Jl. Nakula 1 No. 5-11, Jawa Tengah Telp : (024) , 2
|
|
- Suparman Iskandar
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 Andono,S.T,M.Kom 2 1 Fakultas Ilmu Komputer,2 Universitas Dian Nuswantoro Jl. Nakula 1 No. 5-11, Jawa Tengah Telp : (024) erlanggaferyanggriwan@gmail.com 1, maspapu@gmail.com 2 Abstrak Perhitungan nilai kesamaan suatu citra merupakan salah satu komponen esensial dari hasil proses suatu algoritma ataupun metode untuk mencocokkan antara citra hasil training dengan citra baru sebagai pembanding. Salah satu tahap pencocokan kesamaan ataupun kemiripan ciri-ciri suatu citra adalah dengan menggunakan metode pengukuran jarak. Beberapa metode pengukuran jarak dalam mengukur tingkat kesamaan (similarity) atau kemiripan suatu citra diantaranya menggunakan jarak Euclidean dan Manhattan/City Block Distance. Penggunaan metode pengukuran jarak banyak digunakan dalam algoritma pengklasifikasian atau pendeteksian, Ada beberapa metode yang sering digunakan salah satunya adalah dengan algoritma K-Nearest Neighbour (KNN). Dengan membandingkan 2 metode pengukuran jarak menggunakan algoritma K-NN, akan diketahui metode pengukuran jarak mana yang memiliki tingkat akurasi paling tinggi dengan melakukan pengujian terhadap citra jenis mobil. Kata Kunci: K-Nearest Neighbor,Ecuildean Distance,Manhattan Distance, Klasifikasi Abstract The calculation of the value of the similarity of an image is one of the essential components of processing an algorithm method for matching between the image of the training results with a new image as a comparison. One commonality or similarity matching phase characteristics of an image is to use methods of distance measurement. Some distance measurement method in measuring the degree of similarity (similarity) or resemblance of an image of them using the Euclidean distance and Manhattan / City Block Distance. The use of distance measurement method widely used in the classification or detection algorithms, There are several methods commonly used one is the algorithm K-Nearest Neighbor (KNN). By comparing the two methods of measuring distances using K-NN algorithm, will be known distance measurement method which has the highest level of accuracy by testing the image type of car. Keywords: K-Nearest Neighbor,Ecuildean Distance,Manhattan Distance, Clasification 1. PENDAHULUAN Perhitungan nilai kesamaan suatu citra merupakan salah satu komponen esensial dari hasil proses suatu algoritma ataupun metode untuk mencocokkan antara citra hasil training dengan citra baru sebagai pembanding. Salah satu tahap pencocokan kesamaan ataupun kemiripan ciri-ciri suatu citra adalah dengan menggunakan metode pengukuran jarak. Jarak merupakan aspek penting dalam pengembangan metode pengelompokan maupun regresi. Sebelum dilakukan pengelompokkan data atau objek untuk proses deteksi, terlebih dahulu ditentukan ukuran jarak kedekatan antar elemen data. Keakuratan penghitungan nilai kemiripan sangat menentukan dalam pembandingan citra hasil proses training dari suatu algortima memiliki ciri ciri karakteristik dengan citra pembanding [1]. Beberapa metode pengukuran jarak dalam mengukur tingkat kesamaan (similarity) atau kemiripan suatu citra 1
2 diantaranya menggunakan jarak Euclidean dan Manhattan/City Block Distance[2]. Euclidean Distance merupakan metode perbandingan jarak dengan membandingkan jarak minimum image testing dengan database pelatihan, sedangkan Manhattan Distance merupakan metode pengukuran jarak yang sering digunakan dengan mengganti perbedaan kuadrat jarak absolut variabel, Kedua metode tersebut merupakan metode yang paling sering digunakan dalam pengukuran jarak. Sehingga pada akhirnya akan dibandingkan jarak manakah yang memiliki tingkat kesamaan ataupun kemiripan paling tinggi untuk suatu citra. Penggunaan metode pengukuran jarak banyak digunakan dalam algoritma pengklasifikasian atau pendeteksian, Ada beberapa metode yang sering digunakan salah satunya adalah dengan algoritma K-Nearest Neighbour (KNN). Algoritma K-Nearest Neighbor (KNN) merupakan sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan metode perhitungan jarak. Data pembelajaran diproyeksikan ke ruang berdimensi masing-masing dimensi merepresentasikan ciri dari data citra tersebut. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi data pembelajaran [1]. Peneliti menggunakan algoritma K-NN dikarenakan dalam penggunaan algoritma K-NN, proses pengaturan parameter ketetanggaan (k) dan jarak dihitung berulang hingga diperoleh hasil akurasi yang paling maksimum. Jarak terdekat dengan basis data suatu kelas yang diperoleh akan dapat dijadikan sebagai acuan penentu data uji tersebut akan termasuk kejenis kelas mana begitu juga hasil yang akan dikeluarkan [3]. Dengan membandingkan 2 metode pengukuran jarak menggunakan algoritma K-NN, akan diketahui metode pengukuran jarak mana yang memiliki tingkat akurasi paling tinggi dengan melakukan pengujian terhadap citra jenis mobil. Jenis mobil digunakan dikarenakan bentuk untuk setiap jenis mobil memiliki karakteristik yang berbeda, contohnya adalah bentuk mobil jenis SUV dengan jenis City Car. Dimana penggunaan citra jenis mobil merupakan salah satu tahap pencocokan, kesamaan ataupun kemiripan ciri-ciri suatu citra, dan tahap tersebut merupakan tahapan dalam penggunaan algoritma K-NN. Diharapkan karakteristik citra jenis mobil dapat di klasifikasikan sesuai dengan jenisnya. Berdasarkan uraian di atas, pada penelitian ini akan dilakukan perbandingan metode jarak ecuidean dan manhattan distance yang di implementasikan menggunakan Algoritma K-Nearest Neighbourhood guna penklasifikasian jenis mobil. 2. METODE PENELITIAN Metode penelitian Klasifikasi mobil menggunakan K-NN sebagai berikut : Gambar 1. Metode Penelitian 2
3 2.1 Objek Penelitian Dalam tugas akhir ini pemilihan mobil sebagai objek penelitian. Objek penelitian adalah bagaimana melakukan klasifikasi jenis mobil yang memiliki karakteristik berbeda untuk setiap jenisnya. Penekanan pada metode pengukuran jarak dengan membandingkan 2 metode pengukuran pada K-NN, sehingga nantinya di dapatkan performa ke 2 metode pengukuran jarak dalam pengklasifikasian jenis mobil. 2.2 Instrumen Penelitian Instrumen penelitian yang dipergunakan berupa hardware dan software sebagai berikut : Perangkat Lunak (Software) Perangkat lunak yang digunakan dalam menyelesaikan penelitian adalah sebagai berikut : a. Windows 7 ultimate 64 bit Penulis menggunakan windows 7 ultimate 64 bit dalam pembuatan aplikasi dan laporan penelitian. b. Matlab R2014 Digunakan dalam implementasi Ekstraksi Citra, Impelentasi Metode pengukuran jarak dan k-nearest Neighbors (KNN). c. Microsoft Office Word 2010 Digunakan dalam penulisan penelitian d. Adobe Photoshop Software photoshop digunakan dalam melakukan perbaikan citra seperti cropping citra Perangkat Keras ( Hardware) Perangkat lunak yang digunakan dalam menyelesaikan penelitian adalah sebagai berikut : a. Laptop Asus A47 Core i5 b. VGA Nvidia 2Gb c. Ram 4 Gb d. Harddisk 500 Gb 2.3 Teknik Analisis Data Teknik analisis data adalah cara mengolah data menjadi informasi sehingga sifat atau karakteris datanya mudah dipahami. Data yang telah dikumpulkan akan dibagi menjadi dua jenis yaitu data training dan data testing. Data training berfungsi sebagai bahan pembelajaran pada mesin agar mesin dapat memiliki sebuah pengetahuan tentang jenis mobil yang berbeda. Data testing berfungsi sebagai data uji coba kemampuan mesin. Data-data tersebut kemudian dipindahkan kedalam database. Data training dan data testing menggunakan 30 citra mobil dari 3 jenis mobil yang berbeda. Dalam penelitian ini ada beberapa tahapan yang dilakukan terhadap data-data yang diperoleh, tahapan tersebut antara yaitu : Gambar 3.2 Proses Pengolahan Data Data yang sudah dimasukkan ke dalam mesin aplikasi. Kemudian di uji menggunakan data citra testing jenis mobil secara acak. Sehingga didapatkan output klasifikasi citra jenis mobil. Proses Preprocessing yang dilakukan pada tahapan pengolahan dataset sebagai berikut : 1. Citra inputan berupa citra mobil RGB 2. Citra yang sudah diinputkan akan diekstraksi menggunakan ekstraksi fitur histogram. 3. Ekstraksi fitur histogram yang digunakan adalah Rata-rata intnsitas, deviasi, skewnessm energy dan entropi. 4. Dari hasil ekstraksi akan didapatkan nilai nilai ekstraksi seperti dibawah ini. 3
4 2.5 Eksperimen 5. Nilai ektraksi tersebut akan menjadi nilai acuan yang nantinya dibandingkan dengan nilai ektraksi citra acuan. 6. Citra uji dan citra acuan yang sudah diekstraksi akan dihitung menggunakan metode perhitungan jarak Ecuildean dan Manhattan Distance untuk mendapatkan perbandingan nilai keduanya. 