PENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR
|
|
- Ida Chandra
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR Angga Lisdiyanto (1), Lukman Zaman P.C.S.W (2) Teknik Informatika, Universitas Islam Lamongan (1) Teknik Informatika, Sekolah Tinggi Teknik Surabaya (2) (1), (2) ABSTRAK Agar informasi yang diberikan Dokter dapat didokumentasikan dengan baik, maka diperlukan sistem komputer untuk dapat mengenali dan membaca tulisan tangan Dokter secara digital. Tulisan tangan Dokter berbeda dengan tulisan tangan orang lain pada umumnya. Tulisan tangan dokter memiliki kode/simptoma khusus dan dituntut untuk menulis dengan cepat. Sehingga setiap coretan tulisan tangan Dokter perlu dikenali sebagai simbol. Filter Gabor diperlukan untuk klasifikasi dalam penelitian ini. Filter Gabor berguna untuk ekstraksi fitur-fitur citra. Kemudian SVM digunakan untuk proses klasifikasi, sehingga dapat mengetahui istilah/simptoma apa dari setuap citra coretan tulisan tangan Dokter. Pengenalan citra tulisan tangan dilakuan dengan cara memotong citra kertas cetak resep untuk mendapatkan area tulisan. Setelah mendapatkan potongan area tulisan, maka dipotong lagi per baris kalimat. Setelah mendapatkan potongan per baris kalimat, dipotong lagi menjadi potongan per kata. Kemudian pada setiap potongan citra kata dikonvolusikan dengan delapan filter Gabor (empat macam orientasi dengan dua macam skala) untuk menghasilkan fitur-fitur citra. Setelah menghasilkan fitur-fitur per potongan citra setiap kata, kemudian dimensi fitur dikurangi dengan menggunakan PCA. Lalu dilakukan proses klasifikasi menggunakan SVM untuk data latih dan data tes. Penelitian ini menunjukan bahwa SVM dipengaruhi oleh pemilihan fungsi kernel RBF, Linear dan Polynomial. Hasil akurasi dari klasifikasi SVM menggunakan fungsi kernel RBF adalah 12.1, Linear 47.1%, dan Polynomial 65.5%. Kata kunci: Pengenalan Tulisan Tangan, Resep Dokter, Filter Gabor, PCA, SVM LATAR BELAKANG Pengenalan citra tulisan tangan dilakuan dengan cara mengambil area tulisan, lalu memotong per baris kalimat dan memotong per kata. Kemudian pada setiap potongan citra kata dikonvolusikan dengan delapan filter Gabor (empat macam orientasi dengan dua macam skala) untuk menghasilkan fitur-fitur citra. Metode filter Gabor dipilih karena memiliki hasil yang bagus untuk ekstraksi fitur-fitur karena memiliki parameter berupa frekuensi dan orientasi yang dapat dimodifikasi sesuai kebutuhan. Dengan orientasi yang bermacam-macam, maka tekstur pada citra yang melingkar secara tidak teratur akan menghasilkan konvolusi yang mencolok. Setelah menghasilkan fitur-fitur per potongan citra setiap kata, kemudian dimensi fitur dikurangi dengan menggunakan PCA. Lalu dilakukan proses klasifikasi menggunakan SVM untuk data latih dan data tes. Metode SVM digunakan karena unggul untuk memproses data-data yang bersifat multi dimensi dibanding dengan metode-metode klasifikasi lainya. TUJUAN PENELITIAN 1. Proses pemisahan citra tulisan tangan akan melibatkan pre-processing. 2. Proses pengenalan tulisan tangan sebagai akan melibatkan ekstraksi fitur citra menggunakan filter Gabor dan klasifikasi menggunakan SVM. HIPOTESA Hipotesa dan target keberhasilan pada penelitian ini adalah digitalisasi tulisan tangan dokter menggunakan metode Filter Gabor dapat mengekstrak teks tulisan tangan Dokter dengan ketepatan 75%. Pada penelitian sebelumnya, akurasi pengenalan tulisan tangan Dokter mencapai 22
2 87% karena obyek penelitianya berupa tulisan tangan secara online [1]. Sedangkan pada tesis ini menggunakan sistem offline. TINJAUAN PUSTAKA Menurut Hermawati (2013, h.228), proyeksi (projection) citra merupakan proses perhitungan satu dimensi isi citra yang dihitung berdasarkan sumbu koordinat. Ada dua jenis projection, yaitu horizontal projection dan vertical projection. Horizontal projection diperoleh dengan cara menghitung jumlah nilai piksel putih (1) berdasarkan baris citra. Sedangkan vertical projection diperoleh dengan cara menghitung jumlah nilai piksel putih (1) berdasarkan kolom citra. Pemotongan baris teks dapat dilakukan dengan membagi teks ke dalam garis-garis vertikal dan menentukan histogram horizontal projection dari garis-garis tersebut. Menurut Putra (2010, h.40), filter Gabor adalah salah satu dari operasi filter citra yang bertujuan untuk