruang Lingkup penelitian ini adalah: 1. Objek citra adalah data citra daun tumbuhan obat dan citra pohon tanaman hias di Indonesia. 2. Dalam penelitian ini operator MBLBP yang
Lebih terperinciGambar 15 Contoh pembagian citra di dalam sistem segmentasi.
dalam contoh ini variance bernilai 2000 I p I t 2 = (200-150) 2 + (150-180) 2 + (250-120) I p I t 2 = 28400. D p (t) = exp(-28400/2*2000) D p (t) = 8.251 x 10-4. Untuk bobot t-link {p, t} dengan p merupakan
Lebih terperinciEKSTRASI TEKSTUR CITRA MENGGUNAKAN LOCAL BINARY PATTERN UNTUK IDENTIFIKASI PENYAKIT TANAMAN PADI DAN ANTHURIUM BERBASIS WEBSITE TOMY KURNIAWAN
EKSTRASI TEKSTUR CITRA MENGGUNAKAN LOCAL BINARY PATTERN UNTUK IDENTIFIKASI PENYAKIT TANAMAN PADI DAN ANTHURIUM BERBASIS WEBSITE TOMY KURNIAWAN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB I 1 PENDAHULUAN. 1.1 Latar Belakang
BAB I 1 PENDAHULUAN 1.1 Latar Belakang Bidang komputer merupakan suatu bidang yang tidak akan pernah berhenti dan selalu berkembang kegunaanya hingga sekarang ini. Teknologi baru dan aplikasi baru selalu
Lebih terperinci100% Akurasi = (11) Lingkungan Pengembangan
Algoritme Dekomposisi Wavelet Dekomposisi wavelet Haar dapat dijelaskan sebagai berikut : 1 Transformasi linear digunakan untuk mengubah ruang warna secara linear menjadi warna dasar. Karena citra yang
Lebih terperinciIDENTIFIKASI JENIS AGLAONEMA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK ADITYA DWI GUSADHA
1 IDENTIFIKASI JENIS AGLAONEMA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK ADITYA DWI GUSADHA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 IDENTIFIKASI
Lebih terperinciIdentifikasi Citra Daun Menggunakan Morfologi, Local Binary Patterns dan Convex Hulls
ISSN : 2442-8337 Identifikasi Citra Daun Menggunakan Morfologi, Local Binary Patterns dan Convex Hulls Desta Sandya Prasvita Program Studi Sistem Informasi, STIMIK ESQ Jl. TB Simatupang Kavling 1, Cilandak,
Lebih terperinciDeteksi Kemiripan Citra Tanaman Anggrek Menggunakan Metode Support Vector Machine (SVM) Kernel Linear
Jurnal Ilmiah ESAI Volume 8, No.3, Juli 214 ISSN No. 1978-634 Detecting Resemblance Of Orchid Plant Image Through Support Vector Machine (SVM) Of Kernel Linear Method Deteksi Kemiripan Citra Tanaman Anggrek
Lebih terperinciEKSTRAKSI TEKSTUR CITRA MENGGUNAKAN GAUSSIAN DAN MULTI-BLOCK LOCAL BINARY PATTERN UNTUK IDENTIFIKASI TUMBUHAN OBAT FANNY RISNURAINI
EKSTRAKSI TEKSTUR CITRA MENGGUNAKAN GAUSSIAN DAN MULTI-BLOCK LOCAL BINARY PATTERN UNTUK IDENTIFIKASI TUMBUHAN OBAT FANNY RISNURAINI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUANN ALAM
Lebih terperinciAPLIKASI MOBILE UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN LOCAL BINARY PATTERN DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK
APLIKASI MOBILE UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN LOCAL BINARY PATTERN DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK INTISARI Pauzi Ibrahim Nainggolan 1, Yeni Herdiyeni 2 1 Mahasiswa Departemen
Lebih terperinciANALISIS TEKSTUR UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN KLASIFIKASI SUPPORT VECTOR MACHINE
Analisis Tekstur untuk Identifikasi Tumbuhan Hani ANALISIS TEKSTUR UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN KLASIFIKASI SUPPORT VECTOR MACHINE Hani Zulfia Zahro Prodi Teknik Informatika, Fakultas Teknologi
Lebih terperinciPENGGABUNGAN FITUR MORFOLOGI, LOCAL BINARY PATTERN VARIANCE, DAN COLOR MOMENTS UNTUK APLIKASI MOBILE IDENTIFIKASI CITRA TUMBUHAN OBAT