7. Nilai yang didapat dari perbandingan ke 2 metode pengukuran jarak sebagai berikut: 2.4 Objek Data Objek data yang digunakan dalam penelitian ini adalah citra jenis mobil. Jenis mobil yang digunakan terdiri dari 3 jenis yaitu Hatchback, SUV dan Sedan. Citra yang digunakan nantinya menggunakan background putih agar mempermudah dalam pembacaan dan ukuran citra yang digunakan adalah 512 x 512. Dan citra yang digunakan sebagai berikut : Citra Jenis Jumlah Citycar 30 Citra SUV 30 Citra Pada tahap ini akan dilakukan penelitian dengan melakukan pengujian terhadap aplikasi yang sudah di bangun. Pada tahap ekperimen ini penulis menerapkan metode yang digunakan adalah K-Nearest Neighbourhood. Tahap awal pada penelian, penulis melakukan pengumpulan data yang akan digunakan yaitu model model dari jenis mobil. Selanjutnya citra dari mobil jenis mobil tersebut di proses menggunakan histrogram dan di bagi menjadi data training dan data testing. Dari data tersebut penulis sudah mendapatkan data training, selanjutnya adalah untuk citra data testing. Data testing dipilih secara acak dimana data yang nantinya diinputkan dipilih tidak sesuai dengan jenisnya. Dari data testing tersebut akan didapatkan klasifikasi jenis mobil menggunakan aplikasi yang sudah di bangun. Akurasi dan jarak tiap citra akan berbeda beda. Sehingga di tahapan akhir, penulis akan membandngkan antara 2 metode pengukuran jarak pada K-NN. Diharapkan dapat diketahui metode pengukuran jarak mana yang memiliki tingkat akurasi tertinggi. Antara metode pengukuran jarak Ecuildean Distance atau Manhattan Distance. Sedan 30 Citra 4
5 metode perhitungan jarak pada k-nn. Proses fitur ekstraksi tersebut yaitu : Memasukkan citra jenis mobil dan diuji dengan melakukan proses pengolahan awal citra jenis mobil yang menggunakan feature ekstraksi histogram, pada feature ekstraksi ini citra mobil yang diuji akan menghasilkan angka-angka piksel disetiap citra yang nantinya digunakan dalam pengujian perhitungan antar 2 metode pengukuran jarak. 3. HASIL DAN PEMBAHASAN Dalam melakukan eksperimen ini, diperlukan citra gambar jenis mobil. Citra yang digunakan dalam penelitian ini adalah citra jenis mobil yaitu jenis City car, Sedan dan SUV. Citra yang digunakan berukuran 625 x 417 pixel.citra yang digunakan dibagi menjadi 2 yaitu data citra training 60 dan juga 30 data testing yang nantinya seperti dengan metode yang diusulkan. Berikut adalah tampilan program untuk mengekstraksi citra jenis mobil. Terdapat tiga kelas/label yaitu Citycar, Sedan dan SUV. Citra mobil yang telah diinput lalu ditentukan apakah citra mobil tersebut termasuk dalam kelas jenis mobil Citycar, Sedan atau SUV. Gambar 2. Citra yang digunakan Pada tahap pengujian, sample pada citra jenis mobil yang digunakan sebagai data citra uji. Citra tersebut kemudian diproses menggunakan fitur ekstraksi histogram, dari hasil pengolahan citra uji tersebut, selanjutnya dilakukan perhitungan jarak menggunakan 2 Gambar diatas menunjukkan tampilan program saat dijalankan. Pada bagian atas ditampilkan citra mobil yang telah diinput, kemudian pada bagian kanan gambar muncul nilai fitur ekstraksi dari citra yang diinput. Nilai-nilai fitur ekstraksi tersebut meliputi intensitas, deviasi, skewness, energy,entropi, dan smoothness. Dan terakhir adalah output aplikasi dimana terdapat perhitungan jarak menggunakan cityblock dan ecuildean distance sehingga akan muncul jarak kedekatan menggunkan perhitungan jarak, dan akan terlihat kedekatan jarak menggunakan 2 perbandingan metode yang memiliki jarak terkecil guna mendapatkan tingkat 5
6 akurasi diantara ke 2 nya Ekstraksi fitur tekstur pada citra mobil di penelitian ini yang bertujuan untuk mendapatkan ciri tiap jenis mobil yaitu jenis city car, sedan dan SUV yang sebelumnya melalui tahap-tahap pengolahan awal citra yang sudah dijelaskan di sub bab sebelumnya. Ekstraksi fitur tekstur tersebut menggunakan metode histogram pada metode ini didalamnya terdapat 6 fitur yaitu : rerata intensitas, deviasi, skewness, energi, entropi dan kehalusan (smoothness). Pada table dibawah ini adalah 5 sample data citra berdasarkan jenis mobil yang di fitur ekstraksi histogram. diperhitungkan jaraknya menggunakan 2 metode perhitungan jarak guna mendapatkan keakuratan dalam perbandingan 2 metode pengukuran jarak Perhitungan Ekstraksi 1. Intensitas Fitur Fitur pertama yang dihitung adalah intensitas. Dengan persamaan sebagai berikut : M = = = = Deviasi σ = Tabel 3. Tabel luas marker Dari data diatas adalah sample beberapa citra jenis mobil yang sudah difitur ekstraksi menggunakan fitur ekstraksi histogram dan menghasilkan angka-angka piksel tersebut. Dan langkah selanjutnya akan = 6
7 Energy = skewnes s = = Skewness = = (0- ) (1- = [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] = ˉ ˉ ˉ ˉ ˉ ˉ ˉ ˉ ˉ ˉ9 = ) (2- ) (3- ) (4- ) (5- ) (6- ) (7- ) (8- ) (9- ) (10- ) = ( ) ( ) ( ) ( ) ( )( ) ( )( ) ( ) ( ) ( ) = Entropi Entropi = = 4. Energy 7