menghasilkan fitur. Keberhasilan metode filter Gabor bergantung pada variabel (frekuensi) dan (orientasi). Filter Gabor dikembangkan oleh dikembangkan oleh John Daugman pada tahun 19 menjadi dua dimensi dengan persamaan 2.2 berikut: (,,,, ) = 1 exp {2.. (.. cos +.. sin )} PCA (Principle Component Analysis) adalah teknik statistik yang sangat berguna untuk menemukan pola dalam data dimensi tinggi. Keuntungan utama dari PCA adalah saat mendapatkan pola dalam data dan mengkompres data tersebut, yaitu dengan mengurangi jumlah dimensi tanpa kehilangan informasi. SVM (Support Vector Machine) dikembangkan oleh Boser, Guyon, dan Vapnik. SVM berguna mencari hyperplane yang terbaik pada input space. Fungsi kernel adalah fungsi yang membantu memetakan titik data ke dalam dimensi yang lebih tinggi. Sehingga proses pelatihan menjadi lebih cepat dan mudah. Fungsi Kernel Linear: (,, ) =., Fungsi Kernel Radial Based Function: (,, ) = exp( ) Fungsi Kernel Polynomial: (,, ) =., Pada k-fold Cross Validation, pelatihan data dilakukan secara acak dibagi menjadi sekitar sejumlah ukuran subset k, dan sebuah kelasifikator dilatih menggunakan subset 1 dan telah dites menggunakan subset sisanya. Pelatihan diulang hingga k kali dan total perkiraan rekognisi untuk semua subset k yang tidak terdapat dalam data latih harus dihitung. LOO (Leave One Out) adalah kasus spesial dari sebuah Cross Validation ( = 1) dan k-fold Cross Validation. Untuk teknik klasifikasi lainya, LOO sangat memakan waktu. Tetapi ketika datanya banyak. Namun pada SVM, harus menerapkan LOO hanya pada support vector. Ini dikarenakan pada saat menghapus data latih selain dari support vector, data-data tersebut tetap dapat diklasifikasi dengan tepat. UJI COBA SISTEM Data yang digunakan citra hasil dari scan kertas cetak resep. Ada empat Dokter yang diminta untuk menulis beberapa kasus medis di kertas cetak resep hingga minimal empat kali. Jumlah kata/simptoma adalah 100. Total data adalah 2592 kata/simptoma. Pada tahap pre-processing, citra diubah menjadi biner, membalikan warna biner (latar jadi hitam, depan jadi putih), masking citra, menghapus objek kecil/titik piksel tidak penting, dan thinning citra. Segmentasi tulisan tangan dilakukan dengan memotong baris tulisan dengan menggunakan proyeksi horisontal dan kemudian memotong per kata pada setiap potongan baris tulisan tangan dengan menggunakan proyeksi vertikal. Ekstraksi fitur dilakukan dengan cara konvolusi citra potongan kata dengan 8 kernel filter Gabor. Kernel filter Gabor terdiri dari θ (3, 5) dan λ (0, 1/4, 1/2, 3*1/4). Kemudian membagi citra potongan citra kata menjadi 64 potong (8x8 piksel) pada setiap. Lalu di setiap 64 potong (8x8 piksel) dirata-ratakan menjadi 1x1 piksel. Maka didapatkan vektor fitur sejumlah 512 dengan cara mengambil seluruh 1x1 piksel dari seluruh piksel pada 8 citra hasil konvolusi dengan urutan piksel yang sama. Terkahir data fitur dinormalisasi menggunakan rumus berikut: = 4 + 0,5 23
3 Pada proses pelatihan data, menggunakan teknik PCA untuk mengurangi dimensi fitur dengan parameter komponen yang dijaga = 90% dan centered = true. Kemudan klasifikasi menggunakan teknik SVM multi kelas dengan parameter tiga fungsi kernel (RBF, Linear & Polynomial), teknik multi kelas one-vs-all, 512 fitur dan 2592 data (sampel jumlah fitur/citra potongan kata) dengan 100 kelas. Setiap kelas memiliki minimal 14 sampel. Teknik evaluasi untuk menghitung akurasi dari SVM adalah Cross Validation jenis LOO (Leave-one-out). Teknik Leave-one-out merupakan teknik k-fold dengan jumlah fold/lipatan sama dengan jumlah data. Sehingga setiap satu data dibandingkan dengan semua data. Segmentasi memanfaatkan nilai HP (Horizontal Projection) dan VP (Vertical Projection) [5]. Semakin besar nilai jumlah piksel area baris, maka semakin banyak baris yang terpotong. Sehingga jika nilainya semakin besar, maka area baris tulisan dengan nilai HP rendah akan ikut terpotong seperti pada Gambar 1. tulisan tangan dapat terpotong dengan benar seperti pada Gambar 3. Gambar 3. Berhasil Segmentasi Baris Tulisan Semakin besar nilai jumlah piksel area kata, maka semakin banyak kata yang terpotong. Maka area kolom kata dengan nilai VP rendah akan ikut terpotong seperti pada Gambar 4 (baris ketiga). Gambar 4. Gagal Segmentasi Kata Terpotong Banyak mengurangi nilai jumlah