IDENTIFIKASI VARIETAS DURIAN BERDASARKAN TEKSTUR DAUN MENGGUNAKAN K-NEAREST NEIGHBOR DENGAN CIRI STATISTICAL TEXTURES ROSITA TRI INDRATI
|
|
- Yulia Shinta Pranata
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 ALAM INSTITUT PERTANIAN BOGOR BOGOR 2016
2
3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Varietas Durian Berdasarkan Tekstur Daun Menggunakan K-Nearest Neighbor dengan ciri Statistical Textures adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Maret 2016 Rosita Tri Indrati NIM G
4
5
6
7 PERNYATAAN MENGENAI DISERTASI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Varietas Durian Berdasarkan Tekstur Daun Menggunakan K-Nearest Neighbor dengan ciri Statistical Textures adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Maret 2016 Rosita Tri Indrati NIM G
8 ABSTRAK ROSITA TRI INDRATI. Identifikasi Varietas Durian Berdasarkan Tekstur Daun Menggunakan K-Nearest Neighbor dengan Ciri Statistical Textures. Dibimbing oleh Aziz Kustiyo. Durian (Durio zibethinus Murray) adalah salah satu komoditas yang memiliki nilai ekonomi yang tinggi di Indonesia. Nilai ekonomi durian dipengaruhi oleh keunggulan yang dimiliki setiap varietasnya. Oleh sebab itu identifikasi tanaman durian merupakan hal yang sangat penting. Pada penelitian ini, identifikasi dilakukan berdasarkan citra daun dari empat varietas durian. Metode klasifikasi yang digunakan adalah K-Nearest Neighbor dengan ekstraksi ciri statistical textures. Penelitian ini menghasilkan akurasi tertinggi sebesar 67,5% menggunakan 6 ciri statistical textures. Pada penelitian ini paling sulit teridentifikasi varietas Sukun. Varietas Sukun mempunyai kemiripan ke varietas Bakul dan Matahari. Kata Kunci: daun, Statistical textures, durian, identifikasi, K-Nearest Neighbor. ABSTRACT ROSITA TRI INDRATI. Durian Plant Identification Using K-Nearest Neighbor and Statistical Textures. Supervised by Aziz Kustiyo. Durian (Durio zibethinus Murray) is one of the valuable fruit in Indonesia. It economic value is depends on the superiority of each varieties. Therefore it is important to identify the variety of durian s plant. In this research, the identification of was performed by K-Nearest Neighbor classification and statistical textures extraction based its leaf image. The highest accuracy of this research was 67.5% using four durian s varieties and was of 6 statistical textures feature. The most difficult identify in this reseach was Sukun varieties. Sukun varieties has similarities with Bakul and Matahari. keyword : leaf, Statistical textures, durian, identification, K-Nearest Neighbor.
9 IDENTIFIKASI VARIETAS DURIAN BERDASARKAN TEKSTUR DAUN MENGGUNAKAN K-NEAREST NEIGHBOR DENGAN CIRI STATISTICAL TEXTURES ROSITA TRI INDRATI Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2016
10 Penguji: 1 Toto Haryanto, S.Kom, M.Si 2 Dr. Wisnu Ananta Kusuma, ST MT
11 Judul Skripsi : Identifikasi Varietas Durian Berdasarkan Tekstur Daun Menggunakan K-Nearest Neighbor dengan Ciri Statistical Textures Nama : Rosita Tri Indrati NIM : G Disetujui oleh Aziz Kustiyo, SSi MKom Pembimbing Diketahui oleh Dr Ir Agus Buono, MSi MKom Ketua Departemen Tanggal Lulus :
12 PRAKATA Segala puji dan syukur penulis panjatkan kepada Allah Subhanahu Wa Ta ala atas segala karunia-nya sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Identifikasi Varietas Durian Berdasarkan Tekstur Daun Menggunakan K-Nearest Neighbor dengan Ciri Statistical Textures. Terima kasih penulis ucapkan kepada: 1 Kedua orang tua serta seluruh keluarga yang telah memberikan dukungan, perhatian dan doa sehingga penulis dapat menyelesaikan karya ilmiah ini. 2 Bapak Aziz Kustiyo, SSi MKom selaku pembimbing yang telah banyak memberikan pengarahan, saran dan bimbingannya. 3 Bapak Dr. Wisnu Ananta Kusuma, ST MT dan Bapak Toto Haryanto, SKom MSi selaku penguji atas saran dan pengarahannya. 4 Teman-teman satu bimbingan Nicky Astriyanti, Ineke Kusumawati, Nurchoiriyati, Puguh dan Arif Mujahidin terima kasih atas bantuan dan kerjasamanya. 5 Teman-teman alih jenis ILKOM angkatan 7 terima kasih atas dukungan dan kebersamaannya. 6 Jajaran Staf dan Dosen Pengajar Ilmu Komputer atas segala bantuannya. 7 Semua pihak yang telah memberikan bantuan selama peneliian yang tidak bisa penulis sebutkan satu persatu. Semoga karya ilmiah ini bermanfaat. Bogor, Maret 2016 Rosita Tri Indrati
13 DAFTAR ISI DAFTAR TABEL vi DAFTAR GAMBAR vi DAFTAR LAMPIRAN vi PENDAHULUAN 1 Latar Belakang 1 Perumusan Masalah 1 Tujuan Penelitian 2 Manfaat Penelitian 2 Ruang Lingkup Penelitian 2 Lingkungan Pengembangan 2 METODE 2 Studi Pustaka 2 Pengumpulan Data 3 Praproses 3 Ekstraksi Tekstur 4 Pembagian Data Latih dan Data Uji 6 Klasifikasi K-NN 7 Evaluasi 7 HASIL DAN PEMBAHASAN 7 Ekstraksi Ciri Tekstur 7 Percobaan 1: Klasifikasi dengan semua ciri 10 Percobaan 2: Klasifikasi dengan pemilihan ciri 10 Analisis Kesalahan 12 SIMPULAN DAN SARAN 13 Simpulan 13 Saran 14 DAFTAR PUSTAKA 14 LAMPIRAN 15 RIWAYAT HIDUP 15
