dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan
|
|
- Utami Darmali
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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. Setiap node pola merupakan selisih antara vektor masukan yang akan diklasifikasikan dengan vektor bobot, yaitu =, kemudian dibagi dengan bias tertentu (σ) dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu (=exp (. Dengan demikian, persamaan yang digunakan pada lapisan pola adalah. (= ( ( (17) 2. Lapisan penjumlahan (summation layer) Menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah: 1 (= 2 exp 2 (18) 3. Lapisan keluaran (output layer) Menentukan kelas dari input yang diberikan. Input x akan masuk ke Y jika nilai paling besar dibandingkan kelas lainnya. METODE PENELITIAN Penelitian ini dilakukan dalam beberapa tahap. Tahap-tahap tersebut diselesaikan Citra yang digunakan diperoleh dari pemotretan tiga puluh jenis citra pohon yang terdapat di Kebun Raya Bogor serta tiga puluh jenis citra daun, depan dan belakang (masingmasing kelas 48 citra) yang terdapat di kebun Biofarmaka IPB Cikabayan dan rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan IPB. Citra yang digunakan berformat JPG. Total citra pohon yang digunakan 300 citra yang terdiri atas 30 kelas masing-masing kelas terdiri atas 10 citra yang dapat dilihat pada Lampiran 1 serta total citra daun yang digunakan sebanyak citra yang terdiri atas 30 kelas, depan dan belakang (masing-masing kelas 48 citra) dapat dilihat pada Lampiran 2. Pada tahap awal praproses, dilakukan perbaikan data pohon dengan memotong citra untuk mendapatkan objek tanaman dan memperkecil ukuran citra menjadi 270x210 piksel. Citra tersebut diperoleh dari hasil cropping dengan bertujuan agar citra focus kepada objek dari citra itu sendiri. Pada data daun dilakukan praproses data dengan mengambil objek setiap satu daun dan memperkecil ukuran citra menjadi 270x240 piksel. Kemudian mode warna citra diubah menjadi grayscale untuk proses ekstraksi selanjutnya. Image Enhancement dengan Gaussian Proses perbaikan citra menggunakan fungsi Gaussian. Sebelum masuk ke tahap ekstraksi, citra diubah ke dalam mode warna grayscale. Tahap selanjutnya citra diproses dengan mengalikan fungsi Gaussian yang ditunjukkan pada persamaan (1) bertujuan untuk memperhalus distribusi frekuensi citra. Ekstraksi Tekstur dengan Local Binary Pattern Ekstraksi tektur pada citra daun hanya dilakukan pada piksel yang menyusun citra tersebut. Citra dikonversi ke mode warna grayscale. Selanjutnya membagi citra ke dalam beberapa local region sesuai dengan sampling points dan radius yang digunakan. 7
2 Citra Tumbuhan Citra Pohon Citra Daun Citra Grayscale Citra Grayscale Image Enhancement dengan Gaussian Image Enhancement dengan Gaussian Ekstraksi tekstur dengan LBP Ekstraksi tekstur dengan MBLBP MBLBP LBPRiu VAR LBPV Tanpa Tanpa MBLBPRiu MBLBPVAR MBLBPV MBLBPRiu MBLBPVAR MBLBPV PNN PNN PNN PNN PNN Perbadingan Hasil LBP dengan MBLBP Model Klasifikasi Model Klasifikasi Citra Kueri Ekstraksi Tekstur Histogram Hasil Identifikasi Hasil Identifikasi Gambar 9 Metode Penelitian Tabel 1 LBP (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 Ekstraksi tekstur dilakukan dengan konvolusi menggunakan operator yang disajikan pada Tabel 1. Nilai LBP akan direpresentasikan melalui histogram yang merupakan gambaran frekuensi nilai LBP pada sebuah citra. Ekstraksi tekstur yang digunakan sebanyak tiga descriptor yaitu,, VAR, dan LBPV. 1. Ekstraksi tekstur dengan, Ekstraksi tekstur menggunakan, mengolah setiap piksel dari citra yang dilakukan dengan menggunakan persamaan (12). Histogram 8