piksel area kata hingga 0. Semakin besar nilai jumlah piksel spasi antar kata, maka semakin sedikit jumlah kata yang terpotong. Maka area kata tulisan dengan nilai VP rendah akan ikut menyatu seperti pada Gambar 5. Gambar 1. Gagal Segmentasi Baris Terpotong Banyak Solusi dari hambatan tersebut adalah dengan mengurangi nilai jumlah piksel area baris hingga 0. Sedangkan bila semakin besar nilai jumlah piksel spasi antar baris, maka semakin sedikit jumlah baris yang terpotong. Maka area baris tulisan dengan nilai HP rendah akan ikut menyatu seperti pada Gambar 2. Gambar 5. Gagal Segmentasi Baris Menyatu mengurangi nilai jumlah piksel spasi antar baris hingga 0. Jika nilai jumlah piksel area kata dengan jumlah piksel spasi antar kata tepat, maka kata tulisan tangan dapat terpotong dengan benar seperti pada Gambar 6 (baris ketiga). Gambar 6. Berhasil Segmentasi Kata Gambar 2. Gagal Segmentasi Baris Menyatu mengurangi nilai jumlah piksel spasi antar baris hingga 0. Jika nilai jumlah piksel area baris dengan jumlah piksel spasi antar baris tepat, maka baris Proses pertama adalah mengkonvolusikan delapam kernel Filter Gabor dengan citra potongan kata [6]. Sehingga dapat menghasilkan delapan citra hasil konvolusi seperti pada Gambar 7 (citra kata keluar). 24
4 Hasil Normalisasi Gambar 7. Citra Hasil Konvolusi Proses kedua adalah memecah citra 64x64 piksel menjadi 64 potongan (setiap potong = 8x8 piksel) pada setiap 8 citra seperti pada Gambar 7 (citra kata keluar). Hasil pelatihan data dianalisa menggunakan skalabilitas. Skalabilitas antara waktu-memorijumlah kelas berguna untuk mengetahui waktu yang dibutuhkan SVM untuk menangani data latih dengan jumlah kelas yang berbeda dan untuk mengetahui pengaruh jumlah kelas terhadap ukuran model SVM seperti pada Gambar 9. Memori (MB) & Waktu (Detik) Jumlah Kelas Waktu Memori Gambar 7. Citra Hasil Konvolusi Proses ketiga adalah mengambil/ ekstrak setiap 64 potong citra (8x8 piksel) dan meratakan seluruh piksel citra setiap potongan 8x8 piksel menjadi 1x1 piksel seperti pada Gambar 8 (citra kata keluar). Gambar 8. Visualisasi Rata-rata Potongan Citra 8x8 Kemudian akan diperoleh 512 fitur seperti pada Tabel 1 (citra kata keluar). Tabel 1. Hasil Ekstrak Fitur & Rata-rata Pecahan Citra 8x8 No Urut Nilai Rata-rata Kemudian fitur dinormalisasi seperti pada Tabel 2 (citra kata keluar). Tabel 2. Hasil Uji Coba Normalisasi Fitur No Urut Gambar 9. Skalabilitas Waktu-Memori-Jumlah Kelas (Polynomial) Skalabilitas antara akurasi-jumlah kelas seperti pada Gambar 10. Akurasi (%) Jumlah Kelas Akurasi Gambar 10. Skalabilitas Akurasi-Jumlah Kelas (Polynomial) Pengujian dilakukan pada data terlatih dan data yang belum dilatih. Label kelas hasil pengujian data dapat diletakan secara teratur sesuai baris dan posisi kata yang tersegmentasi. Pengujian data menggunakan model hasil klasifikasi SVM pada Matlab dengan 100 jenis kelas dan fungsi kernel Polynomial. Hal ini berguna untuk mengetahui tingkat kelayakan sistem pengujian data menggunakan SVM dan filter Gabor. Hasil pengujian data terlatih seperti pada Gambar
5 tulisan sebenarnya. Akurasi yang didapat pada data baru adalah 23,62 %. KESIMPULAN Gambar 11. Hasil Pengujian Tulisan Dokter: (a) Scan Tulisan (b) Hasil Pengujian Data Jumlah kata yang benar 24, dan jumlah kata yang salah 4. Baris 3, kata 1 (kurang seharusnya konstipasi). Baris 5, kata 6 (bayi seharusnya kemeng). Baris 7, kata 1 (pasca seharunya P:). Baris 7, kata 3 (batuk seharusnya novalgium). Data yang digunakan adalah tulisan Dokter baru selain Dokter yang menulis tulisan pada data untuk pelatihan. Pada data baru ini diperoleh dari format kertas rekam medis. Tahap pengujian data baru adalah pre-procesing, segmentasi, ekstraksi fitur dan pengujian data. Pada proses pengujian untuk data baru terdapat kendala dalam proses preprocesing untuk mengambil area tulisan. Kendala tersebut disebabkan oleh tulisan yang melewati atau keluar dari area tulisan pada proses masking seperti pada Gambar 12. Gambar 12. Tulisan Keluar Area Tulisan Uji coba dilakukan dengan menguji tulisan Dokter baru yang tulisanya belum terlatih. Hasil dari uji coba dihitung akurasinya secara manual dengan dua tahap. Tahap pertama membedakan mana yang simbol/kata/simptoma dan mana yang bukan serta dihitung jumlah masing-masing. Lalu tahap kedua adalah menghitung jumlah teks digital (simbol/kata/simptoma) yang benar sesuai dengan Berdasarkan uraian penjelasan di atas, maka dapat diambil kesimpulan sebagai berikut: 1. Fungsi kernel polynomial pada SVM memiliki tingkat akurasi terbaik, membutuhkan waktu yang paling sedikit dan membutuhkan memori yang paling sedikit. 