PENDAHULUAN. Latar Belakang
|
|
- Ade Cahyadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Latar Belakang PENDAHULUAN Biometrik merupakan ilmu pengetahuan yang membangun identitas seseorang berdasarkan sifat-sifat fisik, kimiawi, ataupun kebiasaan seseorang. Sistem biometrik dapat menggunakan ciri fisik (physical traits) maupun tingkah laku (behavioral traits). Contoh ciri fisik antara lain sidik jari, iris, wajah dan bentuk geometris tangan, sedangkan contoh ciri tingkah laku misalnya tanda tangan, pola penekanan keyboard, dan gaya berjalan (Ross et al. 2006). Objek biometrik hendaknya memenuhi beberapa kriteria untuk digunakan sebagai objek. Kriteria biometrik tersebut antara lain universality (setiap orang memiliki biometrik tersebut), distinctiveness (biometrik tersebut berbeda pada setiap orang), permanence (tidak berubah-ubah dalam jangka waktu yang lama), dan collectability (dapat diukur secara kuantitatif) (Maltoni et al. 2003). Tanda tangan merupakan salah satu objek biometrik yang mudah diperoleh, baik melalui kertas maupun peralatan elektronik seperti PC tablet, layar sentuh dan PDA. Meskipun demikian, biometrik tanda tangan masih menjadi topik riset yang menantang. Tantangan dalam biometrik tanda tangan ini antara lain karena variasi dalam kelas yang besar, tingkat universality dan permanence yang rendah, serta adanya kemungkinan serangan pemalsuan tanda tangan (Jain et al. 2008). Metode pengenalan tanda tangan dapat diklasifikasikan berdasarkan informasi masukan tanda tangan menjadi dua kategori, online dan offline. Metode pengenalan tanda tangan online merujuk pada penggunaan fungsi-fungsi waktu dalam proses penandatanganan secara dinamis (misalnya lintasan posisi atau penekanan). Metode pengenalan tanda tangan offline merujuk pada penggunaan gambar statis dari tanda tangan (Jain et al. 2008). Penelitian ini menggunakan metode pengenalan tanda tangan secara offline. Pengenalan tanda tangan dilakukan dengan menggunakan algoritme klasifikasi VFI5. Pada percobaan dengan penambahan fitur yang tidak relevan, algoritme VFI5 memiliki akurasi yang lebih tinggi dibandingkan dengan algoritme nearest neighbor (Güvenir 1998). Penelitian dengan menggunakan algoritme VFI5 sebelumnya telah banyak dilakukan untuk klasifikasi berbasis teks, di antaranya diagnosis penyakit demam berdarah dengue, diagnosis gangguan sistem urinari pada anjing dan kucing, hingga klasifikasi pasien suspect parvo dan distemper pada data rekam medik rumah sakit hewan IPB. Pada penelitian pertama, diagnosis penyakit demam berdarah dengue dengan menggunakan algoritme VFI5 memiliki akurasi sebesar 100%, sedangkan ketika diklasifikasikan menggunakan ANFIS akurasi yang diperoleh adalah 86.67% (Apniasari 2007). Selanjutnya, diagnosis gangguan sistem urinari pada anjing dan kucing memberikan akurasi sebesar 77.38% ketika klasifikasi dilakukan tanpa menggunakan fitur pemeriksaan laboratorium, sedangkan ketika klasifikasi dilakukan dengan menggunakan fitur pemeriksaan laboratorium, diperoleh akurasi sebesar 86.31% (Ramdhany 2007). Pada klasifikasi pasien suspect parvo dan distemper, diperoleh rata-rata akurasi sebesar 90% (Iqbal 2007). Karena pada klasifikasi berbasis teks algoritme VFI5 mampu menglasifikasikan dengan akurasi yang tinggi, maka muncul dugaan bahwa algoritme klasifikasi VFI5 juga baik digunakan