14 DAFTAR TABEL 1 Bentuk k-fold cross validation 6 2 Confusion matrix seluruh fold percobaan 1 untuk k = Confusion matrix seluruh fold percobaan 2 untuk k = Confusion matrix k = Confusion matrix k = Confusion matrix k = Confusion matrix k = Confusion matrix k = Confusion matrix k = Confusion matrix k = Confusion matrix k = Confusion matrix k = Confusion matrix k = DAFTAR GAMBAR 1 Tahapan Metode Penelitian 3 2 Ilustrasi praproses (a) Citra daun durian asli, (b) Citra daun hasil grayscale 4 3 Grafik akurasi percobaan Grafik akurasi percobaan Grafik perbandingan percobaan 1 dan percobaan Pola box plot dari perhitungan masing-masing varietas (a)minimum (b)maksimum (c)rentang (d)mean (e)median (f)standar deviasi (g) Q1 (h) Q3 (i) Interval quartile range (j) skewness (k) kurtosis 13 DAFTAR LAMPIRAN 1 Contoh citra daun asli dari setiap varietas durian Confusion matrix percobaan 1 k = 1, 5, 7, 9 dan Confusion matrix percobaan 2 k = 1, 5, 7, 9 dan 11 16
15 PENDAHULUAN Latar Belakang Durian atau disebut Durio Zibethinus sering mendapat julukan sebagai The King of the Fruite atau rajanya buah. Hal ini dikarenakan buah durian memiliki rasa yang nikmat dan aroma yang tajam. Banyaknya peminat dari buah durian menjadikan komoditas durian sangat potensial untuk dikembangkan. Keunggulan yang dimiliki oleh durian tersebut memiliki nilai ekonomi yang tinggi. Durian memiliki banyak jenis, namun tidak semua jenis durian merupakan varietas yang unggul. Identifikasi tumbuhan adalah untuk mengenali suatu tumbuhan dari pencarian kemiripan dari fitur (ciri) yang dimiliki tumbuhan lainnya (Salasa et al. 2013). Identifikasi varietas tersebut akan sangat membantu petani dalam memperoleh bibit yang sangat unggul dan tepat, dan akan sangat menunjang pengelolaan dalam pembibitan selanjutnya. Beberapa varietas durian memiliki kemiripan satu sama lain. Kemiripan tersebut antara lain terjadi pada morfologi daun. Penelitian yang terkait dengan identifikasi durian berdasarkan morfologi dilakukan oleh Syahrudin (2012) dengan menggunakan daun sebagai objek penelitian. Bagian daun dipilih karena mudah didapatkan serta tidak berpengaruh oleh musim dan lingkungan sekitar. Maka dari itu pada penelitian ini menggunakan morfologi dengan menggunakan daun sebagai ciri identifikasi. Pertiwi (2014) pernah melakukan penelitian identifikasi varietas durian menggunakan ekstraksi fitur daun bagian atas untuk 9 varietas durian. Penelitian tersebut menggunakan metode ekstraksi tekstur Gray Level Co-occurence Matrix (GLCM) dan metode klasifikasi Probabilistic Neural Network (PNN) mendapatkan akurasi sebesar % menggunakan citra daun utuh dan % menggunakan citra daun yang dilakukan proses cropping. Pada penelitian ini akan dilakukan identifikasi varietas durian berbasis citra daun menggunakan K-Nearest Neighbor (K-NN) dan ciri statistical textures seperti yang dilakukan oleh Hayyi(2013). Penelitian tersebut mengidentifikasi 10 jenis daun shorea dengan menggunakan enam parameter yang diperoleh dari ekstraksi ciri statictical textures memperoleh akurasi tertinggi sebesar 90%. Pengklasifikasi yang akan digunakan dalam penelitian ini adalah K-Nearest Neighbor. Penelitian menggunakan K-NN telah dilakukan untuk identifikasi Shorea berdasarkan karakteristik morfologi daun sebagai bahan identifikasi memperoleh akurasi sebesar 100% (Nurjayanti 2011). Dalam penelitian tersebut K-NN merupakan teknik yang mampu mengelompokkan data uji ke dalam kelas label dengan mencari data latih yang relatif sama dengan data uji (Han et al. 2011). Perumusan Masalah Perumusan masalah pada penelitian ini adalah bagaimana menerapkan metode ekstraksi tekstur menggunakan perhitungan nilai statistical textures dan K-NN sebagai klasifikasi untuk pengenalan varietas durian berasarkan citra daun durian.
16 2 Tujuan Penelitian Tujuan penelitian ini adalah mengimplementasikan identifikasi varietas durian dengan menggunakan parameter ciri statistik menggunakan klasifikasi K- NN. Manfaat Penelitian Manfaat dari penelitian ini ialah untuk memudahkan petani dalam mengidentifikasi varietas durian yang berdasarkan citra daun Ruang Lingkup Penelitian Ruang lingkup pada penelitian ini antara lain: 1 Citra yang digunakan adalah citra hasil akuisisi menggunakan citra mikroskop digital daun durian bagian bawah. 2 Varietas durian yang digunakan dalam penelitian ini adalah Bakul, Matahari, Sukun dan Kendil. 3 Ektraksi tekstur menggunakan hitungan nilai statistik. 4 Penelitian dilakukan untuk mengidentifikasi varietas durian. Lingkungan Pengembangan Pada penelitian ini menggunakan spesifikasi perangkat keras dan perangkat lunak sebagai berikut: Perangkat keras: 1 Processor Intel Core i5 CPU 2.50 GHz. 2 Memori 4 GB 3 Hard disk 500 GB Perangkat lunak: 1 Sistem operasi Microsoft Windows 7 Ultimate 64 bit. 2 Matlab (R2010b) METODE Penelitian ini dilakukan dengan melalui beberapa tahapan proses. Tahapantahapan yang dilakukan dapat dilihat pada Gambar 1. Studi Pustaka Pada tahap studi literatur hal yang dilakukan adalah mengumpulkan dan mempelajari pustaka atau bacaan yang berkaitan dengan penelitian serta mengkaji metode-metode yang dapat diterapkan pada penelitian. Teori dan penerapan metode K-NN, serta yang menyangkut pemrosesan citra daun. Sumber pustaka pada tahap ini adalah buku, paper penelitian, dan skripsi.