2. Perfoma SVM semakin rendah jika jumlah kelas semakin banyak. 3. Akurasi terbaik pada pengenalan citra tulisan tangan (per potongan kata) Dokter menggunakan filter Gabor dan SVM dengan jumlah kelas 100 adalah 65,5%. 4. Aku terbaik (65%) tidak mencapai hipotesa (75%) dan akurasi yang telah dicapai oleh penelitian sebelumnya (85%) karena pada pada penelitian ini mengenali tulisan tangan Dokter sebagai simbol dan secara offline. Sedangkan pada penelitian sebelumnya mengenali tulisan tangan Dokter per karakter secara online melalui perangkat PDA. DAFTAR PUSTAKA 1. Chen, Qi, dkk. A Medical Knowledge Based Postprocessing Approach for Doctor s Handwriting Recognition. Frontiers in Handwriting Recognition (ICFHR), International Conference on. 2010: Hermawati, Fajar, 2013, Pengolahan Citra Digital: Konsep dan Teori, Andi Offset, Yogyakarta 3. Abe, Shiego Support Vector Machines for Pattern Classification. Springer: London 4. Putra, Darma, 2010, Pengolahan Citra Digital, Andi Offset, Yogyakarta 5. Shanjana, C dan James, Ajay. Offline Recognition of Malayalam handwritten Text. 8th International Conference Interdisciplinarity in Engineering. 2014: Elzobi, Moftah, dkk. Gabor Wavelet Recognition Approach for Off-Line Handwritten Arabic Using Explicit Segmentation. Image Processing and Communications Challenges 5, Advances in Intelligent Systems and Computing. 2014:
BAB 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 I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciBAB I PENDAHULUAN. Bab I Pendahuluan
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Perkembangan ilmu biomedikal telah mendorong banyak penelitian dilakukan untuk menghasilkan alat bantu diagnosa berbasis komputer. Salah satunya yaitu pendeteksian
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 terperinci1 BAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi dibidang transportasi darat khususnya kendaraan bermotor, semakin membantu masyarakat penggunanya, sehingga menjadikan kendaraan bermotor sebagai
Lebih terperinciDETEKSI DAN SEGMENTASI OTOMATIS DERET PADA CITRA METERAN AIR
DETEKSI DAN SEGMENTASI OTOMATIS DERET PADA CITRA METERAN AIR Naser Jawas STIKOM Bali Jl. Raya Puputan, No.86, Renon, Denpasar, Bali Email: naser.jawas@gmail.com ABSTRAK Meter air adalah sebuah alat yang
Lebih terperinciBAB II DASAR TEORI. Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma.
BAB II DASAR TEORI Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma. 2.1. Microsoft Visual Studio Microsoft Visual Studio adalah sebuah software 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 terperinciImplementasi Metode Watershed Transformation Dalam Segmentasi Tulisan Aksara Bali Berbasis Histogram
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Implementasi Metode Watershed Transformation Dalam Segmentasi Tulisan Aksara Bali Berbasis Histogram Komang Budiarta,
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE BERBASIS PENGOLAHAN CITRA DIGITAL
PENGENALAN PLAT NOMOR KENDARAAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE BERBASIS PENGOLAHAN CITRA DIGITAL Silviana Utari, Tjut Awaliyah, M.Kom, Irma Anggraeni, M.Kom
Lebih 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 terperinciEKSTRAKSI FITUR AKSARA BALI MENGGUNAKAN METODE ZONING
44 Teknologi Elektro, Vol. 14, No.2, Juli Desember 2015 EKSTRAKSI FITUR AKSARA BALI MENGGUNAKAN METODE ZONING I Wayan Agus Surya Darma 1, I Ketut Gede Darma Putra 2, Made Sudarma 3 Abstract Feature extraction
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Bahasa Lampung merupakan bahasa tradisional masyarakat Lampung. Masyarakat Lampung sering menggunakan Bahasa Lampung sebagai bahasa komunikasi sehari-hari. Biasanya,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini teknologi sudah semakin berkembang, hal ini tentunya memberi pengaruh juga dalam berkembangnya ilmu pengetahuan. Perkembangan tersebut juga berpengaruh pada
Lebih terperinciBAB III METODE PENELITIAN. tangan dengan menggunakan metode Support Vector Machine (SVM).