8 = ( ˉ4) ( Pada sub 10ˉ4) bab berikut akan menjelaskan tentang perbandingan ( ˉ4) ( antara metode perhitungan jarak 10ˉ4) ( ˉ4) ecluidean ( dan cityblock, setelah dilakukan perhitungan jarak untuk 10ˉ4) ( ˉ4) ( - mendapatkan hasil label dengan cara ˉ4) melakukan beberapa proses untuk mendapatkan akurasi dari citra, proses ( ˉ4) ( ˉ4) yang dilakukan pertama kali mencari hasil dengan metode K-NN yang = didapatkan dari perbandingan nilai antara distance ecuildean dan cityblock. 6. Smoothness Kemudian dihitung menggunakan perhitungan akurasi antara 2 metode smoothness = perbandingan jarak. 1. Citra City car = = Perhitungan Ecuildean Distance a. Ecuildean Distance : = = b. Manhattan Distance : = = Citra Ecluidean Manhattan Hasil Correct Correct Correct Correct Correct Correct Correct Correct Correct Correct Total Citra sedan Citra Ecluidean Manhattan Hasil Total Correct Correct Correct Correct Correct Correct Correct Correct Correct Correct
9 3. Citra SUV Citra Ecluidean Manhattan Hasil Correct Correct Correct False Correct Correct Correct Correct False Correct Total Dari tabel diatas dapat diketahui perhitungan jarak antara dua metode yaitu ecluidean dan cityblock. Dimana nilai perhitungan jarak menggunakan metode Ecluidean Distance memiliki nilai yang lebih kecil, artinya metode Ecluidean Distance lebih baik dibandingan dengan metode Cityblock dalam perhitungan jarak menggunakan metode K-NN Nilai akurasi yang digunakan dari jumlah citra bernilai kebenaran dibagi dengan jumlah data uji keseluruhan dikali 100% Akurasi = x100% = 93 % Nilai perbandingan perhitungan jarak menggunakan metode Ecuildean Distance dan Manhattan Distance sebagai berikut : Jenis Ecuildean Manhattan Selisih City Car Sedan SUV Dapat dilihat dari tabel diatas bahwa perbandingan metode pengukuran jarak ecuildean dan manhattan distance, Metode Ecuildean Distance memiliki nilai yang lebih kecil daripada perhitungan menggunakan Manhattan Distance. Sehingga Metode pengukuran jarak menggunakan Ecuildean Distance memiliki keakuratan lebih tinggi daripada menggunakan Manhattan Distance hal ini ditunjukan dengan nilai pengukuran menggunakan Ecuildean Distance yang lebih kecil. 5. SARAN Beberapa saran yang dihasil dalam penulisan penelitian ini, dan sebagai penelitian berikutnya sebagai berikut : 1. Menggunakan metode perbandingan jarak lebih dari 2, sehingga akan meningkatkan perbandingan tentang perhitungan jarak 2. Penggunaan data yang lebih banyak sehingga akan diketahui ketika menghitung perbandingan dengan jumlah data yang banyak. 3. Menggunakan metode lain dalam perhitungan dan dikolaborasikan. DAFTAR PUSTAKA [1] Hermawati F.A, Pengolahan citra Digital. Yogyakarta: ANDI, [2] M. K. T. Sutoyo, S.Si., M.Kom., Edy Mulyanto, S.Si., M.Kom., Dr.Vincent Suhartono, Oky Dwi Nurhayati, M.T., Wijanarto, Teori Pengolahan Citra Digital, [3] Andi, Pengolahan Citra Digital, Yogyakarta: Darma Putra, [4] L A Dewi, H Bambang,W.A Tody, Klasifikasi Jenis mobil menggunakan metode Backpropagatioan dan Deteksi tepi Canny Universitas Telkom [5] D Rosmawati, U Koredianto dan R Achmad, Desain dan Simulasi Sistem Identifikasi Manusia Dengan 9
10 Analisis Ciri Fisis Citra Palmprint Berbasis Image Processing dan K- NN Universitas Telkom, Bandung, [6] H.A Thariq, A.P Ricardus, Memodifikasi Algoritma K-Nearest Neighbour Menggunakan Chebyshev Distance Berdasarkan GRAY LEVEL CO-OCCURRENCE MATRIX untuk Klasifikasi Kayu Universitas Dian Nuswantoro, Semarang, 2015 [7] Y. Bertha, H Bambang, Klasifikasi Jenis Mobil Berdasarkan Transformasi wavelet multi Scale dan Metode K-Nearest Neighbor Universitas Telkom, [8] Hermawati F.A, Pengolahan citra Digital. Yogyakarta: ANDI, [9] S. Kom. Prof achmad Benny mutiara Ssi, Pengantar Pengolahan Citra. [Online]. Available: wnloads/files/39981/bab- PengantarPengolahanCitra.pdf [10] Raditya Mengenal jenis jenis mobil berdasarkan bentuknya 533/mengenal-jenis-jenis-mobilberdasarkan-bentuknya/ (diakses 10 September 2016) [11] Teiseran T, Martin Kiat Merawat Mobil Yogyakarta, Penerbit Kanisius (Anggota IKAPI), 2014 [12] Lafortune, Pierre How to Calculate Euclidean and Manhattan Distance ns/139600/how-to-calculate-theeuclidean-and-manhattan-distance (diakses : 11 Januari 2017) 10
Dedi 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 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 terperinciDETEKSI KERUSAKAN JALUR PCB (PRINTED CIRCUIT BOARD) MENGGUNAKAN METODE TEMPLATE MATCHING
DETEKSI KERUSAKAN JALUR PCB (PRINTED CIRCUIT BOARD) MENGGUNAKAN METODE TEMPLATE MATCHING Wahyu Nugroho Abstract - Template matching is a technique in digital image processing functions to match each part
Lebih terperinciBAB 1 PENDAHULUAN. sistem analog menjadi sistem komputerisasi. Salah satunya adalah sistem
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan teknologi digital pada era ini berkembang sangat pesat. Hampir setiap tahun telah ditemukan ataupun dikembangkan sebuah inovasi teknologi baru.