untuk identifikasi citra. Sebelum melakukan klasifikasi citra, dilakukan praproses untuk mereduksi ukuran citra. Citra yang memiliki ukuran m n piksel misalnya, akan memiliki m n fitur pada algoritme VFI5 sehingga komputasi yang dilakukan menjadi lebih banyak. Untuk itu, diperlukan proses reduksi. Reduksi yang digunakan dalam penelitian ini adalah reduksi dimensi melalui transformasi wavelet. Dibandingkan dengan metode reduksi PCA, reduksi dimensi menggunakan wavelet memiliki efisiensi komputasi yang lebih baik (Agarwal et al. 2005). Transformasi wavelet untuk reduksi dimensi sebelumnya telah dilakukan pada pengenalan citra wajah oleh Anjum & Javed (2006). Pada penelitian tersebut, hanya low pass filter yang digunakan karena diasumsikan low frequency yang memberikan kontribusi lebih banyak dalam merepresentasikan informasi citra wajah. Pada reduksi dimensi ini, citra yang digunakan sebagai input dalam klasifikasi adalah citra pendekatan low-low level hasil transformasi wavelet. Kingsburry (2005) menyatakan bahwa energi dari citra Lenna untuk dekomposisi Lo-Lo atau citra pendekatan mencapai 96.5%. Sisanya tersebar ke sub citra 1
2 hasil dekomposisi detail, dan energi terendah berada pada citra Hi-Hi atau citra diagonal, yakni 0.4%. Oleh karena itu, hanya citra pendekatan saja yang digunakan sebagai input untuk klasifikasi menggunakan algoritme VFI5. Tujuan Penelitian Tujuan dari penelitian ini adalah melakukan pengenalan tanda tangan dengan menggunakan algoritme VFI5 setelah dilakukan reduksi dimensi melalui transformasi wavelet. Selanjutnya dilakukan analisis kinerja pengenalan tanda tangan menggunakan algoritme VFI5 dan pengaruh dekomposisi wavelet terhadap akurasi yang diperoleh. Ruang Lingkup Terdapat beberapa batasan dari penelitian ini, yaitu: 1 Citra yang digunakan adalah citra tanda tangan yang diperoleh dari data skripsi (Setia 2007) sejumlah 10 tanda tangan, dan tiap-tiap tanda tangan terdiri dari 10 citra berukuran piksel. 2 Reduksi fitur yang digunakan adalah menggunakan transformasi wavelet Haar. 3 Algoritme klasifikasi yang digunakan yaitu algoritme VFI5 dengan bobot yang seragam untuk tiap fiturnya. TINJAUAN PUSTAKA Pengolahan Citra Digital Sebuah citra dapat didefinisikan sebagai fungsi dua dimensi, f(x, y) dimana x dan y merupakan koordinat spasial (bidang) dan amplitudo dari f pada semua pasang koordinat (x,y) disebut sebagai intensitas atau gray level dari sebuah citra pada titik tertentu. Ketika x,y dan nilai amplitudo dari f bernilai diskret dan terbatas, kita menyebut citra tersebut sebagai citra digital. Bidang pengolahan citra digital mengacu pada pengolahan gambar digital dengan menggunakan komputer digital. Citra digital terbentuk dari elemen bilangan terbatas, dimana tiap-tiap elemen memiliki lokasi dan nilai tertentu. Elemen-elemen ini disebut dengan elemen gambar (picture elements), elemen citra (image elements), pels, atau pixel. Pixel merupakan istilah yang paling sering digunakan untuk menyebutkan elemen dari citra digital (Gonzalez & Woods 2002). Tanda Tangan Tanda tangan merupakan salah satu bentuk biometrik behavioral yang berubah-ubah tergantung dari kondisi fisik dan emosional seseorang. Meskipun tanda tangan memerlukan kontak dengan alat tulis dan usaha dari sisi pengguna, tanda tangan banyak digunakan pada instansi pemerintahan hingga