PENGGABUNGAN FITUR MORFOLOGI, LOCAL BINARY PATTERN VARIANCE, DAN COLOR MOMENTS UNTUK APLIKASI MOBILE IDENTIFIKASI CITRA TUMBUHAN OBAT MAYANDA MEGA SANTONI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
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 terperinciPENGUKURAN KINERJA K-NEAREST NEIGHBORS
PENGUKURAN KINERJA K-NEAREST NEIGHBORS DAN SELF ORGANIZING MAPS MENGGUNAKAN FAST FOURIER TRANSFORM UNTUK IDENTIFIKASI PENYAKIT TANAMAN (STUDI KASUS : TANAMAN PADI DAN ANTHURIUM) MUHAMMAD IRFANSYAH DEPARTEMEN
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 terperinciPemanfaatan Teknologi Tepat Guna Identifikasi Tumbuhan Obat Berbasis Citra
Jurnal Ilmu Pertanian Indonesia (JIPI), Agustus 2013 ISSN 0853 4217 Vol. 18 (2): 85 91 Pemanfaatan Teknologi Tepat Guna Identifikasi Tumbuhan Obat Berbasis Citra (Utilization of Computer Technology for
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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Serangan penyakit pada tanaman padi dan anthurium merupakan faktor pembatas pertumbuhan dan hasil. Hama dan penyakit tanaman padi dan anthurium merupakan salah satu faktor penting
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan metode penelitian sebagai berikut: 1) Pengumpulan Data Tahap ini dilakukan sebagai langkah awal dari suatu penelitian. Mencari
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 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 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 terperinci1. Pendahuluan. 1.1 Latar belakang
1. Pendahuluan 1.1 Latar belakang Keamanan data pribadi merupakan salah satu hal terpenting bagi setiap orang yang hidup di era dimana Teknologi Informasi (TI) berkembang dengan sangat pesat. Setiap orang
Lebih terperinciLatar Belakang. Perlunya inventarisasi data dari tiap motif batik dari seluruh daerah di Indonesia
Latar Belakang Latar Belakang 1 Perlunya inventarisasi data dari tiap motif batik dari seluruh daerah di Indonesia 2 Pengenalan motif citra batik contoh dengan pencarian citra batik yang mirip menggunakan
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 terperinciANALISIS DAN PERANCANGAN SISTEM
ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Dalam mengetahui suatu bahan jenis kulit cukup sulit karena bahan jenis kulit memeliki banyak jenis. Setiap permukaan atau tekstur dari setiap jenisnya
Lebih terperinciPENGGABUNGAN FITUR LOCAL BINARY PATTERNS UNTUK IDENTIFIKASI CITRA TUMBUHAN OBAT IYOS KUSMANA
PENGGABUNGAN FITUR LOCAL BINARY PATTERNS UNTUK IDENTIFIKASI CITRA TUMBUHAN OBAT IYOS KUSMANA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ABSTRACT
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 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 terperinciIDENTIFIKASI VARIETAS DURIAN BERDASARKAN CITRA DAUN MENGGUNAKAN K NEAREST NEIGHBOR DENGAN EKSTRAKSI TEKSTUR CO-OCCURRENCE MATRIX NELLA SABRINA
IDENTIFIKASI VARIETAS DURIAN BERDASARKAN CITRA DAUN MENGGUNAKAN K NEAREST NEIGHBOR DENGAN EKSTRAKSI TEKSTUR CO-OCCURRENCE MATRIX NELLA SABRINA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 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 terperinciPERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT)
PERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT) DAN MULTISCALE LOCAL BINARY PATTERN (MLBP) DALAM PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH Yuwono (0922013) Jurusan Teknik
Lebih terperinciPENGENALAN WAJAH DENGAN MENGGUNAKAN METODE DISCRIMINATIVE LOCAL DIFFERENCE PATTERNS
PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE DISCRIMINATIVE LOCAL DIFFERENCE PATTERNS Widyawan Tarigan NRP : 0222062 email : widyawan_tarigan@yahoo.com ABSTRAK Pada sistem pengenalan wajah, merancang deskriptor
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 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
Lebih terperinciTeknik pengenalan wajah berbasis fitur local binary pattern (LBP)
Teknik pengenalan wajah berbasis fitur local binary pattern (LBP) Oleh: Eko Wahyudi NRP. 2208 100 629 Dosen Pembimbing: Dr. Ir. Wirawan, DEA Ir. Hendra Kusuma, M.Eng Latar Belakang ( Permasalahan Sistem
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 terperinciNurul Ilmi 1 1 Fakultas Informatika, Universitas Telkom, Bandung
Pengenalan Angka Tulisan Tangan dengan Menggunakan Local Binary Pattern Variance dan Klasifikasi K-Nearest Neighbour Handwriting Digit Recognition with Use Local Binary Pattern Variance and K-Nearest Neighbour
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 terperinciHardisk 80 GB Perangkat lunak Window XP Profesional MATLAB 7.0.1
Hardisk 8 GB Perangkat lunak Window XP Profesional MATLAB 7..1 HASIL DAN PEMBAHASAN Percobaan yang dilakukan pada penelitian ini terdiri atas dua macam, yaitu citra yang akan mengalami proses pengenalan
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
1 BAB I PENDAHULUAN 1.1 Latar Belakang Tanaman padi ( Oryzasativa,sp ) termasuk kelompok tanaman pangan yang sangat penting dan bermanfaat bagi kehidupan masyarakat Indonesia. Sampai saat ini, lebih dari
Lebih terperinciFERY ANDRIYANTO
SISTEM ANALISA IMAGE PROCESSING UNTUK MENCARI KEMIRIPAN PADA TEKSTUR WARNA KULIT MANUSIA MENGGUNAKAN HISTOGRAM WARNA SKRIPSI Oleh : FERY ANDRIYANTO 0734010123 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI
Lebih terperinciANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR
ANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR Gibtha Fitri Laxmi 1, Puspa Eosina 2, Fety Fatimah 3 1,2,3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas
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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.
Lebih terperinciBAB II 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 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 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 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 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 terperinciImplementasi Deteksi Copy-move Forgery pada Citra menggunakan Metode Histogram of Oriented Gradients (HOG)
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Deteksi Copy-move Forgery pada Citra menggunakan Metode Histogram of Oriented Gradients (HOG) Ni Luh Made Asri Mulyasari,
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 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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Alur Metodologi Penelitian Berikut adalah alur metodologi penelitian yang akan digunakan dalam menyelesaikan penelitian tugas akhir ini : 3.2 Pengumpulan Data Gambar 3.1
Lebih terperinciPENGKLASIFIKASIAN DAUN MANGGA, SALAM DAN SAWO DENGAN MENGGUNAKAN METODE NAIVE BAYES
PENGKLASIFIKASIAN DAUN MANGGA, SALAM DAN SAWO DENGAN MENGGUNAKAN METODE NAIVE BAYES Andrian Riza Hermawan 1, Andriano E. Wibowo 2, Dhio Alfanda F. 3, Dwi Fetiria Ningrum 4, Naldo Sancho Liman 5 1,2,3,4,5
Lebih terperinciBab III ANALISIS&PERANCANGAN
3.1 Analisis Masalah Bab III ANALISIS&PERANCANGAN Pada penelitian sebelumnya yaitu ANALISIS CBIR TERHADAP TEKSTUR CITRA BATIK BERDASARKAN KEMIRIPAN CIRI BENTUK DAN TEKSTUR (A.Harris Rangkuti, Harjoko Agus;