3 , menghasilkan +2 bin dengan merupakan banyaknya sampling points yang digunakan. Bin pertama sampai dengan +1 merupakan bin uniform patterns, sedangkan bin terakhir (+2) merupakan single bin untuk non uniform patterns. Ekstraksi tekstur menggunakan, diolah menggunakan empat operator, yaitu (8,1), (8,2), (16,2), dan (24,3). 2. Ekstraksi tekstur dengan Ekstraksi tekstur menggunakan, descriptor dilakukan dengan menggunakan persamaan (13) dan (14). Setiap nilai gray value piksel ketetanggaan dibandingkan dengan nilai rata-rata piksel ketetanggaan itu sendiri. Semakin besar nilai, pada suatu local region, maka semakin kontras local region tersebut. Hasil pengolahan dari setiap local region menghasilkan matriks nilai,. Nilai, yang dihasilkan merupakan nilai kontinu yang harus dikuantisasi. Pengkuantisasian dilakukan dengan mengelompokkan nilai-nilai, dalam rentang kelipatan 100 yang dilihat berdasarkan kemiripan tekstur. Hal ini dilakukan untuk mempermudah perhitungan frekuensi nilainilai dalam suatu citra. Selanjutnya nilai yang telah dikuantisasi direpresentasikan melalui histogram. Histogram descriptor memiliki 150 bin. Penentuan banyaknya bin ini tidak baku. Penentuan banyaknya bin pada penelitian ini dilihat dari sebaran nilai terbesar pada suatu citra. Ekstraksi tekstur menggunakan diolah menggunakan empat operator, yaitu (8,1), (8,2), (16,2), dan (24,3). 3. Ekstraksi tekstur dengan Ekstraksi tekstur menggunakan descriptor memanfaatkan keseluruhan hasil nilainilai local region, dan hasil nilai-nilai local region. Ekstraksi dilakukan dengan menggabungkan nilai, dan menggunakan persamaan (15) dan (16). Setiap nilai local region yang ada di, merujuk pada nilai local region pada posisi local region yang sama. Sampling points dan radius (operator) yang digunakan, dan harus sama. Hal ini dikarenakan descriptor bekerja dengan mencocokkan posisi local region. Hasil dari penggabungan local region, dengan menghasilkan vektor frekuensi nilai yang direpresentasikan melalui histogram. Pembentukan histogram LBPV descriptor sama seperti,. Histogram descriptor memiliki +2 bin dengan banyaknya sampling points yang digunakan. Ekstraksi tekstur menggunakan juga diolah menggunakan empat operator, yaitu (8,1), (8,2), (16,2), dan (24,3). Ekstraksi tekstur dengan Multi-Block Local Binary Pattern Hasil distribusi citra setelah diproses pada image enhancement dengan Gaussian filrering selanjutnya dilakukan tahap ekstraksi dengan Multi-Block Local Binary Pattern (MBLBP). Pada proses ekstraksi tekstur pada penelitian ini menggunakan tiga descriptor, yaitu,,,, dan. Pengolahan selanjutnya membagi citra ke dalam beberapa operator sesuai dengan sampling points dan radius yang digunakan. Penelitian ini menggunakan empat macam operator yang disajikan pada Tabel 2. Tabel 2 Berbagai macam MBLBP (P, R) Ukuran Blok besar (piksel) Ukuran blok kecil (subregion) Kuantisasi Sudut (8,1) 9 x 9 3 x 3 45 derajat (8,2) 15 x15 3 x 3 45 derajat (16,2) 15 x 15 3 x 3 22,5 derajat (24,3) 21 x 21 3 x 3 15 derajat Penentuan ukuran blok besar dan kuantisasi sudut yang digunakan menggunakan formula berikut: = 2+ 1 (19) = (20) Ekstraksi tekstur dilakukan menggunakan berbagai macam operator dengan sub-regions berukuran 3x3 ketetanggaan. Sub-regions merupakan hasil nilai rata-rata setiap single piksel yang berbentuk persegi. Setiap sub-regions overlapping dengan sub-regions berikutnya dengan jarak satu piksel. Ekstraksi tekstur yang digunakan sebanyak tiga descriptor yaitu: 1. Ekstraksi tekstur dengan, ) Ekstraksi tekstur menggunakan, descriptor mengolah setiap blok besar yang terdiri atas sub-regions pada suatu citra menggunakan persamaan (12). Hasil dari pengolahan setiap blok besar menghasilkan pola biner MBLBP. Kemudian pola biner MBLBP setiap blok besar diidentifikasi ke dalam uniform patterns atau non uniform patterns. Jika termasuk uniform patterns, dihitung banyaknya bit satu yang terdapat pada pola tersebut 9