transaksi komersial yang sah sebagai salah satu bentuk otentikasi. Dengan adanya PDA dan PC tablet, tanda-tangan online bisa menjadi salah satu alat biometrik untuk digunakan pada perangkatperangkat ini (Ross et al. 2006). Klasifikasi Klasifikasi merupakan salah satu bentuk analisis data yang digunakan untuk melakukan ekstraksi model yang mendeskripsikan kelas data yang penting atau memperkirakan kecenderungan selanjutnya dari suatu data. Analisis seperti demikian dapat membantu pihak yang berkepentingan dalam memahami data yang besar. Klasifikasi memperkirakan label kategorik yang bersifat diskret dan tak memiliki urutan. Misalnya, seorang ahli dapat mengembangkan model klasifikasi untuk memberikan kategori pada aplikasi peminjaman bank, apakah termasuk aman, atau berisiko. Metode klasifikasi banyak menerapkan pembelajaran mesin, pengenalan pola, dan statistik (Han & Kamber 2006). Wavelet Wavelet merupakan fungsi matematis yang memisahkan data menjadi beberapa komponen frekuensi yang berbeda dan mempelajari tiaptiap komponen sesuai dengan resolusi yang tepat dengan skalanya masing-masing. Wavelet memiliki kelebihan dibandingkan dengan transformasi Fourier dalam menganalisis keadaan fisik yang memiliki sinyal tak kontinu dan memiliki variasi yang tajam. Wavelet dikembangkan secara bebas dalam bidang matematika, fisika kuantum, teknik elektro, dan geologi seismik (Graps 1995). Wavelet ditunjukkan pertama kali sebagai dasar pendekatan baru untuk pemrosesan sinyal dan analisis yang disebut teori multiresolusi. Teori multiresolusi berkaitan dengan analisis dan representasi sinyal atau citra pada lebih dari satu resolusi. Hasil pendekatan teori multiresolusi yakni fitur yang tidak terdeteksi pada suatu resolusi dapat terdeteksi pada resolusi lain (Gonzalez & Woods 2002). Dalam analisis multiresolusi (AMR), scaling function digunakan untuk menciptakan satu rangkaian pendekatan pada suatu fungsi atau citra, scaling function ini dinyatakan dalam persamaan berikut: 2 2, 2
3 dimana koefisien dalam persamaan rekursif ini merupakan scaling function (Gonzalez & Woods 2002). Transformasi wavelet bekerja dengan mengambil rata-rata dari nilai masukan dan mempertahankan informasi yang diperlukan untuk mengembalikan ke nilai semula (McAndrew 2004). Secara umum, jika a dan b adalah dua bilangan, dapat dihitung rata-rata s dan selisih d melalui persamaan: s = (a + b) / 2, d = a s, selanjutnya, nilai a dan b dapat diperoleh kembali melalui: Transformasi Haar a = s + d, b = s d. Transformasi Haar merupakan transformasi wavelet yang paling sederhana dan telah banyak digunakan pada citra (McAndrew 2004). Wavelet Haar dapat dituliskan sebagai pulse function: dengan menggunakan relasi: ψ 2 2 1, nilai 2 sama dengan 1 jika 0 1/2 dan nilai 2 1 sama dengan 1 untuk 1/2 1. Pulse function ini juga dapat dituliskan sebagai: Dalam teori wavelet, fungsi ψ disebut mother wavelet dan fungsi disebut scaling function (McAndrew 2004). Dekomposisi menggunakan transformasi Haar dilakukan dengan menggunakan bank filter dengan koefisien h 0 = 1/ 2 h 1 = 1/ 2 dan g 0 = 1/ 2 serta g 1 = 1/ 2. Bank filter Haar ditunjukkan pada Gambar 1. h h 0 0 g g h h 0 0 g g Gambar 1 Bank Filter Haar. VFI5 VFI5 merupakan algoritme klasifikasi yang memberikan deskripsi melalui sekumpulan interval fitur. Klasifikasi dari sebuah instance baru