BAB III METODE PENELITIAN 3.1 Desain Penelitian Di dalam desain penelitian ini akan menggambarkan proses pengenalan tulisan tangan dengan menggunakan metode Support Vector Machine (SVM). Praproses Input
Lebih terperinciDETEKSI GANGGUAN ORGAN JANTUNG MENGGUNAKAN KOMPUTERISASI IRIDOLOGI DENGAN METODE KLASIFIKASI SVM
DETEKSI GANGGUAN ORGAN JANTUNG MENGGUNAKAN KOMPUTERISASI IRIDOLOGI DENGAN METODE KLASIFIKASI SVM Heart Disorder Detection Based on Computerized Iridology Using SVM Classification Method 1 Lintang Indah
Lebih terperinciDeteksi Mobil Menggunakan Histogram of Oriented Gradient
1 Deteksi Mobil Menggunakan Histogram of Oriented Gradient Cahyo Permata,I Ketut Eddy Purnama dan Muhtadin Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinciImplementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector Machine
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-346 Implementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector
Lebih terperinciOleh: Riza Prasetya Wicaksana
Oleh: Riza Prasetya Wicaksana 2209 105 042 Pembimbing I : Dr. I Ketut Eddy Purnama, ST., MT. NIP. 196907301995121001 Pembimbing II : Muhtadin, ST., MT. NIP. 198106092009121003 Latar belakang Banyaknya
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 terperinciPengembangan Model Pengenalan Wajah Manusia dengan Teknik Reduksi Dimensi Bi- 2DPCA dan Support Vector Machine sebagai Classifier
Pengembangan Model Pengenalan Wajah Manusia dengan Teknik Reduksi Dimensi Bi- dan Support Vector Machine sebagai Classifier Fredicia 1, Agus Buono 2, Endang Purnama Giri 2 1 Program Studi Teknik Informatika,
Lebih terperinciPENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR
PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR Ardilla Ayu Dewanti Ridwan, Ivanna K. Timotius, Iwan Setyawan PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA
Lebih terperinci3 BAB III METODE PENELITIAN
20 3 BAB III METODE PENELITIAN 3.1 Metode penelitian Penenelitian ini merupakan penelitian eksperimen, dengan melalui beberapa tahapan sebagai berikut : 1. Pengumpulan data Tahapan ini merupakan langkah
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 3573
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 3573 DENTIFIKASI UMUR MENGGUNAKAN RONSEN PANORAMIK GIGI DENGAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE
Lebih terperinciPENGENALAN TULISAN TANGAN MENGGUNAKAN EKSTRAKSI CIRI WAVELET TRANSFORM DARI PROJECTION PROFILE
PENGENALAN TULISAN TANGAN MENGGUNAKAN EKSTRAKSI CIRI WAVELET TRANSFORM DARI PROJECTION PROFILE Radian Rizki Triadhi NRP : 1222033 E-mail : radianrizkitriadhi@ymail.com ABSTRAK Pengenalan tulisan tangan
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Tahap 1 : Identifikasi Permasalahan Mencari literatur-literatur yang berhubungan dengan bahan penelitian. Tahap 2 : Pengambilan Data Training : Testing 5 : 1 150 : 30 Dari 10 responden
Lebih terperinciAPLIKASI PENGENALAN KARAKTER HURUF HIJAIYAH UNTUK PENDIDIKAN ANAK USIA DINI (PAUD) SKRIPSI
APLIKASI PENGENALAN KARAKTER HURUF HIJAIYAH UNTUK PENDIDIKAN ANAK USIA DINI (PAUD) SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Guna Memperoleh Gelar Sarjana Komputer ( S.Kom ) Pada Program Studi
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 terperinciTechno.COM, Vol. 16, No. 3, Agustus 2017 : Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro 2
Fitur Ekstraksi Berbasis Discrete Wavelet Transform Untuk Pengenalan Karakter Pada Plat Nomor Kendaraan Feature Extraction Based On Discrete Wavelet Transform For Character Recognition On License Plate
Lebih terperinciPENGENALAN HURUF TULISAN TANGAN MENGGUNAKAN METODE ZONING DAN SUPPORT VECTOR MACHINE
PENGENALAN HURUF TULISAN TANGAN MENGGUNAKAN METODE ZONING DAN SUPPORT VECTOR MACHINE Christyawan Ridanto Pitoyo, Tjut Awaliyah Zuraiyah, Arie Qur ania Email : christyawan.ridanto@gmail.com Program Studi
Lebih terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
Lebih terperinciPENGARUH PEMAKAIAN EDGE DETECTION PADA SISTEM PENGENALAN HURUF KAPITAL TULISAN TANGAN
Jurnal Teknik dan Ilmu Komputer PENGARUH PEMAKAIAN EDGE DETECTION PADA SISTEM PENGENALAN HURUF KAPITAL TULISAN TANGAN (The Influence of Edge Detection Use on Capital Letter Hand Writing Recognition System)
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Pada bab ini akan dibahas mengenai teori pendukung dan penelitian sebelumnya yang berhubungan dengan metode ekstraksi fitur, serta metode klasifikasi Support Vector Machine dalam
Lebih terperinciBINERISASI CITRA DOKUMEN DENGAN FILTERISASI HOMOMORPHIC
BINERISASI CITRA DOKUMEN DENGAN FILTERISASI HOMOMORPHIC Naser Jawas STMIK STIKOM BALI naser.jawas@stikom-bali.ac.id Abstrak Binerisasi citra dokumen adalah sebuah langkah awal yang sangat penting dalam
Lebih terperinciBAB I PENDAHULUAN. Pada zaman sekarang ini bagi sebagian masyarakat kendaraan bermotor
BAB I PENDAHULUAN 1.1 Latar Belakang Pada zaman sekarang ini bagi sebagian masyarakat kendaraan bermotor jenis mobil ataupun sepeda motor tidak lagi menjadi kebutuhan sekunder, melainkan telah menjadi
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 terperinciIdentifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Data Citra
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 3 Nomor 1 halaman 1-8 ISSN: 2089-6026 Identifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Data Citra Wood Type