4 yang akan menentukan letak bin uniform patterns tersebut berada. Gambar 10 Pembentukan histogram. Hasil dari pengolahan setiap blok direpresentasikan melalui histogram yang merupakan frekuensi nilai, seluruh blok besar pada suatu citra. Ilustrasi pembentukan histogram ditunjukkan pada Gambar 10. Histogram, descriptor memiliki +2 bin dengan merupakan banyaknya sampling points yang digunakan. Bin pertama sampai dengan +1 merupakan bin uniform patterns, sedangkan bin terakhir (+2) merupakan single bin untuk nonuniform patterns. Ekstraksi tekstur menggunakan, diolah menggunakan empat operator yaitu (8,1), (8,2), (16,2), dan (24,3). 2. Ekstraksi tekstur dengan, Ekstraksi tekstur menggunakan, descriptor dilakukan menggunakan persamaan (13) dan (14). Setiap nilai sub-regions ketetanggaan dibandingkan dengan nilai rata-rata piksel ketetanggaan itu sendiri. Semakin besar nilai, pada suatu local region, maka semakin kontras local region tersebut. Hasil pengolahan dari setiap local region menghasilkan matriks nilai,. Nilai, yang dihasilkan merupakan nilai kontinu yang harus dikuantisasi. Pengkuantisasian dilakukan dengan mengelompokkan nilai-nilai, dalam rentang kelipatan 500 yang dilihat berdasarkan kemiripan tekstur. Hal ini dilakukan untuk mempermudah perhitungan frekuensi nilai-nilai, dalam suatu citra. Selanjutnya nilai yang telah dikuantisasi direpresentasikan melalui histogram. Histogram descriptor, memiliki 128 bin. Penentuan banyaknya bin ini tidak baku. Penentuan banyaknya bin pada penelitian ini dilihat dari sebaran nilai terbesar, pada suatu citra. Ekstraksi tekstur menggunakan, diolah menggunakan empat operator, yaitu (8,1), (8,2), (16,2), dan (24,3). 3. Ekstraksi tekstur dengan Ekstraksi tekstur menggunakan descriptor memanfaatkan keseluruhan hasil nilainilai local region (blok besar), dan,. Ekstraksi dilakukan dengan menggabungkan nilai, dan, menggunakan persamaan (15) dan (16). descriptor bekerja dengan mencocokkan posisi local region. Setiap nilai local region yang ada di, merujuk pada nilai local region, pada posisi local region yang sama. Sampling points dan radius yang digunakan, dan, harus sama. Hasil dari penggabungan local region, dengan, menghasilkan vektor frekuensi nilai yang direpresentasikan melalui histogram. Pembentukan histogram MBLBPV descriptor sama seperti,. Histogram descriptor memiliki +2 bin dengan banyaknya sampling points yang digunakan. Ekstraksi tekstur menggunakan juga diolah menggunakan. Tahap penggabungan operator dilakukan dengan menggunakan perangkaian (concatenation) beberapa buah histogram sesuai dengan operator yang dirangkaikan. Banyaknya operator yang digunakan dalam penelitian ini dibatasi paling banyak adalah tiga. Hasil dari penggabungan beberapa operator menghasilkan sebuah histogram dengan panjang bin yang merupakan penjumlahan dari bin-bin histogram yang digabungkan. Histogram hasil penggabungan maupun tanpa penggabungan operator selanjutnya akan dijadikan input untuk proses klasifikasi. operator yang digunakan sebanyak tiga descriptor yaitu,,,, dan MBLBPV. 1. operator dengan, ) dapat dilihat pada Tabel 3. Tabel 3 operator pada, P,R Jumlah Bin (8,1) + (8,2) (8,1) + (16,2) (8,1) + (24,3) (8,2) + (16,2) (8,2) + (24,3) (16,2) + (24,3) (8,1) + (8,2) + (24,3) (8,1) + (16,2) + (24,3) , 10