didasarkan pada vote di antara klasifikasi yang dibuat oleh nilai dari tiap fitur secara terpisah. VFI5 merupakan algoritme supervised learning yang bersifat non-incremental, sehingga, seluruh contoh dalam data training diproses sekali dalam satu waktu. Tiap-tiap contoh training direpresentasikan sebagai nilainilai fitur vektor nominal (diskret) atau linear (kontinu), disertai dengan label yang menunjukkan kelas contoh. Dari data training, algoritme VFI5 membentuk interval untuk tiap fitur. Suatu interval bisa berupa interval titik atau selang (range). Interval selang didefinisikan sebagai sekumpulan nilai yang berurutan dari fitur yang diberikan, sedangkan interval titik didefinisikan sebagai fitur bernilai tunggal. Untuk interval titik, hanya sebuah nilai yang digunakan untuk mendefinisikan sebuah interval. Untuk tiap interval, diambil sebuah nilai tunggal yang merupakan vote dari tiap-tiap kelas dalam interval tersebut. Oleh karena itu, sebuah interval dapat merepresentasikan beberapa kelas dengan menyimpan vote dari tiap-tiap kelas (Güvenir 1998). VFI5 merupakan versi terakhir yang dikembangkan dari algoritme VFI1. Pada tahap pelatihan dalam algoritme VFI1, jika fitur bersifat linear (kontinu), maka hanya dibentuk range interval. Dalam perhitungan count instance sebagai vote dari data latih, jika nilai fitur terletak tepat di dalam satu interval i, maka nilai count interval i ditambah 1, namun jika nilai fitur terletak pada batas bawah interval, nilai count untuk interval ke-i dan ke-(i-1) ditambah 0.5. Proses klasifikasi pada algoritme VFI1 dilakukan dengan melihat letak nilai fitur dari instance pengujian e f dalam interval pelatihan. Jika i merupakan point interval dan nilai e f sama dengan nilai pada point interval, maka fitur f memberikan vote untuk tiap kelas c sebesar nilai vote kelas pada interval pelatihan. Namun jika i merupakan range interval dan nilai e f sama dengan nilai batas bawah dari interval tersebut, maka vote yang diberikan oleh fitur f adalah rata-rata vote pelatihan dari interval ke-i dan ke-(i-1). Versi selanjutnya dari algoritme VFI1 adalah VFI2. Pada tahap pelatihan dalam algoritme VFI2, nilai end points digeser ke jarak tengah antara kedua end points pada algoritme VFI1. Artinya, jika pada algoritme VFI1 nilai end points-nya adalah 2, 4, 5 dan 8, maka pada algoritme VFI2 nilai end points-nya adalah 3, 4.5 dan 6.5. Adapun tahapan 3
4 klasifikasi pada algoritme VFI2 sama dengan tahapan klasifikasi pada algoritme VFI1. Algoritme VFI3 tidak berkaitan dengan algoritme VFI2 dan dikembangkan dari algoritme VFI1. Ada penambahan beberapa kondisi untuk pembentukan interval dan klasifikasi. Kondisi ini mempertimbangkan apakah nilai instance terletak pada titik tertinggi, titik terendah, atau titik lain pada end points. Kondisi-kondisi dan ilustrasi lebih lengkap dapat dilihat pada Demiröz (1997). Algoritme VFI4 dikembangkan dari algoritme VFI3. Pada algoritme VFI4, jika fitur merupakan fitur linear dan ada kelas yang memiliki nilai titik tertinggi sama dengan nilai titik terendah, maka selain dibentuk range interval, juga dibentuk point interval pada fitur nominal. Hal ini dilakukan untuk menghindari kesalahan pemberian vote pada kelas yang memiliki nilai titik tertinggi sama dengan nilai terendah. Pada tahap klasifikasi, jika nilai fitur pada instance pengujian