Lebih terperinciBAB I PENDAHULUAN. Perkembangan teknologi komputer dan internet semakin maju
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Perkembangan teknologi komputer dan internet semakin maju menyebabkan data digital yang dihasilkan, disimpan, ditransmisikan, dianalisis, dan diakses menjadi
Lebih terperinciCONTENT BASED IMAGE RETRIEVAL BERDASARKAN CIRI TEKSTUR MENGGUNAKAN WAVELET
CONTENT BASED IMAGE RETRIEVAL BERDASARKAN CIRI TEKSTUR MENGGUNAKAN WAVELET Nana Ramadijanti RG. Computer Vision, Program Studi Teknologi Informasi, Politeknik Elektronika Negri Surabaya E-mail: nana@eepis-its.edu
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 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 terperinciANALISIS KINERJA SUPPORT VECTOR MACHINE
ANALISIS KINERJA SUPPORT VECTOR MACHINE (SVM) DAN PROBABILISTIC NEURAL NETWORK (PNN) PADA SISTEM IDENTIFIKASI TUMBUHAN OBAT DAN TANAMAN HIAS BERBASIS CITRA DEWI KANIA WIDYAWATI SEKOLAH PASCASARJANA INSTITUT
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penyakit malaria merupakan penyakit yang disebabkan oleh infeksinya parasit malaria terhadap sel darah merah. Parasit malaria tergolong jenis parasit dari genus Plasmodium,
Lebih terperinciDETEKSI ADANYA CACAT PADA KAYU MENGGUNAKAN METODE LOCAL BINARY PATTERN DETECTION OF THE EXISTENCE OF THE DEFECTS IN WOOD USING LOCAL BINARY PATTERN
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 298 DETEKSI ADANYA CACAT PADA KAYU MENGGUNAKAN METODE LOCAL BINARY PATTERN DETECTION OF THE EXISTENCE OF THE DEFECTS IN WOOD USING
Lebih terperinciKLASIFIKASI KANSEI MULTI LABEL DENGAN PROBABILISTIC NEURAL NETWORK PADA CITRA BATIK MENGGUNAKAN KOMBINASI FITUR WARNA, TEKSTUR, DAN BENTUK
KLASIFIKASI KANSEI MULTI LABEL DENGAN PROBABILISTIC NEURAL NETWORK PADA CITRA BATIK MENGGUNAKAN KOMBINASI FITUR WARNA, TEKSTUR, DAN BENTUK Agung Nilogiri 1, *), Nanik Suciati 2) dan Diana Purwitasari 3)
Lebih terperinciSISTEM IDENTIFIKASI KAYU RAMIN BERBASIS CITRA MENGGUNAKAN LOCAL BINARY PATTERN DAN PROBABILISTIC NEURAL NETWORK CANGGIH TRISYANTO
SISTEM IDENTIFIKASI KAYU RAMIN BERBASIS CITRA MENGGUNAKAN LOCAL BINARY PATTERN DAN PROBABILISTIC NEURAL NETWORK CANGGIH TRISYANTO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciBeberapa sampel tanda tangan setiap orang pada umumnya identik namun tidak
Identifikasi Tanda Tangan Menggunakan Manhattan Distance dan Sum Square Error dengan Ekstraksi Ciri Dimensi Fraktal Aismika Aigustin1, Sri Setyaningsih1 dan Aries Maesya1 1. Program Studi Ilmu Komputer
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 terperinciBAB III PROSEDUR DAN METODOLOGI. Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala
52 BAB III PROSEDUR DAN METODOLOGI 3.1 ANALISA MASALAH Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala melakukan proses retrival citra dan bagaimana solusi untuk memecahkan masalah
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 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 terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciUKDW 1. BAB I PENDAHULUAN. 1.1.Latar Belakang Masalah
1. BAB I PENDAHULUAN 1.1.Latar Belakang Masalah Tanaman bunga di dunia saat ini sangat beragam dan setiap bunga memiliki ciri karakteristik tertentu agar dapat dibedakan dari satu bunga dengan yang lain.
Lebih terperinciPENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL
Makalah Nomor: KNSI-472 PENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL Barep Wicaksono 1, Suryarini Widodo 2 1,2 Teknik Informatika, Universitas Gunadarma 1,2 Jl.