5 Panjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan, misalnya penggabungan, +, maka panjang bin yang dihasilkan sebesar 28 bin. 2. operator dengan, dapat dilihat pada Tabel 4. Tabel 4 operator pada, P,R Jumlah Bin (8,1) + (8,2) (8,1) + (16,2) (8,1) + (24,3) (8,2) + (16,2) (8,2) + (24,3) , (16,2) + (24,3) (8,1) + (8,2) + (24,3) (8,1) + (16,2) + (24,3) Panjang bin dari setiap skala sebesar 128 bin. Panjang bin pada setiap penggabungan disesuaikan dengan operator yang digunakan, misalnya penggabungan, +, maka panjang bin yang dihasilkan sebesar 256 bin. 3. operator dengan dapat dilihat pada Tabel 5. Tabel 5 operator pada P,R Jumlah Bin (8,1) + (8,2) (8,1) + (16,2) (8,1) + (24,3) (8,2) + (16,2) (8,2) + (24,3) (16,2) + (24,3) (8,1) + (8,2) + (24,3) (8,1) + (16,2) + (24,3) Panjang bin pada setiap penggabungan disesuaikan dengan operator yang digunakan, misalnya penggabungan, +,, maka panjang bin yang dihasilkan sebesar 28 bin. Klasifikasi dengan Probabilistic Neural Network (PNN) Setelah proses ekstraksi citra dilakukan, diperoleh hasil vektor histogram untuk setiap operator. Tahap selanjutnya adalah mengklasifikasi vektor-vektor histogram tersebut dengan PNN. Klasifikasi dilakukan pada vektor histogram penggabungan maupun tanpa penggabungan. Klasifikasi dilakukan dengan membagi data latih dan data uji masing-masing 70% dan 30% untuk data pohon serta 80% dan 20% untuk data daun. Selanjutnya diperoleh model klasifikasi dari hasil pelatihan data. Model klasifikasi digunakan untuk proses pengujian. Pada penggabungan operator maupun tanpa penggabungan operator harus diekstraksi terlebih dahulu. Hasil identifikasi citra pohon menggunakan MBLBP akan dibandingkan dengan hasil identifikasi citra pohon menggunakan LBP. Klasifikasi dilakukan dengan menggunakan PNN dengan menerapkan bias yang berbeda-beda untuk setiap operator karena dimensi vektor histogram setiap operator berbeda-beda. Normalisasi dilakukan pada vektor histogram agar perhitungan tidak menghasilkan bilangan yang terlalu besar atau kecil yang tidak bisa dilakukan oleh mesin komputer. Pengujian Sistem Pengujian data dilakuan oleh sistem, yaitu dengan penilaian tingkat keberhasilan klasifikasi terhadap citra kueri. Evaluasi dari kinerja model klasifikasi didasarkan pada banyaknya data uji yang diprediksi secara benar dan tidak benar oleh model. Hal ini dapat dihitung menggunakan akurasi yang didefinisikan sebagai berikut: = 100% (22) Perangkat Keras dan Perangkat Lunak Perangkat keras yang digunakan dalam penelitian ini adalah Processor intel Core 2 Duo 2.00 GHz, memori DDR3 RAM 1.00 GB dan hardisk 320 GB. Perangkat lunak yang digunakan adalah Sistem Operasi Windows7, Library OpenCV 2.1, dan Visual C++. Hasil HASIL DAN PEMBAHASAN Pada tahap awal praproses, dilakukan perbaikan data citra pohon dengan memotong citra untuk mendapatkan objek tanaman dan memperkecil ukuran citra menjadi 270x210 piksel. Pada data 11
Panjang 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 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 terperinciHASIL DAN PEMBAHASAN. Tabel 1 Operator descriptor
Tabel 1 Operator descriptor Operator (P, R) Ukuran Blok (piksel) Kuantisasi Sudut (8, 1) 3 x 3 45 derajat (8, 2) 5 x 5 45 derajat (16, 2) 5 x 5 22.5 derajat (24, 3) 7 x 7 15 derajat Penentuan ukuran blok
Lebih 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan penelitian yang dilaksanakan ditunjukan pada Gambar 6. Akusisi Citra INPUT Citra Query Preprocessing Citra Pre processing Citra Ekstraksi Fitur
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 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 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 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 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 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 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 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 terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
Lebih terperinciHASIL DAN PEMBAHASAN. B fch a. d b
7 dengan nilai σ yang digunakan pada tahap pelatihan sebelumnya. Selanjutnya dilakukan perhitungan tingkat akurasi SVM terhadap citra yang telah diprediksi secara benar dan tidak benar oleh model klasifikasi.