terletak pada point interval, maka nilai vote yang diambil hanya dari nilai vote pada point interval hasil pelatihan. Versi selanjutnya dari algoritme VFI4 adalah VFI5. Pada algoritme VFI5, dilakukan generalisasi pembentukan point interval pada fitur linear, tanpa memperhatikan apakah ada kelas dalam suatu fitur yang memiliki nilai titik tertinggi sama dengan nilai titik terendah. Algoritme dan ilustrasi untuk tiap versi VFI dapat dilihat di Demiröz (1997). Kelebihan algoritme VFI5 adalah prediksi yang akurat, pelatihan dan waktu yang dibutuhkan untuk melakukan klasifikasi cukup singkat, bersifat robust terhadap training dengan data yang memiliki noise dan nilai fitur yang hilang, dapat menggunakan bobot fitur, serta dapat memberikan model yang mudah dipahami manusia (Güvenir 1998). 1 Pelatihan Hal pertama yang harus dilakukan dalam tahap pelatihan adalah menemukan titik-titik akhir (end points) dari tiap kelas c pada tiap fitur f. Titik akhir dari kelas c yang diberikan merupakan nilai yang terkecil dan terbesar pada dimensi fitur linear (kontinu) f untuk beberapa instance pelatihan dari kelas c yang sedang diamati. Namun demikian, titik akhir dari dimensi fitur nominal (diskret) f, merupakan nilai-nilai yang berbeda satu sama lain, untuk beberapa instance pelatihan dari kelas c yang sedang diamati. Titik akhir dari fitur f kemudian disimpan dalam array EndPoints[f]. Batas bawah pada interval selang adalah -, sedangkan batas atas interval selang adalah +. List dari titik akhir pada tiap dimensi fitur linear diurutkan. Jika fitur tersebut merupakan fitur linear, terdapat dua jenis interval, interval titik dan interval selang. Jika fitur tersebut merupakan fitur nominal, hanya ada satu jenis interval, yaitu interval titik. Selanjutnya, banyak instance pelatihan setiap kelas c dengan fitur f untuk setiap interval i dihitung dan direpresentasikan sebagai interval_class_count[f,i,c]. Pada setiap instance pelatihan, dicari interval i, yang merupakan interval nilai fitur f dari instance pelatihan e (e f ) tersebut berada. Apabila interval i adalah interval titik dan e f sama dengan batas bawah interval tersebut (yang sama dengan batas atas untuk interval titik), jumlah kelas instance tersebut (e f ) pada interval i ditambah 1. Apabila interval i merupakan interval selang dan e f berada pada interval tersebut maka jumlah kelas instance e f pada interval i ditambah 1. Proses inilah yang menjadi vote pelatihan untuk kelas c pada interval i. Agar tidak mengalami efek perbedaan distribusi setiap kelas, vote kelas c untuk fitur f pada interval i harus dinormalisasi dengan membagi vote tersebut dengan hasil penjumlahan tiap-tiap instance kelas c yang direpresentasikan dengan class_count[c]. Hasil normalisasi ini dinotasikan sebagai interval_class_vote[f,i,c]. Selanjutnya, nilainilai interval_class_vote[f,i,c] dinormalisasi sehingga hasil penjumlaham vote beberapa kelas di setiap fitur sama dengan 1. Tujuan normalisasi ini adalah agar setiap fitur mempunyai kekuatan voting yang sepadan pada proses klasifikasi dan tidak dipengaruhi oleh ukuran fitur tersebut. Ilustrasi tahap pelatihan pada algoritme VFI5 dapat dilihat pada Lampiran 1. Algoritme training secara rinci dapat dilihat pada Gambar 2. 4