Lebih terperinciPengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya
Pengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya 1 Hafidz Surahman 1, Aisyah Fuja 2, Ir.Rubandi 3, Willy 4 1,2 STMIK GI MDP; Jalan Rajawali No.14 Palembang,
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Indonesia merupakan sebuah salah satu negara yang dikenal sebagai penghasil berbagai macam sumber daya alam, termasuk sumber daya alam berupa kayu-kayuan. Kayu di Indonesia
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 terperinciPEMANFAATAN PENGOLAHAN CITRA DIGITAL DALAM MENENTUKAN KEMATANGAN BUAH KAKAO MENGGUNAKAN METODE EUCLIDEAN DISTANCE SKRIPSI
Artikel Skripsi PEMANFAATAN PENGOLAHAN CITRA DIGITAL DALAM MENENTUKAN KEMATANGAN BUAH KAKAO MENGGUNAKAN METODE EUCLIDEAN DISTANCE SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana
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 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 terperinciKLASIFIKASI JENIS MOBIL BERDASARKAN TRANSFORMASI WAVELET MULTI SCALE DAN METODE K NEAREST NEIGHBOR
Powered by TCPDF (www.tcpdf.org) KLASIFIKASI JENIS MOBIL BERDASARKAN TRANSFORMASI WAVELET MULTI SCALE DAN METODE K NEAREST NEIGHBOR Bertha Yulizar¹, Bambang Hidayat², Tody Ariefianto Wibowo³ ¹Teknik Telekomunikasi,,
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN
Jurnal Teknik Informatika Vol. 1 September 2012 1 PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN Wahyu Saputra Wibawa 1, Juni Nurma Sari 2, Ananda 3 Program Studi
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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan sistematika tahapan yang dilaksanakan selama pembuatan penelitian tugas akhir. Secara garis besar metodologi penelitian tugas akhir ini dapat
Lebih terperinciPENCARIAN ISI CITRA MENGGUNAKAN METODE MINKOWSKI DISTANCE
PENCARIAN ISI CITRA MENGGUNAKAN METODE MINKOWSKI DISTANCE Budi Hartono 1, Veronica Lusiana 2 Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Stikubank Semarang Jl Tri Lomba
Lebih terperinciISSN : e-proceeding of Engineering : Vol.5, No.1 Maret 2018 Page 578
ISSN : - e-proceeding of Engineering : Vol., No. Maret 2 Page 7 KLASIFIKASI KANKER USUS BESAR MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN) Classification of Colon Cancer Using K-Nearesr Neighbor (K-NN)
Lebih terperinciPERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR
PERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR Ragil Anggararingrum Perwira Nagara¹, Adiwijaya², Ratri Dwi Atmaja³ ¹Teknik
Lebih terperinciPERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI
Techno.COM, Vol. 15, No. 3, Agustus 2016: 241-245 PERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI Didik Srianto 1, Edy Mulyanto 2 1,2 Teknik Informatika,
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 terperinciDeteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor
Deteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor Regha Julian Pradhana 1,*, Bambang Hidayat 1, Ratri Dwi Atmaja 1 1 Fakultas Teknik Elektro, Universitas
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Identifikasi Masalah Identifikasi permasalahan ini bahwasanya diambil dari sudut pandang masyarakat tentang objek (batik) yang dikenal dari segi pola dan gambar
Lebih 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 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 I PENDAHULUAN. telinga, wajah, infrared, gaya berjalan, geometri tangan, telapak tangan, retina,
BAB I PENDAHULUAN 1.1 Latar Belakang Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia. Sidik jari, tanda tangan, DNA, telinga, wajah, infrared,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciSKRIPSI. IDENTIFIKASI CITRA IRIS MATA DENGAN METODE KNN (K-Nearest Neighbor) NIRNA TISKADEWI Nomor Mahasiswa :
SKRIPSI IDENTIFIKASI CITRA IRIS MATA DENGAN METODE KNN (K-Nearest Neighbor) NIRNA TISKADEWI Nomor Mahasiswa : 135410017 PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
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 terperinciPERANCANGAN DAN SIMULASI IMAGE RETREIVAL MENGGUNAKAN METODE COLOR HISTOGRAM, GREY LEVEL CO-OCCURRENCE MATRIX DAN KNN (Design and Simulation of Image Retreival Using Color Histogram, Grey Level Co-Occurrence
Lebih terperinciMENGANALISIS JENIS LEOPARD GECKO MENGGUNAKAN CONTENT BASED IMAGE RETRIEVAL BERBASIS COLOR HISTOGRAM
MENGANALISIS JENIS LEOPARD GECKO MENGGUNAKAN CONTENT BASED IMAGE RETRIEVAL BERBASIS COLOR HISTOGRAM Muhammad Naufal 1,DR. Pulung Nurtantio Andono,S.T,M.Kom 2 1 Fakultas Ilmu Komputer,2 Universitas Dian
Lebih terperinciMETODE NILAI JARAK GUNA KESAMAAN ATAU KEMIRIPAN CIRI SUATU CITRA (KASUS DETEKSI AWAN CUMULONIMBUS MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS)