17 3 Mulai Studi Pustaka Pengumpulan data (Citra Daun) Praproses Ekstraksi ciri (Statistik) Penentuan Data Latih dan Data Uji Data Latih Data uji Klasifikasi dengan K-NN Evaluasi Selesai Gambar 1 Tahapan Metode Penelitian. Pengumpulan Data Data yang digunakan pada penelitian ini berasal dari Warso Durian Farm, yang terletak di Desa Cihideung Kabupaten Bogor. Citra daun yang digunakan sebanyak 40 citra dengan masing-masing varietas sebanyak 10 citra dalam format BMP. Ukuran citra daun terbesar yang digunakan dalam penelitian ini adalah 640 x 480 piksel. Usia daun yang digunakan pada penelitian ini tidak diketahui. Varietas durian yang digunakan dalam penelitian ini adalah durian bakul, matahari, sukun dan kendil. Praproses Tahap praproses citra dilakukan untuk mempersiapkan citra yang digunakan sebelum masuk ke dalam tahap ekstraksi. Citra daun merupakan citra RGB, sebelum dilakukan ekstraksi ciri terlebih dahulu citra diubah menjadi citra
18 4 grayscale. Grayscale digunakan untuk menyederhanakan model citra. Fungsi format ini adalah untuk memudahkan proses selanjutnya karena menggunakan RGB, nilai yang dihasilkan akan beragam (Yanti 2012). Gambar 2 menunjukan ilustrasi proses praposes. Lampiran 1 menunjukan beberapa citra daun asli dari setiap varietas durian. (a) (b) Gambar 2 Ilustrasi praproses (a) Citra daun durian asli, (b) Citra daun hasil grayscale Ekstraksi Tekstur Ekstraksi ciri tekstur akan dilakukan dengan menggunakan metode statistical textures. Metode ini akan menghasilkan 11 nilai ekstraksi tekstur. Dibawah ini merupakan penjelasan dari masing-masing ekstraksi yang akan diperoleh (Walpole 1995): 1 Perhitungan nilai minimum, disini mencari nilai gray level terendah dari citra yang telah di praproses grayscale. 2 Perhitungan nilai maksimum, disini mencari nilai gray level tertinggi dari citra yang telah di praproses grayscale. 3 Perhitungan rentang (range) diperoleh dari selisih atara nilai maksimum dengan minimum. 4 Perhitungan rata-rata(mean) dapat dihitung sebagai berikut: x = x n = x 1 + x x n n Dengan : : rata-rata hitung (mean) : Jumlah semua nilai gray level setiap citra : nilai data setiap gray level : banyaknya data dari semua gray level 5 Perhitungan median adalah menentukan letak data setelah data itu disusun menurut urutan lainnya. Untuk mencari nilai median : Median = nilai yang ke 1 (n + 1) 2 Dengan: n : banyaknya data dari semua gray level 6 Perhitungan standar deviasi. Standar deviasi atau bisa juga simpangan baku digunakan untuk mengetahui keragaman suatu data-data dari hasil pengamatan. Jika nilai standar deviasi yang didapat besar maka data-data memiliki keberagaman atau berbeda-beda (heterogen). Sementara jika hasil perhitungan didapat nilai standar deviasi rendah maka data-data memiliki
19 5 kesamaan atau nilainya tidak jauh berbeda (homogen). Rumus dari standar deviasi adalah sebagai berikut : s = Dengan : : Standar deviasi : nilai data gray level ke-i : rata-rata hitung (mean) (x i x ) 2 n 1 n : banyaknya data dari semua gray level 7 Perhitungan kuartil 25% (Q1). Jika sekumpulan data dibagi 4 bagian yang sama banyak, sesudah disusun menurut urutan nilainya, maka bilangan pembaginya disebut kuartil. kuartil dapat dihitung dengan rumus : Untuk n ganjil Untuk n genap Letak Q i = i ( n ) Letak Q 1 = X (n+2)/4 Dengan : : kuartil ke-i : banyaknya data dari semua gray level : wakil data perolehan 8 Perhitungan kuartil 75%(Q3) dapat dihitung dengan rumus: Untuk n ganjil Untuk n genap Letak Q i = i ( n ) Letak Q 3 = X (3n+2)/4 Dengan : : kuartil ke-i : banyaknya data dari semua gray level : wakil data perolehan 9 Perhitungan interval quartile range. Nilai tersebut diperoleh dengan cara : IQR = Q3 Q1 Dengan : 1 : kuartil ke-1 3 : kuartil ke-3 10 Perhitungan skewness merupakan pengukuran dari kecondongan histogram. Rumus skewness adalah sebagai berikut: = Dengan : : rata-rata hitung (mean) : Modus : banyaknya data dari semua gray level
20 6 : derajat kecondongan histogram citra Bila : = 0, maka distribusi gray level setiap citra simetri < 0, maka distribusi gray level setiap citra miring ke kiri (negative) = 0, maka distribusi gray level setiap citra miring ke kanan (positif) 11 Perhitungan kurtosis menggambarkan keruncingan atau kerataan suatu distribusi data dibandingkan dengan distribusi normal. Terdapat 3 tingkat atau jenis kurtosis, yaitu : leptokurtis, mesokurtis, dan platikustis. Rumus kurtosis adalah sebagai berikut 1 α4 = n (x x ) 4 s Dengan : 4 : koefisien kurtosis : banyaknya data dari semua gray level : nilai data setiap gray level : rata-rata hitung (mean) : standar deviasi Pembagian Data Latih dan Data Uji Pada tahap ini data citra dibagi menjadi dua bagian, yaitu data uji dan data latih. Data latih digunakan untuk melakukan pelatihan statistic textures, sedangkan data uji digunakan untuk pengujian K-NN. Data citra yang digunakan adalah 40 citra mikroskop digital dengan satu varietas durian diwakili oleh 10 citra. Tabel 1 menampilkan ilustrasi pembagian data dengan k-fold cross validation. Tabel 1 Bentuk k-fold cross validation Fold Citra Daun setiap varietas Keterangan : = data uji = data latih
21 7 Klasifikasi K-NN Klasifikasi berguna untuk menentukan kelas dari data uji berdasarkan data latih. Metode klasifikasi pada penelitian ini adalah K-NN, dengan nilai K = 1, 3, 5 dan 7. Langkah-langkah klasifikasi K-NN (Saharkiz 2009): 1 Pilih parameter K tetangga terdekat. 2 Hitung jarak data uji dengan semua data latih. Rumus jarak yang biasa digunakan adalah jarak Euclidean. ( ) = ( ) 2 Dengan : d : jarak data uji dan data latih : fitur ke-i dari data uji, dengan i=1,2,,n : fitur ke-i dari data latih, dengan i=1,2,,n n : banyaknya fitur data uji dan data latih yang digunakan 3 Urutkan jarak tersebut dan tetapkan tetangga terdekat berdasarkan jarak ke- K. 4 Periksa kelas dari tetangga terdekat. 5 Tentukan kelas untuk data uji dari mayoritas kelas tetangga terdekat. Evaluasi Kinerja K-NN akan ditentukan dan dibandingkan melalui besaran akurasi yang berhasil dicapai. Satuan akurasi dinyatakan dalam persen (%), akurasi dapat dihitung dengan persamaan berikut: 1 = 1 HASIL DAN PEMBAHASAN Ekstraksi Ciri Tekstur Ekstraksi ciri tekstur dilakukan dengan metode statistical textures yang menghasilkan sebelas nilai ekstraksi tekstur yaitu minimum, maksimum, rentang, rata-rata, median, standar deviasi, kuartil pertama (25%), kuartil ketiga (75%), interval quartile range, skewness, dan kurtosis. Lalu dibuat suatu matriks yang berisi kumpulan data yang telah ditentukan label atau kelasnya untuk mengarahkan ke ciri-ciri statisik. Ukuran matriks tersebut adalah 40x11. Tabel 2 menampilkan contoh hasil nilai perhitungan statistik setiap varietas citra.