5 train(trainingset): begin for each feature f EndPoints[f] = EndPoints[f] find_end_points(trainingset, f, c); sort(endpoints[f]); if f is linear for each end point p in EndPoints[f] form a point interval from end point p form a range interval between p and the next endpoint p else /* f is nominal*/ each distinct point in EndPoints[f] forms a point interval for each interval i on feature dimension f interval_class_count[f,i,c]=0 count_instances(f,trainingset); for each interval i on feature dimension f interval_c lass_count [f,i,c] interval_c lass_vote[ f,i,c] = class_coun t[c] normalize interval_class_vote[f,i,c] * such that c interval_class_vote[f,i,c] = 1 * End Gambar 2 Algoritme pelatihan VFI5 (Güvenir 1998). 2 Klasifikasi Tahap klasifikasi dimulai dengan inisialisasi vote dengan nilai nol pada tiap-tiap kelas. Pada tiap-tiap fitur f, dicari interval i yang sesuai dengan nilai e f, dimana e f merupakan nilai fitur f dari instance pengujian e. Jika e f hilang atau tidak diketahui, fitur tersebut tidak diikutsertakan dalam voting dengan memberikan vote nol pada setiap kelas yang hilang. Tiap-tiap fitur f mengumpulkan votevote-nya dalam sebuah vektor feature_vote[f,c 1 ],..., feature_vote[f,c j ],...,feature_vote[f,c k ], dimana feature_vote[f,c j ] adalah vote fitur f untuk kelas C j dan k adalah banyak kelas. Sebanyak d vektor feature vote dijumlahkan sesuai dengan fitur dan kelasnya masing-masing untuk memperoleh total vektor vote vote[c 1 ],..., vote[c k ]. Kelas dari instance pengujian e adalah kelas yang memiliki jumlah vote terbesar. Ilustrasi klasifikasi pada algoritme VFI5 dapat dilihat pada Lampiran 2, sedangkan cara kerja algoritme VFI5 terdapat pada Gambar 3. classify(e): /* e: example to be classified */ begin vote[c] = 0 for each feature f feature_vote[f,c] = 0 /* vote of feature f for class c */ if e f value is known i = find_interval( f, e f ) feature_vote[f,c] = interval_class_vote[f,i,c] vote[c] = vote[c] + feature_vote[f,c] return class c with highest vote[c] end Gambar 3 Algoritma klasifikasi VFI5 (Güvenir 1998). Penelitian Sebelumnya Data yang digunakan dalam penelitian ini berasal dari data pada penelitian Setia (2007). Pada penelitian tersebut, data tanda tangan dikumpulkan di atas kertas dan proses digitalisasi dilakukan dengan menggunakan scanner menjadi file citra 300 dpi format BMP dan mode RGB. Citra tanda tangan ini selanjutnya dikonversi menjadi citra 8 bit dengan format PCX berukuran piksel. Posisi yang dihasilkan citra tanda tangan masih tidak teratur dan acak. Oleh karena itu, dilakukan penyuntingan citra tanda tangan agar citra tanda tangan yang diperoleh bersifat teratur. Tahap selanjutnya dari proses pengambilan citra adalah cropping. Hal ini dilakukan untuk menghilangkan bagian di luar pola yang bukan merupakan pola tanda tangan. Adapun data yang digunakan terdapat dalam Lampiran 3. 5
6 Pengenalan tanda tangan menggunakan Hidden Markov Model (HMM) memperoleh akurasi rata-rata 75% untuk 8 state, 73% untuk 6 state, dan 53% untuk 4 state (Setia 2007). Pengenalan tanda tangan sebelumnya menggunakan Jaringan Syaraf Tiruan (JST) propagasi balik mampu mengenali pola yang diberikan dengan akurasi tertinggi sebesar 99%, tergantung dari metode yang digunakan dari output JST (metode nilai maksimum atau metode threshold), representasi pola input yang digunakan sebagai representasi input JST, nilai toleransi galat, laju pembelajaran dan jumlah