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. fold Cross Validation, metode Convolutional neural network dari deep learning
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Program P rinsip kerja program yaitu dengan melakukan pra pengolahan citra terhadap foto fisik dari permukaan buah manggis agar ukuran seluruh data
Lebih terperinciKlasifikasi Karakter Tulisan Tangan berdasarkan pola segmen
Klasifikasi Karakter Tulisan Tangan berdasarkan pola segmen 20 Nopember 2010 Nuryuliani, Lulu C Munggaran Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma Universitas Gunadarma Depok,
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
68 BAB 4 HASIL DAN PEMBAHASAN 4.1. Uji Algoritma Pengujian dilakukan untuk mendapatkan algoritma yang paling optimal dari segi kecepatan dan tingkat akurasi yang dapat berjalan secara real time pada smartphone
Lebih terperinciSISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON
30 BAB IV SISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON 4.1 Gambaran Umum Sistem Diagram sederhana dari program yang dibangun dapat diilustrasikan dalam diagram konteks berikut. Gambar
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
60 BAB IV HASIL DAN PEMBAHASAN 41 Hasil Eksperimen E-nose terdiri dari 4 buah sensor gas dimana masing-masing dari sensor tersebut memiliki kepekaan yang berbeda pada saat pendeteksian aroma Jenis teh
Lebih terperinciBAB I PENDAHULUAN. menghasilkan beberapa karya yang mempermudah urusan manusia. Dan salah
BAB I PENDAHULUAN 1.1. Latar Belakang Dengan perkembangan teknologi yang semakin pesat dan dengan banyaknya temuan-temuan terbaru hasil penelitian dari para pakar teknologi, menghasilkan beberapa karya
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 terperinciDETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ. Muhammad Imron Rosadi 1
DETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ Muhammad Imron Rosadi 1 Prodi Teknik Informatika, Universitas Yudharta Pasuruan Purwosari 67162 Pasuruan Jawa Timur 1 Email : Imron_uyp@yahoo.com ABSTRAK
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 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 METODE PENELITIAN. Tujuan tugas akhir ini akan membangun suatu model sistem yang
BAB III METODE PENELITIAN 3.1 Model Pengembangan Tujuan tugas akhir ini akan membangun suatu model sistem yang melakukan proses data mulai dari pengolahan citra otak hingga menghasilkan output analisa
Lebih 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 terperinciHASIL DAN PEMBAHASAN
10 HASIL DAN PEMBAHASAN Pengumpulan Dokumen Tahapan awal yang dilakukan dalam penelitian adalah mengolah dokumen XML yang akan menjadi korpus. Terdapat 21578 dokumen berita yang terdiri atas 135 topik.
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dunia kesehatan dewasa ini tidak bisa dipisahkan dengan teknologi yang terus berkembang. Pengembangan teknologi yang erat kaitannya dengan dunia kesehatan atau dunia
Lebih terperinciSegmentasi Bagian Paru-Paru di Citra 2D CT-Scan
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Segmentasi Bagian Paru-Paru di Citra 2D CT-Scan Naser Jawas STIKOM Bali Jl. Raya Puputan no.86 Renon Denpasar e-mail: naser.jawas@stikom-bali.ac.id
Lebih terperinciSIMULASI DAN ANALISIS PENERJEMAH BAHASA ISYARAT KE TEKS MENGGUNAKAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE
e-proceeding of Engineering : Vol.3, No.3 December 2016 Page 48 SIMULASI DAN ANALISIS PENERJEMAH BAHASA ISYARAT KE TEKS MENGGUNAKAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE SIMULATION AND ANALYSIS OF
Lebih terperinciIDENTIFIKASI PLAT NOMOR MENGGUNAKAN FITUR ZONING DENGAN KLASIFIKASI SUPPORT VECTOR MACHINE INTAN AYU OCTAVIA
IDENTIFIKASI PLAT NOMOR MENGGUNAKAN FITUR ZONING DENGAN KLASIFIKASI SUPPORT VECTOR MACHINE INTAN AYU OCTAVIA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciKLASIFIKASI CITRA FORMULIR MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) PADA PROSES DIGITALISASI FORMULIR
KLASIFIKASI CITRA FORMULIR MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) PADA PROSES DIGITALISASI FORMULIR Dewi Pramudi Ismi 1), Ardiansyah 2) 1 Program Studi Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciKLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM)
KLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Oleh : MEKAR SEKAR SARI NIM. 24010210120008 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciAnalisis Perbandingan Sistem Pengenalan Rambu-Rambu Lalu Lintas Menggunakan Metode Generative Learning dan Support Vector Machine
Analisis Perbandingan Sistem Pengenalan Rambu-Rambu Lalu Lintas Menggunakan Metode Generative Learning dan Support Vector Machine Moses Jefferson Irawan, Dodi Sudiana Teknik Komputer, Fakultas Teknik,
Lebih terperinciPENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
Lebih terperinciFitur Matriks Populasi Piksel Untuk Membedakan Frame-frame Dalam Deteksi Gerakan
Fitur Matriks Populasi Piksel Untuk Membedakan Frame-frame Dalam Deteksi Gerakan Teady Matius Surya Mulyana tmulyana@bundamulia.ac.id, teadymatius@yahoo.com Teknik Informatika Universitas Bunda Mulia Abstrak
Lebih terperinciKata kunci : Slant correction, jaringan saraf tiruan, multilayer perceptron, backpropagation.