Lebih terperinciIII METODOLOGI PENELITIAN
13 III METODOLOGI PENELITIAN 3.1 Kerangka Penelitian Penelitian dilakukan dalam lima tahapan utama, yaitu ekstraksi frame video, ekstraksi fitur SIFT dari seluruh frame, pembentukan kantong kata visual
Lebih 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 terperincidan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. akurasi =.
dan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. Gambar 5 Macam-macam bentuk partisi citra. Ekstraksi Fitur Pada tahap ini semua partisi dari citra dihitung
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah
BAB 3 METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Prosesor Intel (R) Atom (TM) CPU N550
Lebih 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 terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Indonesia merupakan negara megabiodiversity yang kaya akan tumbuhan obat yang sangat potensial untuk dikembangkan. Untuk keanekaragaman tanaman, Indonesia memiliki lebih dari
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 terperinciBAB 5 UJI COBA DAN ANALISA HASIL
BAB 5 UJI COBA DAN ANALISA HASIL Pada bab ini diuraikan mengenai lingkungan uji coba, hasil uji coba serta analisa hasil uji coba dari perangkat lunak. 5.1 Lingkungan Lingkungan uji coba merupakan komputer
Lebih 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Dalam penelitian ini diperlukan sebuah desain dan metode penelitian agar dalam pelaksanaaannya dapat menjadi lebih teratur dan terurut. 3.1. Desain Penelitian Bentuk dari desain
Lebih terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
Lebih terperinciBAB 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 terperinciTujuan Penelitian Tujuan penelitian ini adalah untuk melakukan deteksi penyakit pada daun rose dengan menggunakan metode ANN.
Laporan Akhir Projek PPCD Deteksi Penyakit Daun Menggunakan Artificial Neural Network (ANN) TRI SONY(G64130020), GISHELLA ERDYANING (G64130040), AMALIYA SUKMA RAGIL PRISTIYANTO (G64130044), MUHAMMAD RIZQI
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui tahapan awal didalam sebuah sistem pendeteksian filter sobel. Didalam aplikasi filter sobel ini
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 terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Desain penelitian adalah tahapan-tahapan dalam penelitian. Berikut di bawah
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian adalah tahapan-tahapan dalam penelitian. Berikut di bawah merupakan gambar desain penelitian: Pengumpulan Data Grayscalling Pustaka
Lebih terperinciBAB V. IMPLEMENTASI DAN PENGUJIAN
BAB V. IMPLEMENTASI DAN PENGUJIAN Pada bab lima laporan Tugas Akhir ini, akan dijelaskan mengenai proses implementasi perangkat lunak dari hasil perancangan yang telah dilakukan sebelumnya. Selain itu,
Lebih terperinciHASIL DAN PEMBAHASAN. Data
dengan menggunakan model Bayesian Network. Nilai kemiripan dapat dihitung dengan Persamaan 21. P(I j Q)=n[1-(1-P(CS j CS)) x(1-p(ct j CT))] (21) dengan n adalah jumlah citra pada basis data, P(CS j CS)
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur maupun metode
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2. Penelitian Terdahulu Beberapa penelitian mengenai pengenalan tulisan tangan telah banyak dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur
Lebih terperinciBAB 4 ANALISA DAN BAHASAN
BAB 4 ANALISA DAN BAHASAN 4.1 Spesifikasi Sistem Sistem pengenalan objek 3 dimensi terbagi atas perangkat keras dan perangkat lunak. Spesifikasi sistem baik perangkat keras maupun lunak pada proses perancangan