22 8 Tabel 2 Contoh Hasil Nilai Perhitungan Statistik Kelas Nilai Ciri Statistik Bakul Matahari Sukun Kendil Dengan : (1)Minimum (2)Maksimum (3)Rentang (4)Rata-Rata (5)Median (6)Standar Deviasi (7)Q1 (8)Q3 (9)Interval Quartile Range (10)Skewness (11)Kurtosis Berdasarkan ektraksi ciri tekstur tersebut dilakukan untuk semua citra, dibuat box plot untuk masing-masing ciri tekstur statistik. Hal ini dilakukan untuk mengetahui penyebaran data dari ciri tekstur statistic tersebut. Gambar 3 akan memperlihatkan box plot dari setiap ciri statistik. (a) (b) (c) (d) (e) (f)
23 9 (g) (h) (i) (j) (k) Gambar 3 Pola box plot dari perhitungan masing-masing varietas (a)minimum (b)maksimum (c)rentang (d)mean (e)median (f)standar deviasi (g) Q1 (h) Q3 (i) Interval quartile range (j) skewness (k) kurtosis Penelitian ini terdiri atas 2 percobaan. Percobaan pertama dilakukan dengan memakai semua ciri statistik untuk pengujian K-NN, sedangkan percobaan kedua memilih hanya enam ciri statistic. Ciri yang terpilih dilihat dari nilai penyebaran data yang berbeda atau nilainya tidak saling berdekatan antara varietas satu dengan lainnya yang ada pada box plot Gambar 3. Keenam ciri statistik tersebut antara lain minimum, standar deviasi, kuartil 1, interval quartile range, skewness dan kurtosis.
24 10 Percobaan 1: Klasifikasi dengan semua ciri Percobaan pertama dilakukan dengan menggunakan semua ciri. Gambar 4 merupakan grafik rata-rata akurasi dari percobaan 1 untuk k = 1, 3, 5, 7, 9 dan Akurasi (%) ,5 62, ,5 57,5 57, nilai k Gambar 4 Grafik akurasi percobaan 1 Berdasarkan Gambar 4, nilai k yang menghasilkan rata-rata akurasi terbesar yaitu k = 3 dengan akurasi sebesar 62.5%, sedangkan akurasi terkecil yaitu 55% pada k = 5. Untuk mengetahui data mana saja yang salah diklasifikasi pada akurasi, berikut ini merupakan confusion matrix dari hasil klasifikasi percobaan 1 menggunakan k =3. Confusion matrix untuk nilai k yang lain dapat dilihat pada Lampiran 2. Tabel 3 Confusion matrix seluruh fold percobaan 1 untuk k = 3 Kelas Kelas hasil prediksi Asal Bakul Matahari Sukun Kendil Bakul Matahari Sukun Kendil 3 7 Berdasarkan Tabel 2 dapat disimpulkan bahwa banyak citra yang ada sangat mirip satu sama lain. Dari tabel tersebut diketahui varitas yang tepat diklasifikasi hanya 25 dari yang seharusnya tepat 40. Varietas yang paling banyak di prediksi adalah Bakul dan Kendil. Pada Bakul mempunyai kemiripan mengarah ke Sukun dan Kendil sedangkan pada Kendil mempunyai kemiripan mengarah ke Bakul. Varietas yang paling tidak tepat di prediksi yaitu varietas Sukun yang lebih mengarah ke Matahari dan Bakul. Percobaan 2: Klasifikasi dengan pemilihan ciri Percobaan pertama dilakukan dengan menggunakan beberapa ciri. Ciri yang terpilih diliat nilai penyebaran nilai ekstraksi citra pada box plot Gambar 3. Ciriciri yang terpilih yaitu minimum, standar deviasi, kuartil 1, interval quartile range, skewness dan kurtosis. Gambar 5 merupakan grafik rata-rata akurasi dari percobaan 1 untuk k = 1, 3, 5, 7, 9 dan 11
25 11 Akurasi (%) , nilai k Gambar 5 Grafik akurasi percobaan 2 Berdasarkan Gambar 5, nilai k yang menghasilkan rata-rata akurasi terbesar yaitu k = 3 dengan akurasi sebesar 67.5%, sedangkan akurasi terkecil yaitu 55% dengan k = 1. Untuk mengetahui data mana saja yang salah diklasifikasi pada akurasi tertinggi. Tabel 4 merupakan confusion matrix dari hasil klasifikasi percobaan 2 menggunakan k =3. Confusion matrix untuk nilai k yang lain dapat dilihat pada Lampiran 3. Tabel 4 Confusion matrix seluruh fold percobaan 2 untuk k = 3 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 8 2 Matahari Sukun Kendil 2 8 Berdasarkan Tabel 4 dapat disimpulkan bahwa banyak citra yang ada sangat mirip satu sama lain. Dari tabel tersebut diketahui varitas yang tepat diklasifikasi hanya 27 dari yang seharusnya tepat 40. Varietas yang paling tepat di prediksi yaitu Bakul dan mempunyai kemiripan pada Kendil. Varietas yang paling tidak tepat yaitu varietas Sukun yang mempunyai kemiripan ke Bakul dan Matahari. Bisa dilihat dari box plot sebelumnya data citra memang penyebarannya sangat mirip. Gambar 6 merupakan grafik kedua percobaan di atas dilihat dari rata-rata akurasi pada percobaan 1 dan percobaan 2.