neuron lapisan tersembunyi (Riadi 2001). METODE PENELITIAN Ada beberapa tahap yang dilakukan dalam proses klasifikasi citra tanda tangan dengan menggunakan praproses wavelet. Tahapan ini ditunjukkan pada Gambar 4. ini dilakukan agar fitur yang dihitung tidak terlalu banyak sehingga proses komputasi lebih mudah dan cepat. Transformasi Wavelet Citra tanda tangan yang diproses menggunakan transformasi wavelet akan mengalami penurunan banyak fitur hingga 75% dari banyak fitur semula. Dalam penelitian ini, dilakukan transformasi wavelet hingga lima level. Setelah melalui transformasi wavelet, diperoleh empat citra yang memiliki dimensi baru, yakni citra pendekatan, citra detail horizontal, citra detail vertikal, dan citra detail diagonal. Ilustrasi citra hasil dekomposisi wavelet dapat dilihat pada Lampiran 4. Data Latih dan Data Uji Data dibagi ke dalam dua bagian, yaitu data latih dan data uji. Data latih digunakan untuk memberikan supervised learning pada algoritme VFI5, sedangkan data uji digunakan untuk menguji ketepatan hasil klasifikasi yang dilakukan oleh algoritme VFI5. Perbandingan antara data latih dan data uji yang digunakan dalam percobaan ini adalah 3:2. Hal ini berarti terdapat 6 citra latih dan 4 citra uji untuk tiaptiap kelas. Algoritme VFI5 Terdapat dua proses dalam algoritme VFI5. Kedua tahapan ini yaitu pelatihan dan klasifikasi. Pelatihan Tiap-tiap matriks citra yang digunakan dibentuk menjadi matriks baris tunggal. Misalnya, matriks citra berukuran 3 4 piksel yang diilustrasikan pada Gambar 5. f1 f2 f3 f4 f5 f6 f7 f8 Gambar 4 Tahapan klasifikasi. Data Semua citra tanda tangan yang digunakan dalam penelitian ini melalui praproses transformasi wavelet. Selanjutnya, citra latih dan citra uji diklasifikasikan menggunakan algoritme VFI5. Praproses Citra tanda tangan yang akan diproses dengan algoritme VFI5 direduksi terlebih dahulu menggunakan transformasi wavelet. Hal f9 f10 f11 f12 Citra ke-1 f1 f2 f3 f4 f5 f6 f7 f8 f9 f10 f11 f12 Citra ke-n f1 f2 f11 f12 Citra ke-1 f1 f2 f11 f12 Citra ke-n Gambar 5 Ilustrasi pengolahan fitur. 6
PENDAHULUAN. 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 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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Klasifikasi merupakan salah satu bidang kajian pada machine learning. Klasifikasi adalah proses menemukan sekumpulan model atau fungsi yang menggambarkan dan membedakan konsep
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Untuk bisa mendukung sistem secara utuh dibutuhkan teori-teori yang mendukung dalam pengembangan aplikasi ini. Teori-teori yang dibutuhkan meliputi pengenalan tanda tangan dan teknologi
Lebih terperinciPengenalan Tanda Tangan Menggunakan Algoritme VFI5 Melalui Praproses Wavelet
Tersedia secara online di: http://journal.ipb.ac.id/index.php.jika Volume 1 Nomor 1 halaman 7-12 ISSN: 2089-6026 Pengenalan Tanda Tangan Menggunakan Algoritme VFI5 Melalui Praproses Wavelet Hand-Written
Lebih terperinciPENGARUH INCOMPLETE DATA TERHADAP AKURASI VOTING FEATURE INTERVALS-5 (VFI5) ABSTRAK
PENGARUH INCOMPLETE DATA TERHADAP AKURASI VOTING FEATURE INTERVALS-5 (VFI5) Atik Pawestri Sulistyo 1, Aziz Kustiyo 1, Agus Buono 2 1 Departemen Ilmu Komputer, Fakultas Matematika dan IPA Institut Pertanian
Lebih terperinciKelas. Kelas. p q r s t u v w x y Level Transformasi.