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 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 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. mengenali dan membedakan ciri khas yang dimiliki suatu objek (Hidayatno,
1 BAB I PENDAHULUAN A. Latar belakang Saat ini pemanfaatan teknologi pengolaan citra untuk mempermudah manusia dalam menyelesaikan masalah-masalah tertentu sudah banyak diterapkan, khususnya dibidang Identifikasi.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Pada penelitian tugas akhir ini ada beberapa tahapan penelitian yang akan dilakukan seperti yang terlihat pada gambar 3.1 : Mulai Pengumpulan Data Analisa
Lebih 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Dalam tugas akhir ini penguji melakukan pengujian dari judul tugas akhir sebelumnya, yang dilakukan oleh Isana Mahardika. dalam tugas akhir tersebut membahas pendeteksian tempat
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 terperinciBAB III METODE PENELITIAN. Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di Laboratorium Pemodelan Fisika, Jurusan Fisika, Fakultas Matematika dan Ilmu
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seiring dengan perkembangan teknologi informasi dan semakin luasnya pemanfaatan teknologi komputer di berbagai bidang kehidupan, kebutuhan akan efisiensi pengelolaan
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 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 terperinciModel Citra (bag. 2)
Model Citra (bag. 2) Ade Sarah H., M. Kom Resolusi Resolusi terdiri dari 2 jenis yaitu: 1. Resolusi spasial 2. Resolusi kecemerlangan Resolusi spasial adalah ukuran halus atau kasarnya pembagian kisi-kisi
Lebih terperinciBAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan pada
BAB III METODOLOGI PENELITIAN 1.1. Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan pada proses pengenalan huruf tulisan tangan Katakana menggunakan metode Fuzzy Feature Extraction
Lebih 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 terperinciBAB III METODOLOGI PENELITIAN. Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector
BAB III METODOLOGI PENELITIAN 3.1 Metode Penelitian Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) untuk pengenalan wajahterdiri dari empat metodologi penelitian,
Lebih terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN
44 BAB 3 ANALISA DAN PERANCANGAN 3.1 Analisa Analisa yang dilakukan terdiri dari : a. Analisa terhadap permasalahan yang ada. b. Analisa pemecahan masalah. 3.1.1 Analisa Permasalahan Pengenalan uang kertas
Lebih terperinciCreated with Print2PDF. To remove this line, buy a license at:
BAB III Pelaksanaan Penelitian Pada bab ini dibahas pelaksanaan ekstraksi unsur jalan secara otomatis yang terdiri dari tahap persiapan dan pengolahan data. Tahap persiapan yang terdiri dari pengambilan
Lebih terperinciBAB III METODE PENELITIAN
23 BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan proses penelitian ditunjukkan pada Gambar 15 berikut. Mulai 96 citra stomata Ekstraksi fitur - RGB & Skala Keabuan Ekstraksi fitur - Wavelet
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 terperinciBAB III METODOLOGI PENELITIAN. Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem
21 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem pengenalan wajah ini yaitu input, proses dan output. Dengan input bahan penelitian
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 15 Potongan piksel cover video. 2 Windowing
10 delta lalu disimpan lagi ke piksel-piksel yang melebihi 255 atau kurang dari 0 Kelas fuzzy digunakan untuk mengetahui berapa bit LSB yang diambil di setiap koefisien DC Selanjutnya koefisien DC dikonversi