26 12 Akurasi (%) ,5 62, ,5 58, ,560 57, Nilai k Percobaan 1 Percobaan 2 Gambar 6 Grafik perbandingan percobaan 1 dan percobaan 2 Dapat dilihat pada Gambar 6 perbandingan akurasi antara percobaan 1 dengan percobaan tidak terlalu jauh. Dilihat dari k pada percobaan 1 tiap k mengalami naik pada k = 3 dan kemudian mulai turun hingga k=11. Sama seperti percobaan 1 akurasi pada tiap k mengalami kenaikan pada k =3 lalu turun hingga k =11. Dapat dilihat akurasi tertinggi dari percobaan 1 dan percobaan 2 terdapat di k = 3. Analisis Kesalahan Pada confusion matrix (Tabel 3) dan (Tabel 4) banyak varietas durian mengalami salah identifikasi sebagai varietas durian lainnya. Kedua percobaan tersebut memiliki akurasi kurang baik yaitu sekitar 60%. Kedua percobaan tersebut diketahui bahwa varietas Bakul yang paling banyak prediksi benar dan mempunyai kemiripan mengarah ke Kendil begitu sebaliknya. Pada kedua percobaan tersebut dapat diketahui bahwa sukun mempunyai kemiripan ke Bakul dan Matahari. Kemiripan tersebut bisa dilihat dari pola boxplot. Gambar 7 menunjukan fiur-fitur boxplot yang termasuk ke dalam masing-masing pola. (a) (b)
27 13 (c) (d) (e) Gambar 7 Pola box plot dari perhitungan masing-masing varietas (a)minimum (b)standar deviasi (c) Q1(d) skewness (e) kurtosis Dapat dilihat pada Gambar 7 penyebaran nilai antara kelas satu dan lainnya hampir mirip. Pada pola kelas Bakul dengan kelas Kendil nilainya hampir sejajar dan nilai tersebut dilihat dari Tabel (2) dan Tabel (3) yang memang memiliki kemiripan satu sama lainnya. Begitu pula pada kelas Matahari dan Sukun pola boxplot mempunyai kemiripan satu sama lain sehingga pada confusion matrix prediksi untuk kelas tersebut sama-sama mengarah ke kelas matahari ke sukun begitu sebaliknya. SIMPULAN DAN SARAN Simpulan Berdasarkan penelitian yang telah dilakukan, dapat diambil kesimpulan bahwa penggunaan metode klasifikasi k-nn dengan ekstraksi tekstur statistical textures kurang tepat pada penelitian ini dikarenakan kelemahan k-nn yaitu pembelajaran berdasarkan jarak tidak jelas mengenai jenis jarak apa yang harus digunakan dan atribut mana yang harus digunakan untuk mendapatkan hasil yang terbaik. Hasil percobaan pada penelitian ini dengan semua ciri rata-rata akurasi terbesar hanya sampai 62.5% pada k =3 dengan menggunakan semua ciri tekstur dan 67.5% untuk pemilihan hanya enam ciri. Pemilihan ciri berpengaruh dalam
28 14 penelitian ini. Pada penelitian ini k pada klasifikasi K-NN yang semakin besar akan mengurangi akurasi sehingga lebih baik menggunakan k yang kecil. Saran Pada penelitian ini masih memiliki beberapa kekurangan yang dapat diperbaiki pada penelitian selanjutnya. Adapun beberapa saran untuk penelitian selanjutnya yaitu : 1 Menggunakan pelatihan JST Propagasi balik supaya data akan mendapatkan pelatihan terlebih dahulu mungkin akan menambah akurasi menjadi lebih besar. 2 Pada k-nn perhitungan jarak menggunakan selain Euclidean seperti cityblock, cosine, correlation atau hamming. DAFTAR PUSTAKA Han J, Kamber M, Pei J Data Mining Concepts and Techniques. Ed Ke-3. Massachusets : Morgan Kaufmann. Hayyi A Identifikasi Daun Shorea Menggunakan K-Nearest Neighbor dengan Ciri Statistical Textures.[skripsi]. Bogor(ID): Institut Pertanian Bogor Nurjayanti B Identifikasi Shorea menggunakan k-nearest Neighbor berdasarkan karakteristik morfologi daun [skripsi]. Bogor(ID) : Institut Pertanian Bogor Pertiwi N Identifikasi Varietas Durian berdasarkan Tekstur Daun dengan Metode Ekstraksi GLCM menggunakan PNN[skripsi]. Bogor(ID): Institut Pertanian Bogor. Salasa KAN, Ashari S, Herlina N Identifikasi tanaman durian mirip durian bido di kecamatan Wonosalam kabupatem Jombang dengan metode isozim dan morfologi. Jurnal Produksi Tanaman. 1(5): Syahrudin K Analisis Keragaman Beberapa Genotipe Durian (Durio zibethinus murr.) menggunakan Penanda Morfologi dan Molekular (ISSR) [tesis]. Bogor(ID): Institut Pertanian Bogor. Walpole, Ronald E Pengantar Statistika. Edisi ke-3. Jakarta : PT. Gramedia Pustaka Utama. Yanti PP Identifikasi Freycinetia berbasis Citra Anatomi Epidermis Daun menggunakan K-Nearest Neighbor [skripsi]. Bogor(ID) : Institut Pertanian Bogor.
29 15 Lampiran 1 Contoh citra daun asli dari setiap varietas durian. Durian Bakul Durian Matahari Durian Sukun Durian Kendil Lampiran 2 Confusion matrix percobaan 1 k = 1, 5, 7, 9 dan 11 Tabel 5 Confusion matrix k = 1 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 5 5 Matahari 7 3 Sukun Kendil 3 7 Tabel 6 Confusion matrix k = 5 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 8 2 Matahari Sukun Kendil Tabel 7 Confusion matrix k = 7 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 8 2 Matahari Sukun Kendil 2 2 6
30 16 Tabel 8 Confusion matrix k = 9 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 8 2 Matahari Sukun Kendil Tabel 9 Confusion matrix k = 11 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 8 2 Matahari Sukun Kendil Lampiran 3 Confusion matrix percobaan 2 k = 1, 5, 7, 9 dan 11 Tabel 10 Confusion matrix k = 1 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 6 4 Matahari Sukun Kendil Tabel 11 Confusion matrix k = 5 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 8 2 Matahari 6 4 Sukun Kendil Tabel 12 Confusion matrix k = 7 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 8 2 Matahari Sukun Kendil 4 2 4
31 17 Tabel 13 Confusion matrix k = 9 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 8 2 Matahari Sukun Kendil Tabel 14 Confusion matrix k = 11 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 8 2 Matahari Sukun Kendil 3 2 5
32 18 RIWAYAT HIDUP Penulis lahir pada tanggal 2 Mei 1991 di Tangerang. Penulis merupakan anak terakhir dari tiga bersaudara dari pasangan Warto dan Rusmini. Pada tahun 2009, penulis lulus dari SMAN 3 Kota Tangerang. Pada tahun yang sama, penulis melanjutkan pendidikan di program Diploma IPB pada program keahlian manajemen informatika. Pada tahun 2012, penulis melanjutkan studi Program S1 Ilmu Komputer Alih Jenis, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
IDENTIFIKASI 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 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 terperinciIDENTIFIKASI VARIETAS DURIO ZIBETHINUS BERDASARKAN SEBARAN TRIKOMA DAUN MENGGUNAKAN GLCM DAN KNN NOORDAMA
IDENTIFIKASI VARIETAS DURIO ZIBETHINUS BERDASARKAN SEBARAN TRIKOMA DAUN MENGGUNAKAN GLCM DAN KNN NOORDAMA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 3 Ilustrasi pencarian titik pusat dan jari-jari pupil. Segmentasi
4 Perangkat keras berupa Notebook: Processor intel Core i3 2.2 GHz. RAM kapasitas 2. GB. Harddisk Kapasitas 5 GB. Monitor pada resolusi 1366 x 768 piksel. Merek Acer Aspire 475. Perangkat lunak berupa:
Lebih 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 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 terperinciHASIL DAN PEMBAHASAN. Data
Transformasi data, mengubah data ke bentuk yang dapat di-mine sesuai dengan perangkat lunak yang digunakan pada penelitian. Penentuan Data Latih dan Data Uji Dalam penelitian ini data terdapat dua metode
Lebih terperinciIDENTIFIKASI JENIS SHOREA (MERANTI) MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN EVI SUSANTI
IDENTIFIKASI JENIS SHOREA (MERANTI) MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN EVI SUSANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperincidengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan
dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan.