Metode Nilai Jarak Guna Kesamaan Atau Kemiripan Ciri Suatu Citra METODE NILAI JARAK GUNA KESAMAAN ATAU KEMIRIPAN CIRI SUATU CITRA (KASUS DETEKSI AWAN CUMULONIMBUS MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS)
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Digital [3] Citra atau gambar didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y), di mana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap
Lebih 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 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 terperinciABSTRAK. Kata kunci : CBIR, GLCM, Histogram, Kuantisasi, Euclidean distance, Normalisasi. v Universitas Kristen Maranatha
ABSTRAK Content-Based Image Retrieval (CBIR) adalah proses untuk mendapatkan suatu citra berdasarkan konten-konten tertentu, konten yang dimaksud dapat berupa tekstur, warna, bentuk. CBIR pada dasarnya
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 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 terperinciSKRIPSI RONNY BENEDIKTUS SIRINGORINGO
ANALISIS PERBANDINGAN PROSES CLUSTER MENGGUNAKAN K- MEANS CLUSTERING DAN K-NEAREST NEIGHBOR PADA PENYAKIT DIABETES MELLITUS SKRIPSI RONNY BENEDIKTUS SIRINGORINGO 131421021 PROGRAM STUDI S1 ILMU KOMPUTER
Lebih terperinciFakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 PENERAPAN ALGORITMA K-MEANS BERDASARKAN COSINE SIMILARITY UNTUK PENGENALAN KAYU KELAPA APPLICATION OF K-MEANS ALGORITHM BASED ON COSINE SIMILARITY
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 terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi berisi tahapan-tahapan yang dilakukan
Lebih terperinciBAB II TINJAUAN PUSTAKA
2.1 Tinjauan Empiris BAB II TINJAUAN PUSTAKA Pada penelitian ini, peneliti menggunakan beberapa penelitian yang pernah dilakukan sebelumnya sebagai tinjauan studi. Berikut ialah tinjauan empiris yang digunakan:
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 terperinciMODIFIKASI ALGORITMA K-NEAREST NEIGHBOUR MENGGUNAKAN CHEBYSHEV DISTANCE BERDASARKAN GRAY LEVEL CO-OCCURRENCE MATRIX UNTUK KLASIFIKASI KAYU
MODIFIKASI ALGORITMA K-NEAREST NEIGHBOUR MENGGUNAKAN CHEBYSHEV DISTANCE BERDASARKAN GRAY LEVEL CO-OCCURRENCE MATRIX UNTUK KLASIFIKASI KAYU Thariq Hafizhuddin Aufar 1, Ricardus Anggi Pramunendar 2 Jurusan
Lebih terperinciAPLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira 50408896 Dr. Karmilasari Kanker Latar Belakang Kanker
Lebih terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar belakang
BAB I PENDAHULUAN 1.1 Latar belakang Phalaenopsis atau yang biasa disebut dengan anggrek bulan mempunyai banyak jenis. Ada 26 jenis yang sudah dikenali di Indonesia. Anggrek dapat diklasifikasikan berdasarkan
Lebih terperinciIDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID ABSTRAK
IDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID Disusun Oleh : Robin Yosafat Saragih (1022076) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan
BAB IV IMPLEMENTASI DAN EVALUASI Implementasi dan Evaluasi yang dilakukan penulis merupakan implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan perangkat lunak dari sistem secara keseluruhan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Tujuan Penelitian
BAB I PENDAHULUAN 1.1 Latar Belakang Pada sebuah citra, sangat dimungkinkan terdapat berbagai macam objek. Objek yang ada pun bisa terdiri dari berbagai bentuk dan ukuran. Salah satu objek yang mungkin
Lebih terperinciTEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR
TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR DWI ACHTI NOVIATUR R. 2208100656 Dosen Pembimbing : Dr. Ir. Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) PIE Problem Representasi Citra
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi adalah tata cara yang disusun secara pasti, sistematis dan logis sebagai landasan untuk kegiatan tertentu. Metodologi yang diperlukan untuk tugas akhir ini terdiri
Lebih terperinciPENENTUAN KUALITAS DAUN TEMBAKAU DENGAN PERANGKAT MOBILE BERDASARKAN EKSTRASI FITUR RATA-RATA RGB MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR
PENENTUAN KUALITAS DAUN TEMBAKAU DENGAN PERANGKAT MOBILE BERDASARKAN EKSTRASI FITUR RATA-RATA RGB MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR Eko Subiyantoro, Yan Permana Agung Putra Program Studi Teknik
Lebih terperinciPERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT)
PERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT) DAN MULTISCALE LOCAL BINARY PATTERN (MLBP) DALAM PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH Yuwono (0922013) Jurusan Teknik
Lebih 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 terperinciSISTEM PENGENALAN BUAH MENGGUNAKAN METODE DISCRETE COSINE TRANSFORM dan EUCLIDEAN DISTANCE