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 terperinciPENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN NEURAL NETWORK DAN PEMROSESAN AWAL THINNING ZHANG SUEN
PENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN NEURAL NETWORK DAN PEMROSESAN AWAL THINNING ZHANG SUEN Chairisni Lubis 1) Yuliana Soegianto 2) 1) Fakultas Teknologi Informasi Universitas Tarumanagara Jl. S.Parman
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 terperincipbab 4 IMPLEMENTASI DAN EVALUASI PROGRAM APLIKASI uji coba terhadap program aplikasi pengenalan plat nomor kendaraan roda empat ini,
pbab 4 IMPLEMENTASI DAN EVALUASI PROGRAM APLIKASI Bab ini berisi penjelasan tentang implementasi sistem meliputi kebutuhan perangkat lunak dan perangkat keras yang digunakan untuk melakukan perancangan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
18 BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka Pemikiran Penelitian ini dilakukan berdasarkan sebuah kerangka pemikiran. Seperti tercantum pada Gambar 9. Mulai Potongan kayu Alat pinda i (scanner) Identifikasi
Lebih terperinciSISTEM IDENTIFIKASI CITRA JENIS KUNYIT (Curcuma Domestica Val.) MENGGUNAKAN METODE KLASIFIKASI MINKOWSKI DISTANCE FAMILY
SISTEM IDENTIFIKASI CITRA JENIS KUNYIT (Curcuma Domestica Val.) MENGGUNAKAN METODE KLASIFIKASI MINKOWSKI DISTANCE FAMILY 1 Devi Puspita Sari (08018272), 2 Abdul Fadlil (0510076701) 1 Program Studi Teknik
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 terperinciDAFTAR ISI. DAFTAR ISI... vii. DAFTAR GAMBAR... x. DAFTAR TABEL... xii I. PENDAHULUAN Latar Belakang Rumusan Masalah...
DAFTAR ISI Halaman DAFTAR ISI... vii DAFTAR GAMBAR... x DAFTAR TABEL... xii I. PENDAHULUAN... 1 1.1 Latar Belakang... 1 1.2 Rumusan Masalah... 2 1.3 Batasan Masalah... 2 1.4 Tujuan... 3 1.5 Manfaat...
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Analisis dan perancangan sistem ini ditujukan untuk memberikan gambaran secara umum mengenai aplikasi yang akan dibuat. Hal ini berguna untuk menunjang pembuatan
Lebih terperinciStudi Kuantisasi Bin Terhadap Metode Local Binary Pattern dan Local Binary Pattern Variance pada Deteksi Citra Asap
Studi Kuantisasi Bin Terhadap Metode Local Binary Pattern dan Local Binary Pattern Variance pada Deteksi Citra Asap Maya Muthia #1, Khairul Munadi #2, Fitri Arnia #3 # Program Pascasarjana, Magister Teknik
Lebih terperinciOPTIMASI PEMILIHAN THRESHOLD DAN OPERATOR FUZZY LOCAL BINARY PATTERN MENGGUNAKAN MULTI OBJECTIVE GENETIC ALGORITHM GIBTHA FITRI LAXMI
OPTIMASI PEMILIHAN THRESHOLD DAN OPERATOR FUZZY LOCAL BINARY PATTERN MENGGUNAKAN MULTI OBJECTIVE GENETIC ALGORITHM GIBTHA FITRI LAXMI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012 ii iii PERNYATAAN
Lebih terperinciPertemuan 2 Representasi Citra
/29/23 FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 2 Representasi Citra Representasi Citra citra Citra analog Citra digital Matrik dua dimensi yang terdiri
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Citra (image) atau yang secara umum disebut gambar merupakan representasi spasial dari suatu objek yang sebenarnya dalam bidang dua dimensi yang biasanya ditulis dalam
Lebih terperinciKOMPRESI CITRA. Pertemuan 12 Mata Pengolahan Citra
KOMPRESI CITRA Pertemuan 12 Mata Pengolahan Citra PEMAMPATAN CITRA Semakin besar ukuran citra semakin besar memori yang dibutuhkan. Namun kebanyakan citra mengandung duplikasi data, yaitu : Suatu piksel
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih terperinciMETODE PENELITIAN. Gambar 2 Metodologi penelitian.