Lebih terperinciIDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN K-NEAREST NEIGHBOUR DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN M BANGKIT PRATAMA
IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN K-NEAREST NEIGHBOUR DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN M BANGKIT PRATAMA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
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 terperincii. Perangkat Keras Prosesor Intel Pentium(R) Dual-Core CPU 2.20 GHz
Data yang pada awalnya berupa chanel stereo diubah ke dalam chanel mono. Kemudian data tersebut disimpan dengan file berekstensi WAV. Praproses Pada tahap ini dilakukan ekstraksi ciri menggunakan metode
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 terperinciEKSTRAKSI FITUR TEKSTUR CITRA TEMPE MENGGUNAKAN METODE GRAY LEVEL CO-OCCURENCE MATRIX
EKSTRAKSI FITUR TEKSTUR CITRA TEMPE MENGGUNAKAN METODE GRAY LEVEL CO-OCCURENCE MATRIX WINDAYANI ACHMAD ZAENULLAH 41511120110 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS MERCU BUANA
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 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 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 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 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 terperinciIDENTIFIKASI DAUN SHOREA MENGGUNAKAN KNN BERDASARKAN KOMPONEN WARNA DENGAN PRAPROSES DISCRETE WAVELET TRANSFORM SEPTY KURNIAWATI MASYHUD
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN KNN BERDASARKAN KOMPONEN WARNA DENGAN PRAPROSES DISCRETE WAVELET TRANSFORM SEPTY KURNIAWATI MASYHUD DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 terperinciEKSTRAKSI FITUR MENGGUNAKAN ELLIPTICAL FOURIER DESCRIPTOR UNTUK PENGENALAN VARIETAS TANAMAN KEDELAI HERMAWAN SYAHPUTRA
EKSTRAKSI FITUR MENGGUNAKAN ELLIPTICAL FOURIER DESCRIPTOR UNTUK PENGENALAN VARIETAS TANAMAN KEDELAI HERMAWAN SYAHPUTRA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS
Lebih terperinciAPLIKASI IDENTIFIKASI CIRI TEKSTUR KAYU JATI MENGGUNAKAN METODA GRAY LEVEL CO OCCURRENCE MATRIX
APLIKASI IDENTIFIKASI CIRI TEKSTUR KAYU JATI MENGGUNAKAN METODA GRAY LEVEL CO OCCURRENCE MATRIX PRASTIKA INDRIYANTI 41512010042 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS MERCU
Lebih terperinciAPLIKASI EKSTRAKSI CIRI TEKSTUR MENGGUNAKAN METODA GRAY LEVEL CO OCCURRENCE MATRIX
APLIKASI EKSTRAKSI CIRI TEKSTUR MENGGUNAKAN METODA GRAY LEVEL CO OCCURRENCE MATRIX HASAN BASRI 41512010059 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS MERCU BUANA JAKARTA 2015 JUDUL
Lebih terperinciIDENTIFIKASI LUKA PADA ABALON (HALIOTIS ASININA) BERBASIS CITRA MENGGUNAKAN K-NEAREST NEIGHBOR ISMANIAR FEBRIANI
IDENTIFIKASI LUKA PADA ABALON (HALIOTIS ASININA) BERBASIS CITRA MENGGUNAKAN K-NEAREST NEIGHBOR ISMANIAR FEBRIANI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
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 terperinciIdentifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA. Shorea Leaves Identification using KNN with 2DPCA Feature Extraction
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 3 Nomor 1 halaman 19-27 ISSN: 2089-6026 Identifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA Shorea Leaves Identification
Lebih terperinciIDENTIFIKASI DAUN SHOREA MENGGUNAKAN K-NEAREST NEIGHBOR DENGAN CIRI STATISTICAL TEXTURES AOKIRINDUAN HAYYI AOKO QOYYIMA
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN K-NEAREST NEIGHBOR DENGAN CIRI STATISTICAL TEXTURES AOKIRINDUAN HAYYI AOKO QOYYIMA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
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 Ciri Citra Batik Berdasarkan Tekstur Menggunakan Metode Gray Level Co Occurrence Matrix
Ekstraksi Ciri Citra Batik Berdasarkan Tekstur Menggunakan Metode Gray Level Co Occurrence Matrix Rizky Andhika Surya, Abdul Fadlil, Anton Yudhana Magister Teknik Informatika Universitas Ahmad Dahlan Yogyakarta,
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 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 terperinciKlasifikasi Profil Siswa SMA/SMK yang Masuk PTN (Perguruan Tinggi Negeri) dengan k-nearest Neighbor
Klasifikasi Profil Siswa SMA/SMK yang Masuk PTN (Perguruan Tinggi Negeri) dengan k-nearest Neighbor Yuandri Trisaputra, Indriyani, Shellafuri Mardika Biru, Muhammad Ervan Departemen Ilmu Komputer, FMIPA,
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 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 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 terperinciLABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI FAKULTAS TEKNIK PROGRAM STUDI TEKNIK INDUSTRI UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAWA TIMUR
TNR 12 space 1.15 LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI FAKULTAS TEKNIK PROGRAM STUDI TEKNIK INDUSTRI UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAWA TIMUR LAPORAN RESMI MODUL I TNR 12 Space 2.0 STATISTIK
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 terperinciIDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA
IDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
Lebih terperinciUNIVERSITAS BINA NUSANTARA PENGENALAN UANG KERTAS DOLLAR AMERIKA DENGAN METODE TEMPLATE MATCHING
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 PENGENALAN UANG KERTAS DOLLAR AMERIKA DENGAN METODE TEMPLATE MATCHING MEITA SETIAWAN / 0700709224
Lebih terperinciSTK511 Analisis Statistika. Pertemuan 2 Review Statistika Dasar
STK511 Analisis Statistika Pertemuan 2 Review Statistika Dasar Statistika Populasi Sampling Pendugaan Contoh Deskriptif Tingkat Keyakinan Statistika Deskriptif vs Statistika Inferensia Ilmu Peluang Parameter
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 terperinciSTATISTIKA DESKRIPTIF. Wenny Maulina, S.Si., M.Si
STATISTIKA DESKRIPTIF Wenny Maulina, S.Si., M.Si Ukuran Pemusatan Ukuran pemusatan ukuran ringkas yang menggambarkan karakteristik umum data tersebut. Modus (Mode): Nilai pengamatan yang paling sering
Lebih terperinciSTRATEGI PENGEMBANGAN DAYA SAING PRODUK UNGGULAN DAERAH INDUSTRI KECIL MENENGAH KABUPATEN BANYUMAS MUHAMMAD UNGGUL ABDUL FATTAH