SISTEM PENGENALAN BUAH MENGGUNAKAN METODE DISCRETE COSINE TRANSFORM dan EUCLIDEAN DISTANCE Bagus Aditya *), Achmad Hidayatno, and Ajub Ajulian Zahra Jurusan Teknik Elektro, Universitas Diponegoro Semarang
Lebih terperinciBAB III METODELOGI PENELITIAN
BAB III METODELOGI PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan yaitu metode eksperimental dimana metode ini bekerja dengan memanipulasi dan melakukan kontrol pada objek penelitian
Lebih terperinciARTIKEL APLIKASI KLASIFIKASI JENIS JENIS BUAH JERUK MENGGUNAKAN METODE K-NEAREST NEIGHBOR
ARTIKEL APLIKASI KLASIFIKASI JENIS JENIS BUAH JERUK MENGGUNAKAN METODE K-NEAREST NEIGHBOR Oleh: RIDHO ARY SUMARNO 13.1.03.02.0092 Dibimbing oleh : 1. Hermin Istiasih M.T., M.M. 2. Mochammad Bilal S.kom.,
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 263
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 263 DETEKSI KANKER KOLOREKTAL (KANKER USUS BESAR) MENGGUNAKAN METODE GRAY LEVEL COOCCURENCE MATRIX DAN K-NEAREST NEIGHBOR BERBASIS
Lebih terperinciKLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA
KLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA Arina Diori (0722107) Jurusan Teknik Elektro email: arinadiorisinaga@yahoo.com ABSTRAK Buah
Lebih terperinciJURNAL PENGENALAN JENIS MOTIF KAIN BATIK MENGGUNAKAN EKSTRAKSI FITUR DAN BRAY CURTISE DISTANCE
JURNAL PENGENALAN JENIS MOTIF KAIN BATIK MENGGUNAKAN EKSTRAKSI FITUR DAN BRAY CURTISE DISTANCE recognition type motif of batik using feature extraction and bray curtise distance Oleh: DWI SETYANTO 12.1.03.02.0130
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan studi (state of the art) Berikut penelitian yang telah dilakukan sebelumnya : 1. Penelitian dilakukan oleh Sigit Sugiyanto Feri Wibowo (2015), menjelaskan tentang klasifikasi
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Sebagai tinjauan pustaka, berikut beberapa contoh penelitian telapak kaki yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai
Lebih terperinciIDENTIFIKASI JENIS-JENIS RESISTOR MENGGUNAKAN METODE EUCLIDEAN DISTANCE
IDENTIFIKASI JENIS-JENIS RESISTOR MENGGUNAKAN METODE EUCLIDEAN DISTANCE SKRIPSI Diajukan Untuk Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S. Kom) Pada Jurusan Teknik Informatika
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Beras merupakan makanan pokok penduduk dunia salah satunya Indonesia sebagai Negara dengan tingkat konsumsi beras mencapai 139 kilogram perkapita per tahun dan menjadikan
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciSISTEM KLASIFIKASI JENIS BERAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION
SISTEM KLASIFIKASI JENIS BERAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION Pradityo Utomo Program Studi D3 Manajemen Informatika Universitas Merdeka Madiun pradityou@gmail.com ABSTRACT Information
Lebih terperinciIDENTIFIKASI TANDA TANGAN DENGAN DETEKSI TEPI DAN KOEFISIEN KORELASI
IDENTIFIKASI TANDA TANGAN DENGAN DETEKSI TEPI DAN KOEFISIEN KORELASI Harry Santoso Program Studi Teknik Informatika, Unika Soegijapranata Semarang harrysantoso888@gmail.com Abstract Signature is a proof
Lebih terperinciREALISASI PENGUKUR TINGGI BADAN MANUSIA SECARA REALTIME BEBRBASIS WEBCAM
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2012 REALISASI PENGUKUR TINGGI BADAN MANUSIA SECARA REALTIME BEBRBASIS WEBCAM Dwi Asto Yuliardi¹, Iwan Iwut Tritoasmoro², Inung Wijayanto³ ¹Teknik Telekomunikasi,,
Lebih terperinciIdentifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur
Identifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur Cahya Hijriansyah 1, Achmad Solichin 2 1,2 Program Studi Teknik Informatika
Lebih terperinciPERBANDINGAN METODE SURF DAN SIFT DALAM SISTEM IDENTIFIKASI TANDA TANGAN A COMPARISON OF SURF AND SIFT METHOD ON SIGNATURE IDENTIFICATION SYSTEM
Abstrak PERBANDINGAN METODE SURF DAN SIFT DALAM SISTEM IDENTIFIASI TANDA TANGAN A COMPARISON OF SURF AND SIFT METHOD ON SIGNATURE IDENTIFICATION SYSTEM Felix Pidha Hilman Prodi S1 Teknik Telekomunikasi
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE
PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE Widodo Muda Saputra, Helmie Arif Wibawa, S.Si, M.Cs, dan Nurdin Bahtiar, S.Si, M.T Fakultas Sains dan Matematika, Jurusan Ilmu Komputer
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 1725
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 1725 DETEKSI KUALITAS DAN KESEGARAN TELUR AYAM BERBASIS DETEKSI OBJEK TRANSPARAN DENGAN METODE DISCRETE COSINE TRANSFORM (DCT)
Lebih terperinciKLASIFIKASI CITRA BERAS BERDASARKAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN MENGGUNAKAN k-nearest NEIGHBOUR
MAKALAH SEMINAR TUGAS AKHIR KLASIFIKASI CITRA BERAS BERDASARKAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN MENGGUNAKAN k-nearest NEIGHBOUR Eko Prasetyo, Imam Santoso, Budi Setiyono. Jurusan Teknik Elektro