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sistem parkir khususnya untuk parkir mobil di tempat-tempat pusat perbelanjaan di Indonesia pada umumnya sudah menerapkan sistem otomatis. Setiap mobil yang
Lebih terperinciKLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA
KLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA Arina Diori (0722107) Jurusan Teknik Elektro email: arinadiorisinaga@yahoo.com ABSTRAK Buah
Lebih terperinciEKSTRAKSI CIRI CITRA DIGITAL X-RAY PARU DIAGNOSIS TUBERKULOSIS BERBASIS METODE STATISTIS
EKSTRAKSI CIRI CITRA DIGITAL X-RAY PARU DIAGNOSIS TUBERKULOSIS BERBASIS METODE STATISTIS Yudhi Agussationo Yogyakarta, 55281. Indonesia agussationoyudhi@yahoo.com Indah Soesanti Yogyakarta, 55281. Indonesia
Lebih terperinci1. PENDAHULUAN Bidang perindustrian merupakan salah satu bidang yang juga banyak menggunakan kecanggihan teknologi, walaupun pada beberapa bagian, mas
PENGKLASIFIKASIAN KUALITAS KERAMIK BERDASARKAN EKSTRAKSI FITUR TEKSTUR STATISTIK Yogi Febrianto yoefanto@gmail.com Jurusan Teknik Informatika Fakultas Teknologi Industri Universitas Gunadarma Jl. Margonda
Lebih terperinci1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Cabai (Capsicum annuum L.) merupakan salah satu komoditas pertanian yang cukup penting di Indonesia. Walaupun demikian cabai sangat rentan terkena patogen
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 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 terperinciPRAPROSES CITRA MENGGUNAKAN KOMPRESI CITRA, PERBAIKAN KONTRAS, DAN KUANTISASI PIKSEL
PRAPROSES CITRA MENGGUNAKAN KOMPRESI CITRA, PERBAIKAN KONTRAS, DAN KUANTISASI PIKSEL Veronica Lusiana 1, Budi Hartono 2 1,2 Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Stikubank
Lebih terperinciPERBANDINGAN KINERJA SINGLE DAN MULTIPLE FEATURE PADA SISTEM TEMU KEMBALI CITRA TUMBUHAN MENGGUNAKAN ENSEMBLE MULTINOMIAL LOGISTIC REGRESSION
PERBANDINGAN KINERJA SINGLE DAN MULTIPLE FEATURE PADA SISTEM TEMU KEMBALI CITRA TUMBUHAN MENGGUNAKAN ENSEMBLE MULTINOMIAL LOGISTIC REGRESSION YUANDRI TRISAPUTRA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA
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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang ENDHULUN Saat ini kemampuan untuk dapat mengidentifikasi dan mengklasifikasi daun menadi kebutuhan yang besar bagi taksonomis dalam mengetahui keanekaragaman tanaman (Hickey et al 999).
Lebih terperinciIdentifikasi Jenis Buah Apel Menggunakan Algoritma K-Nearest Neighbor (KNN) dengan Ekstraksi Fitur Histogram
Identifikasi Jenis Buah Apel Menggunakan Algoritma K-Nearest Neighbor (KNN) dengan Ekstraksi Fitur Histogram Ion Ataka Halela 1,Bowo Nurhadiyono,S.Si, M.Kom 2,Farah Zakiyah Rahmanti 3 1 Fakultas Ilmu Komputer
Lebih terperinciIDENTIFIKASI VARIETAS DURIAN BERDASARKAN TEKSTUR DAUN MENGGUNAKAN K-NEAREST NEIGHBOR DENGAN CIRI STATISTICAL TEXTURES ROSITA TRI INDRATI
IDENTIFIKASI VARIETAS DURIAN BERDASARKAN TEKSTUR DAUN MENGGUNAKAN K-NEAREST NEIGHBOR DENGAN CIRI STATISTICAL TEXTURES ROSITA TRI INDRATI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
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 terperinciABSTRACT. Keyword : Reef Fish, HSL, GLCM, PNN.
ABSTRACT Suharindra, Muhammad Ryzani. 2017. Identification Reef Fish Image With HSL Color Extraction And GLCM Texture Extraction Based on Probabilistic Neural Network Algorithm Thesis.Tanjungpinang: Department
Lebih terperinciIDENTIFIKASI HAMA TANAMAN CABAI DENGAN MEMBANDINGKAN PRINCIPAL COMPONENT ANALYSIS DAN GRAY LEVEL CO-OCCURRENCE MATRIX SEBAGAI EKSTRAKSI CIRI
IDENTIFIKASI HAMA TANAMAN CABAI DENGAN MEMBANDINGKAN PRINCIPAL COMPONENT ANALYSIS DAN GRAY LEVEL CO-OCCURRENCE MATRIX SEBAGAI EKSTRAKSI CIRI RINI WINDYASTUTI 1, TOTO HARYANTO *1, NINA MARYANA 2 Abstrak
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Rancangan Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau informasi
Lebih terperinciPercobaan 1 Percobaan 2
direpresentasikan dengan histogram. Perlakuan pertama terhadap data-data penelitian ini adalah menghitung histogramnya. Kemudian dari interval antara 0-255 akan dibagi menjadi interval-interval bagian
Lebih 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 terperinci