i STRATEGI PENGEMBANGAN DAYA SAING PRODUK UNGGULAN DAERAH INDUSTRI KECIL MENENGAH KABUPATEN BANYUMAS MUHAMMAD UNGGUL ABDUL FATTAH SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016 iii PERNYATAAN
Lebih terperinciIDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN)
IDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN) SKRIPSI Disusun Oleh : THOMI LUTHFIANTO 1203030010 PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS
Lebih terperinciIdentifikasi Tumbuhan Obat Herbal Berdasarkan Citra Daun Menggunakan Algoritma Gray Level Co-occurence Matrix dan K-Nearest Neighbor
Tersedia di https://jtsiskom.undip.ac.id (14 Maret 2018) DOI: 10.14710/jtsiskom.6.2.2018.51-56 Jurnal Teknologi dan Sistem Komputer, 6(2), 2018, 51-56 Identifikasi Tumbuhan Obat Herbal Berdasarkan Citra
Lebih terperinciJl. Nakula 1 No. 5-11, Jawa Tengah Telp : (024) , 2
PERBANDINGAN ALGORITMA PERHITUNGAN JARAK MENGGUNAKAN ECUILDEAN DAN MANHATTAN DISTANCE PADA K-NEAREST NEIGHBOR GUNA KLASIFIKASI CITRA JENIS MOBIL RODA EMPAT Erlangga Fery Anggriwan 1,DR. Pulung Nurtantio
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 1, Januari 2018, hlm. 184-189 http://j-ptiik.ub.ac.id Klasifikasi Standar Produk Baja PT. Krakatau Steel (Persero)
Lebih terperinciPengenalan Tulisan Tangan Dengan Menggunakan Metode Diagonal Feature Extraction dan K-Nearest Neighbour. Yustar Pramudana
Pengenalan Tulisan Tangan Dengan Menggunakan Metode Diagonal Feature Extraction dan K-Nearest Neighbour Yustar Pramudana Program Studi Teknik Informatika, Departemen Informatika Telkom University Jl. Telekomunikasi
Lebih terperinciStatistika & Probabilitas
Statistika & Probabilitas Dispersi Data Dispersi Data Dispersi adalah ukuran penyebaran suatu kelompok data terhadap pusat data. Beberapa jenis ukuran dispersi data : Jangkauan (range) Simpangan rata-rata
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Penelitian mengenai pengenalan wajah termotivasi oleh banyaknya aplikasi praktis yang diperlukan dalam identifikasi wajah. Pengenalan wajah sebagai salah satu dari teknologi
Lebih terperinciMODEL PERAMALAN HARGA SAHAM DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK TRIANA ENDANG
MODEL PERAMALAN HARGA SAHAM DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK TRIANA ENDANG SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini
Lebih terperinciBAB 4 IMPLEMENTASI DAN PENGUJIAN
BAB 4 IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Tahap implementasi merupakan tahap pengimplementasian metode kedalam perangkat lunak simulasi, tahap lanjut dari tahap perancangan simulasi di bab sebelumnya.
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 terperinciMODEL PERAMALAN HARGA SAHAM DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK TRIANA ENDANG
MODEL PERAMALAN HARGA SAHAM DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK TRIANA ENDANG SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini
Lebih terperinciIDENTIFIKASI FREYCINETIA BERBASIS CITRA ANATOMI EPIDERMIS DAUN MENGGUNAKAN K-NEAREST NEIGHBOR PUTRI PREVIA YANTI
IDENTIFIKASI FREYCINETIA BERBASIS CITRA ANATOMI EPIDERMIS DAUN MENGGUNAKAN K-NEAREST NEIGHBOR PUTRI PREVIA YANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
Lebih terperinciBAB 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 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 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 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 terperinciPerbandingan Metode Ekstraksi Ciri Histogram dan PCA untuk Mendeteksi Stoma pada Citra Penampang Daun Freycinetia
Tersedia secara online di: http://journal.ipb.ac.id/index.php.jika Volume 2 Nomor 1 halaman 20-28 ISSN: 2089-6026 Perbandingan Metode Ekstraksi Ciri Histogram dan PCA untuk Mendeteksi Stoma pada Citra
Lebih terperinciIDENTIFIKASI CITRA LUKA ABALON (HALIOTIS ASININA) MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRIX DAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK
IDENTIFIKASI CITRA LUKA ABALON (HALIOTIS ASININA) MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRIX DAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK MICHAEL CHRISTIANTO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA
Lebih terperinciMahasiswa: Muhimmatul Khoiro Dosen Pembimbing: M. Arief Bustomi, S.Si, M.Si.
Mahasiswa: Muhimmatul Khoiro 1110100049 Dosen Pembimbing: M. Arief Bustomi, S.Si, M.Si. Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2014 Diagnosa
Lebih terperinciDAN ANALISIS DATA. Sari Numerik. MA 2181 Analisis Data 8 Agustus 2011 Utriweni Mukhaiyar. 1. Statistik dan Statistika. 2. Populasi dan Sampel
PENGANTAR STATISIK DAN ANALISIS DATA 1. Statistik dan Statistika 2. Populasi dan Sampel 3. Jenis-jenis Observasi 4. STATISTIKA DESKRIPTIF Sari Numerik Penyajian Data MA 2181 Analisis Data 8 Agustus 2011
Lebih terperinciDedi Argya Nugroho Effendi 1,Erna Zuni Astuti 2 1,2
37 Pengelompokan Jenis Tekstur Kayu Menggunakan K- Nearest Neighbor dan Ekstraksi Fitur Histogram Wood Texture Classification Using K-Nearest Neighbor and Histogram Feature Extraction Dedi Argya Nugroho
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 terperinciIDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN ASEP HARYONO
IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN ASEP HARYONO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciLingkungan Pengembangan HASIL DAN PEMBAHASAN
aturan 3--5 untuk menentukan interval akan dibagi menjadi berapa kelompok. Hasilnya akan menjadi hirarki paling atas. Kemudian nilai maksimum dan nilai minimum diperiksa apakah nilainya masuk ke dalam
Lebih terperinciUJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES
1 Uji Kinerja Face Recognition Menggunakan Eigenfaces UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES ABDUL AZIS ABDILLAH 1 1STKIP Surya, Tangerang, Banten, abdillah.azul@gmail.com Abstrak. Pada paper
Lebih terperinciBAB I PENDAHULUAN. TNR 12 SPACE 2.0 BEFORE AFTER 0 MARGIN 3,4,3,3 KERTAS A4 TULISAN INGGRIS ITALIC 1.2 Rumusan Masalah