SLANT CORRECTION MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS MULTILAYER PERCEPTRON Disusun oleh : Nama : George L. Immanuel NRP : 0922080 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Uang Kertas Rupiah Uang Rupiah Kertas adalah Uang Rupiah dalam bentuk lembaran yang terbuat dari Kertas Uang yang dikeluarkan oleh Bank Indonesia, dimana penggunaannya dilindungi
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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciSegmentasi Kata Tulisan Tangan Menggunakan Jendela Blackman
Segmentasi Kata Tulisan Tangan Menggunakan Jendela Blackman Linggo Sumarno Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta, Indonesia E-mail : lingsum@usd.ac.id Abstrak Dalam pengenalan
Lebih terperinciIDENTIFIKASI PLAT NOMOR MOBIL MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)
IDENTIFIKASI PLAT NOMOR MOBIL MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) Yudil Taufik Umar¹, Heroe Wijanto², Rita Magdalena³ ¹Teknik Telekomunikasi,, Universitas Telkom Abstrak Untuk kepentingan pengenalan
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 terperinciPertemuan 2 Representasi Citra
/29/23 FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 2 Representasi Citra Representasi Citra citra Citra analog Citra digital Matrik dua dimensi yang terdiri
Lebih terperinciESTIMASI BOBOT KARKAS SAPI BERDASARKAN METODE GABOR WAVELET DAN KLASIFIKASI SUPPORT VECTOR MACHINE MULTICLASS
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 2084 ESTIMASI BOBOT KARKAS SAPI BERDASARKAN METODE GABOR WAVELET DAN KLASIFIKASI SUPPORT VECTOR MACHINE MULTICLASS Carcass Weight
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF RADIAL BASIS FUNCTION (RBF)
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011 PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF
Lebih terperinciPERBANDINGAN KINERJA EKSTRAKSI FITUR TINGKAT RENDAH MENGGUNAKAN METODE
PERBANDINGAN KINERJA EKSTRAKSI FITUR TINGKAT RENDAH MENGGUNAKAN METODE Gray Level Co-occurrence Matrix (GLCM) dan GABOR FILTER DALAM PENGENALAN MOTIF BATIK OLEH : ANUGRAH SURADIPURWO NIM : 41508110061
Lebih terperinciJurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya
Pengenalan Wajah Menggunakan Metode Adjacent Pixel Intensity Difference Quantization Histogram Generation Oleh : ANDIK MABRUR 1206 100 716 Dosen Pembimbing : Drs. Soetrisno, MI.Komp. Jurusan Matematika
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Jenis kelainan pada tulang punggung manusia bermacam-macam, bergantung pada faktor umur, kebiasaan, dan kecelakaan/virusbakteri. Skoliosis adalah kelainan tulang belakang
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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF)
PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF) AINUN JARIAH 1209201721 DOSEN PEMBIMBING 1. Prof. Dr. Mohammad Isa Irawan, M.T 2. Dr Imam Mukhlas, S.Si, M.T
Lebih terperinciTRANSFORMASI MODEL WARNA YUV DAN FUZZY SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI CITRA SATELIT
TRANSFORMASI MODEL WARNA YUV DAN FUZZY SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI CITRA SATELIT Ahmad Afif Supianto 1, Sutrisno 2 Informatika/Ilmu Komputer, Program Teknologi Informasi dan Ilmu Komputer,
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Perancangan perangkat lunak dari sistem biometrik sidik jari dibuat dibagi menjadi 2 module utama yakni : module enhencement sidik jari berikut aplikasi penyimpanan kedalam database
Lebih terperinciSegmentasi Kata Tulisan Tangan Menggunakan Jendela Blackman Linggo Sumarno Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta, Indonesia E-mail : lingsum@usd.ac.id Abstrak Dalam pengenalan
Lebih terperinciSYSTEMIC Vol. 1, No. 1, Agustus 2015, PENGENALAN CATATAN PENJUALAN MENGGUNAKAN PENGENALAN ANGKA BERBASIS KORELASI.