4 penelitian i, kata diasosiasikan dengan anotasi citra (kata) dan dokumen diasosiasikan dengan citra. Matriks kata-citra tersebut didekomposisi meadi : A USV T dengan A adalah matriks kata-citra, matriks
Lebih terperinciBAB 3 IMPLEMENTASI SISTEM
BAB 3 IMPLEMENTASI SISTEM Bab ini akan membahas mengenai proses implementasi dari metode pendeteksian paranodus yang digunakan dalam penelitian ini. Bab ini terbagai menjadi empat bagian, bagian 3.1 menjelaskan
Lebih terperinciAkurasi. Perangkat Lunak: Sistem operasi: Windows Vista Home Premium Aplikasi pemrograman: Matlab 7.0
Tabel 1 Dimensi citra di tiap level Level transformasi Dimensi citra 1 46 56 2 23 28 3 12 14 4 6 7 5 3 4 6 2 2 Pada Gambar 5 disajikan visualisasi transformasi wavelet hingga level 3. Deskripsi citra dekomposisi
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciBAB III METODE PENELITIAN. melacak badan manusia. Dimana hasil dari deteksi atau melacak manusia itu akan
BAB III METODE PENELITIAN 3.1. Model Pengembangan Tujuan dari tugas akhir ini adalah untuk membuat sebuah aplikasi untuk mengatur kontras pada gambar secara otomatis. Dan dapat meningkatkan kualitas citra
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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian menjelaskan bagaimana langkah-langkah atau tahapantahapan yang akan dilakukan dalam penelitian untuk dapat menjawab rumusan masalah penelitian. Tahapan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciTEKNIK PENGOLAHAN CITRA MENGGUNAKAN METODE KECERAHAN CITRA KONTRAS DAN PENAJAMAN CITRA DALAM MENGHASILKAN KUALITAS GAMBAR
TEKNIK PENGOLAHAN CITRA MENGGUNAKAN METODE KECERAHAN CITRA KONTRAS DAN PENAJAMAN CITRA DALAM MENGHASILKAN KUALITAS GAMBAR Zulkifli Dosen Tetap Fakultas Ilmu Komputer Universitas Almuslim Email : Zulladasicupak@gmail.com
Lebih terperinci3.2.1 Flowchart Secara Umum
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui dan memahami permasalahan dari suatu sistem yang akan dibuat. Dalam aplikasi menghilangkan derau
Lebih terperinciII TINJAUAN PUSTAKA. * adalah operasi konvolusi x dan y, adalah fungsi yang merepresentasikan citra output,
5 II INJAUAN PUSAKA.1 Fitur Scale Invariant Feature ransform (SIF) Fitur lokal ditentukan berdasarkan pada kemunculan sebuah objek pada lokasi tertentu di dalam frame. Fitur yang dimaksudkan haruslah bersifat
Lebih terperinciTEKNIK PENGOLAHAN CITRA. Kuliah 13 Kompresi Citra. Indah Susilawati, S.T., M.Eng.
TEKNIK PENGOLAHAN CITRA Kuliah 13 Kompresi Citra Indah Susilawati, S.T., M.Eng. Program Studi Teknik Informatika/Sistem Informasi Fakultas Teknologi Informasi Universitas Mercu Buana Yogyakarta 2015 KULIAH
Lebih terperinciUKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Uang didefinisikan sebagai alat tukar yang dapat diterima secara umum oleh setiap orang di masyarakat dalam proses pertukaran barang dan jasa. Uang sendiri
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
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 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 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 terperinciProses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer
Pengolahan Citra / Image Processing : Proses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer Teknik pengolahan citra dengan mentrasformasikan citra menjadi citra lain, contoh
Lebih terperinciBAB III METODE PENELITIAN
3.1. Kerangka Pemikiran BAB III METODE PENELITIAN Permasalahan yang akan dijawab atau tujuan yang ingin dicapai pada penelitian ini adalah untuk melakukan prakiraan beban listrik jangka pendek atau untuk
Lebih terperinciBAB II TEORI DASAR PENGOLAHAN CITRA DIGITAL
BAB II TEORI DASAR PENGOLAHAN CITRA DIGITAL 2.1 Citra Secara harafiah, citra adalah representasi (gambaran), kemiripan, atau imitasi pada bidang dari suatu objek. Ditinjau dari sudut pandang matematis,
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Program Aplikasi Pada bagian ini, Penulis akan menjelaskan kebutuhan spesifikasi perangkat keras dan perangkat lunak, serta menjelaskan bagaimana cara program
Lebih terperinci