BAB I PENDAHULUAN TNR 14 BOLD 1.1 Latar Belakang (1 halaman. min 4 paragraf.) TNR 12 SPACE 2.0 BEFORE AFTER 0 MARGIN 3,4,3,3 KERTAS A4 TULISAN INGGRIS 1.2 Rumusan Masalah Rumusan masalah yang digunakan
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 terperinciStatistika Materi 5. Ukuran Penyebaran. (Lanjutan) Hugo Aprilianto, M.Kom
Statistika Materi 5 Ukuran Penyebaran (Lanjutan) Hugo Aprilianto, M.Kom UKURAN PENYEBARAN RELATIF yaitu mengubah ukuran penyebaran dari berbagai satuan menjadi ukuran relatif atau persen. Penggunaan ukuran
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 terperinciSISTEM PAKAR IDENTIFIKASI VARIETAS IKAN MAS (Cyprinus carpio) BERDASARKAN KARAKTERISTIK MORFOLOGI DAN TINGKAH LAKU ASTERIKA PRAWESTI
SISTEM PAKAR IDENTIFIKASI VARIETAS IKAN MAS (Cyprinus carpio) BERDASARKAN KARAKTERISTIK MORFOLOGI DAN TINGKAH LAKU ASTERIKA PRAWESTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
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 terperinciHASIL DAN PEMBAHASAN. Generalisasi =
6 Kelas Target Sidik jari individu 5 0000100000 Sidik jari individu 6 0000010000 Sidik jari individu 7 0000001000 Sidik jari individu 8 0000000100 Sidik jari individu 9 0000000010 Sidik jari individu 10
Lebih terperinciPEMODELAN JARINGAN SYARAF TIRUAN UNTUK PENGENALAN KATA PADA BERBAGAI KONDISI KESEHATAN PEMBICARA BAYU INDRAYANA
PEMODELAN JARINGAN SYARAF TIRUAN UNTUK PENGENALAN KATA PADA BERBAGAI KONDISI KESEHATAN PEMBICARA BAYU INDRAYANA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciEKSPLORASI METODE PENENTUAN NILAI END POINT PADA ALGORITMA VOTING FEATURE INTERVALS 5 SETA BAEHERA
EKSPLORASI METODE PENENTUAN NILAI END POINT PADA ALGORITMA VOTING FEATURE INTERVALS 5 SETA BAEHERA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2009 EKSPLORASI
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Topik manajemen risiko menjadi mengemuka setelah terjadi banyak kejadian tidak terantisipasi yang menyebabkan kerugian perusahaan. Depresi tajam dan cepat terhadap
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker merupakan salah satu penyebab utama mortalitas di dunia (sekitar 13% dari seluruh penyebab mortalitas), diperkirakan angka mortalitas sekitar 7,9 juta kematian
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK PENGENALAN JENIS KAYU BERBASIS CITRA G A S I M
JARINGAN SYARAF TIRUAN UNTUK PENGENALAN JENIS KAYU BERBASIS CITRA G A S I M SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 ABSTRAK Pengenalan jenis kayu yang sering dilakukan dengan menggunakan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Bab ini membahas langkah-langkah dari implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi aktivitas menggunakan algoritma k-nearest neighbor
Lebih terperinciKLASIFIKASI DATA SPASIAL UNTUK KEMUNCULAN HOTSPOT DI PROVINSI RIAU MENGGUNAKAN ALGORITME ID3 VIKHY FERNANDO
KLASIFIKASI DATA SPASIAL UNTUK KEMUNCULAN HOTSPOT DI PROVINSI RIAU MENGGUNAKAN ALGORITME ID3 VIKHY FERNANDO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciMANAJEMEN RISIKO DI PERUSAHAAN BETON (STUDI KASUS UNIT READYMIX PT BETON INDONESIA) MUAMMAR TAWARUDDIN AKBAR
MANAJEMEN RISIKO DI PERUSAHAAN BETON (STUDI KASUS UNIT READYMIX PT BETON INDONESIA) MUAMMAR TAWARUDDIN AKBAR SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciSistem Pakar Identifikasi Varietas Ikan Mas (Cyprinus carpio) Berdasarkan Karakteristik Morfologi dan Tingkah Laku
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 4 Nomor 1 halaman 6-13 ISSN: 2089-6026 Sistem Pakar Identifikasi Varietas Ikan Mas (Cyprinus carpio) Berdasarkan Karakteristik
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 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 terperinciBy : Hanung N. Prasetyo
theory STATISTIKA DESKRIPTIF By : Hanung N. Prasetyo UKURAN PEMUSATAN Nilai tunggal yang mewakili semua data atau kumpulan pengamatan dimana nilai tersebut menunjukkan pusat data. Yang termasuk ukuran
Lebih terperinciPREDIKSI STATUS KEAKTIFAN STUDI MAHASISWA DENGAN ALGORITMA C5.0 DAN K-NEAREST NEIGHBOR IIN ERNAWATI G
PREDIKSI STATUS KEAKTIFAN STUDI MAHASISWA DENGAN ALGORITMA C5.0 DAN K-NEAREST NEIGHBOR IIN ERNAWATI G651044054 SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciLAPORAN SKRIPSI EKSTRAKSI CIRI PENGENALAN GENDER MENGGUNAKAN FITUR GEOMETRIS CITRA WAJAH DENGAN METODE FUZZY C-MEANS (FCM)
LAPORAN SKRIPSI EKSTRAKSI CIRI PENGENALAN GENDER MENGGUNAKAN FITUR GEOMETRIS CITRA WAJAH DENGAN METODE FUZZY C-MEANS (FCM) Oleh : NIHAYATUS SA ADAH 2010-51-206 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Bertambahnya jumlah mahasiswa dari tahun ke tahun di IT Telkom mengakibatkan semakin banyak buku buku Tugas Akhir yang dibuat. Dengan semakin banyaknya buku
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 terperinciMODEL PENDUGA VOLUME POHON MAHONI DAUN BESAR (Swietenia macrophylla, King) DI HUTAN PENDIDIKAN GUNUNG WALAT, SUKABUMI, JAWA BARAT WAHYU NAZRI YANDI
MODEL PENDUGA VOLUME POHON MAHONI DAUN BESAR (Swietenia macrophylla, King) DI HUTAN PENDIDIKAN GUNUNG WALAT, SUKABUMI, JAWA BARAT WAHYU NAZRI YANDI DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT
Lebih terperinciPENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program
Lebih terperinciMagister Teknik Informatika, Universitas Ahmad Dahlan, Yogyakarta 2. Program Studi Teknik Elektro, Universitas Ahmad Dahlan, Yogyakarta 3
Sistem Identifikasi Jamur Menggunakan Metode Ekstraksi Ciri Statistik Orde 1 dan Klasifikasi Jarak Mushroom Identification System Using the 1st Order Statistic Characteristic Extraction and Distance Classification
Lebih terperinciPENGENALAN AKSARA JAWA TULISAN TANGAN DENGAN MENGGUNAKAN EKSTRAKSI FITUR ZONING DAN KLASIFIKASI K-NEAREST NEIGHBOUR RIZKINA MUHAMMAD SYAM
PENGENALAN AKSARA JAWA TULISAN TANGAN DENGAN MENGGUNAKAN EKSTRAKSI FITUR ZONING DAN KLASIFIKASI K-NEAREST NEIGHBOUR RIZKINA MUHAMMAD SYAM DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciPengukuran Kesehatan
1 Pengukuran Kesehatan Ukuran Sentral: Mean atau Arithmetic Mean Median Modus Ukuran Variasi: Range Mean Deviasi Standar deviasi, Standar Error, 95%CI Coefisien Variasi Ukuran Posisi: Median Kuartil Desil
Lebih terperinci