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperincicorak lukisan dengan seni dekorasi pakaian, muncul seni batik tulis seperti yang kita kenal sekarang ini. Kain batik merupakan ciri khas dari bangsa I
Pembuatan Perangkat Lunak Untuk Menampilkan Deskripsi Mengenai Batik dan Pola Citra Batik Berdasarkan Segmentasi Objek Maulana Sutrisna, maulanasutrisna@gmail.com Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciIDENTIFIKASI SERAT LURUS DAN MIRING PADA KAYU OLAHAN MENGGUNAKAN METODE KLASIFIKASI K-NEARESET NEIGHBOR
IDENTIFIKASI SERAT LURUS DAN MIRING PADA KAYU OLAHAN MENGGUNAKAN METODE KLASIFIKASI K-NEARESET NEIGHBOR Straight and Oblique Processed Wood Fiber Identification using K-Neareset Neighbor Classification
Lebih terperinciBAB IV HASIL DAN ANALISIS
BAB IV HASIL DAN ANALISIS 4.1 Hasil Segmentasi Dari beberapa kombinasi scale parameter yang digunakan untuk mendapatkan segmentasi terbaik, untuk mengklasifikasikan citra pada penelitian ini hanya mengambil
Lebih terperinciPENERAPAN METODE SOBEL UNTUK PENGUKURAN TINGGI BADAN MENGGUNAKAN WEBCAM
PENERAPAN METODE SOBEL UNTUK PENGUKURAN TINGGI BADAN MENGGUNAKAN WEBCAM Ade Noversi Putra, Agus Basukesti, Dwi Nugraheny Jurusan Teknik Informatika Sekolah Tinggi Teknologi Adisutjipto Yogyakarta informatika@stta.ac.id
Lebih terperinciHasil Ekstraksi Algoritma Principal Component Analysis (PCA) untuk Pengenalan Wajah dengan Bahasa Pemograman Java Eclipse IDE
Hasil Ekstraksi Algoritma Principal Component Analysis (PCA) untuk Pengenalan dengan Bahasa Pemograman Java Eclipse IDE Fiqih Ismawan Dosen Program Studi Teknik Informatika, FMIPA Universitas Indraprasta
Lebih terperinciBAB I PENDAHULUAN. Pada zaman sekarang ini bagi sebagian masyarakat kendaraan bermotor
BAB I PENDAHULUAN 1.1 Latar Belakang Pada zaman sekarang ini bagi sebagian masyarakat kendaraan bermotor jenis mobil ataupun sepeda motor tidak lagi menjadi kebutuhan sekunder, melainkan telah menjadi
Lebih 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 terperinciCONTEND BASED IMAGE RETRIEVAL UNTUK PENGENALAN CITRA 2D BATIK MENGGUNAKAN FITUR TEKSTUR WARNA DAN FUNGSI JARAK MINKOWSKI
CONTEND BASED IMAGE RETRIEVAL UNTUK PENGENALAN CITRA D BATIK MENGGUNAKAN FITUR TEKSTUR WARNA DAN FUNGSI JARAK MINKOWSKI Retno Indriani (1),Ricardus Anggi Pramunendar () Universitas Dian Nuswantoro, Ilmu
Lebih terperinci100% Akurasi = (11) Lingkungan Pengembangan
Algoritme Dekomposisi Wavelet Dekomposisi wavelet Haar dapat dijelaskan sebagai berikut : 1 Transformasi linear digunakan untuk mengubah ruang warna secara linear menjadi warna dasar. Karena citra yang
Lebih 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 terperinciFERY ANDRIYANTO
SISTEM ANALISA IMAGE PROCESSING UNTUK MENCARI KEMIRIPAN PADA TEKSTUR WARNA KULIT MANUSIA MENGGUNAKAN HISTOGRAM WARNA SKRIPSI Oleh : FERY ANDRIYANTO 0734010123 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI
Lebih terperinciPENGENALAN POLA TANDA TANGAN DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)
PENGENALAN POLA TANDA TANGAN DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) Riza Firdaus Ardiansyah NIM : A11.2009.05106 Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas
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 terperinciANALISIS SISTEM PENGENALAN KARAKTER PLAT KENDARAAN DARI CITRA KENDARAAN
Teknologi Elektro, Vol. 15, No.2, Juli - Desember 2016 21 ANALISIS SISTEM PENGENALAN KARAKTER PLAT KENDARAAN DARI CITRA KENDARAAN I Dewa Gede Angga Prastika 1, Widyadi Setiawan 2, Pande Ketut Sudiarta
Lebih terperinciPengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN)
Pengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN) Iman Ilmawan Muharam Manajemen Sistem Informasi Universitas Gunadarma Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat ilmawan@sta.gunadarma.ac.id
Lebih terperinciPrincipal Component Analysis
Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA) Pembimbing: Dr.Ir.Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) Nimas Setya Yaniar 2208.100.616 POSE (posisi
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 terperinciMETODE GAUSSIAN SMOOTHING UNTUK PENINGKATAN KUALITAS CITRA MEDIS YANG BLUR
METODE GAUSSIAN SMOOTHING UNTUK PENINGKATAN KUALITAS CITRA MEDIS YANG BLUR Dwi Cahyo Wibisono 1 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Jl. Imam Bonjol No. 207, Semarang,
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 METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Metodologi penilitian berisikan tentang uraian seluruh tahapan kegiatan yang dilaksanakan selama penelitian berlangsung agar hasil yang dicapai tidak
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 terperinci