SYSTEMIC Vol. 1, No. 1, Agustus 2015, 14-19 PENGENALAN CATATAN PENJUALAN MENGGUNAKAN PENGENALAN ANGKA BERBASIS KORELASI Ahmad Yusuf 1) 1) Fakultas Sains dan Teknologi, Universitas Islam Negeri Sunan Ampel
Lebih terperinciSEGMENTASI CITRA MEDIK MRI (MAGNETIC RESONANCE IMAGING) MENGGUNAKAN METODE REGION THRESHOLD
SEGMENTASI CITRA MEDIK MRI (MAGNETIC RESONANCE IMAGING) MENGGUNAKAN METODE REGION THRESHOLD Murinto, Resa Fitria Rahmawati Program Studi Teknik Informatika Fakultas Teknologi Industri Universitas Ahmad
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN Pada bab ini akan dibahas tentang latar belakang, perumusan masalah, tujuan penelitian, manfaat penelitian, dan kontribusi penelitian. Masalah-masalah yang dihadapi berkaitan dengan melakukan
Lebih terperinciPENERAPAN SEGMENTASI MULTI KANAL DALAM MENDETEKSI SEL PARASIT PLASMODIUM SP. I Made Agus Wirahadi Putra 1, I Made Satria Wibawa 2 ABSTRAK
Jurnal Dinamika, April 2017, halaman 18-29 P-ISSN: 2087-889 E-ISSN: 2503-4863 Vol. 08. No.1 PENERAPAN SEGMENTASI MULTI KANAL DALAM MENDETEKSI SEL PARASIT PLASMODIUM SP. I Made Agus Wirahadi Putra 1, I
Lebih terperinciPengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA)
Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA) Erma Rachmawati Jurusan Teknik Elektro- FTI, Institut Teknologi Sepuluh
Lebih terperinciBAB III PERANCANGAN SISTEM. tangan huruf vokal seperti terlihat pada gambar 3.1.
BAB III PERANCANGAN SISTEM 3.1 Alur Penelitian Perancangan sistem simulasi identifikasi dan pengenalan pola tulisan tangan huruf vokal seperti terlihat pada gambar 3.1. Pengambilan data Pre-processing
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciPengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector Quantization
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3, Maret 2018, hlm. 1313-1317 http://j-ptiik.ub.ac.id Pengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Data mining adalah proses mengeksplorasi dan menganalisis data dalam jumlah besar untuk menemukan pola dan rule yang berarti (Berry & Linoff, 2004). Klasifikasi adalah
Lebih terperinciANALISIS SISTEM PENGENALAN KARAKTER PLAT KENDARAAN DARI CITRA KENDARAAN
Teknologi Elektro, Vol. 15, No.2, Juli - Desember 2016 21 ANALISIS SISTEM PENGENALAN KARAKTER PLAT KENDARAAN DARI CITRA KENDARAAN I Dewa Gede Angga Prastika 1, Widyadi Setiawan 2, Pande Ketut Sudiarta
Lebih terperinciIMPLEMENTASI APLIKASI PENGENALAN JENIS KELAMIN BERDASARKAN CITRA WAJAH DENGAN METODE SUPPORT VECTOR MACHINE SECARA REAL TIME
IMPLEMENTASI APLIKASI PENGENALAN JENIS KELAMIN BERDASARKAN CITRA WAJAH DENGAN METODE SUPPORT VECTOR MACHINE SECARA REAL TIME Implementation of Gender Recognition Applications Based on Face Image with Support
Lebih terperinciPENGENALAN EKSPRESI WAJAH MANUSIA MENGGUNAKAN TAPIS GABOR 2-D DAN SUPPORT VECTOR MACHINE (SVM)
PENGENALAN EKSPRESI WAJAH MANUSIA MENGGUNAKAN TAPIS GABOR 2-D DAN SUPPORT VECTOR MACHINE (SVM) Arif Mustakim*), Imam Santoso, and Ajub Ajulian Zahra Departemen Teknik Elektro, Universitas Diponegoro Jl.
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 terperinciIDENTIFIKASI TANDA TANGAN DENGAN PENDEKATAN SUPPORT VECTOR MACHINE
IDENTIFIKASI TANDA TANGAN DENGAN PENDEKATAN SUPPORT VECTOR MACHINE Endina Putri P 1, Diyah Puspitaningrum 2, Andre Mirfen 3 1,2,3 Program Studi Teknik Infomatika, Fakultas Teknik, Universitas Bengkulu.
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Studi Pada penelitian ini, peneliti menggunakan beberapa jurnal sebagai tinjauan studi, yaitu sebagai berikut : a. Pengenalan Huruf Bali Menggunakan Metode Modified
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada perkembangan teknologi informasi seperti saat ini, kebutuhan akan informasi dan sistem yang dapat membantu kebutuhan manusia dalam berbagai aspek sangatlah penting.
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
3.1 Persiapan Data BAB III ANALISA DAN PERANCANGAN SISTEM Dalam pengerjaan tugas akhir ini data yang digunakan adalah kalimat tanya Berbahasa Indonesia, dimana kalimat tanya tersebut diambil dari soal-soal
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 terperinciPENGENALAN POLA MARGINS TULISAN TANGAN UNTUK MENGIDENTIFIKASI KARAKTER SESEORANG MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM)
PENGENALAN POLA MARGINS TULISAN TANGAN UNTUK MENGIDENTIFIKASI KARAKTER SESEORANG MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) Adiatandy Geovani (0722091 ) Jurusan Teknik Elektro email: adiatandy.mail@gmail.com
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pengembangan teknologi diharapkan menghasilkan berbagai hal yang berguna untuk memenuhi kebutuhan masyarakat serta memberi kemudahan dan kenyamanan pada pengguna
Lebih terperinciPengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih terperinci