Fitur yang digunakan untuk pelatihan pada algoritme VFI5 diperoleh dari tiap-tiap piksel pada citra tanda tangan. Fitur pada pelatihan yang semula berupa matriks berukuran 3 4 piksel disusun menjadi matriks
Lebih terperinciKLASIFIKASI PASIEN SUSPECT PARVO DAN DISTEMPER PADA DATA REKAM MEDIK RUMAH SAKIT HEWAN IPB MENGGUNAKAN VOTING FEATURE INTERVALS ABSTRAK
1 KLASIFIKASI PASIEN SUSPECT PARVO DAN DISTEMPER PADA DATA REKAM MEDIK RUMAH SAKIT HEWAN IPB MENGGUNAKAN VOTING FEATURE INTERVALS Muhammad Iqbal 1, Aziz Kustiyo 1, Ekowati Handharyani 2 1 Departemen Ilmu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
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 terperinciDIAGNOSIS GANGGUAN SISTEM URINARI PADA ANJING DAN KUCING MENGGUNAKAN VFI 5. Oleh: DHANY NUGRAHA RAMDHANY G
DIAGNOSIS GANGGUAN SISTEM URINARI PADA ANJING DAN KUCING MENGGUNAKAN VFI 5 Oleh: DHANY NUGRAHA RAMDHANY G64353 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciBAB II DASAR TEORI. 2.1 Meter Air. Gambar 2.1 Meter Air. Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus
BAB II DASAR TEORI 2.1 Meter Air Gambar 2.1 Meter Air Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor,
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Seiring dengan perkembangan zaman yang secara tidak disadari diikuti oleh perkembangan teknologi sangat banyak memberi pengaruh terhadap perkembangan ilmu
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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Jamur merupakan salah satu jenis tumbuhan yang banyak dijumpai di alam, sehingga sejak dahulu jamur dijadikan sebagai bahan konsumsi utama. Seiring dengan berkembangnya waktu,
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih 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 terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2008 Express Edition. Proses perancangan menggunakan pendekatan Object Oriented
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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 PENDAHULUAN Latar Belakang Pesatnya perkembangan teknologi informasi dan komunikasi menempatkan telepon selular menjadi bagian yang tidak terpisahkan dari masyarakat. Keberadaan telepon selular telah
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Jaringan Saraf Tiruan Jaringan saraf tiruan adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Digital Istilah citra biasanya digunakan dalam bidang pengolahan citra yang berarti gambar. Suatu citra dapat didefinisikan sebagai fungsi dua dimensi, di mana dan adalah
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 terperinciPENGENALAN CITRA WAJAH MENGGUNAKAN ALGORITME VFI5 DENGAN TRANSFORMASI WAVELET NOVIANA PRAMITASARI
PENGENALAN CITRA WAJAH MENGGUNAKAN ALGORITME VFI5 DENGAN TRANSFORMASI WAVELET NOVIANA PRAMITASARI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2009
Lebih terperinciPREDIKSI PENYAKIT PARU MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 DENGAN BOBOT FITUR TIDAK SERAGAM DISTY TATA CERIA
PREDIKSI PENYAKIT PARU MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 DENGAN BOBOT FITUR TIDAK SERAGAM DISTY TATA CERIA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPertemuan 2 Representasi Citra
/29/23 FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 2 Representasi Citra Representasi Citra citra Citra analog Citra digital Matrik dua dimensi yang terdiri
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciSELEKSI FITUR MENGGUNAKAN FAST CORRELATION BASED FILTER PADA ALGORITMA VOTING FEATURE INTERVALS 5 HIDA NUR FIRQIANI G
SELEKSI FITUR MENGGUNAKAN FAST CORRELATION BASED FILTER PADA ALGORITMA VOTING FEATURE INTERVALS 5 HIDA NUR FIRQIANI G64103047 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPEMILIHAN DATA TRAINING UNTUK MENINGKATKAN KINERJA VOTING FEATURE INTERVAL 5 (VFI 5) DAVID AULIA AKBAR ADHIEPUTRA
PEMILIHAN DATA TRAINING UNTUK MENINGKATKAN KINERJA VOTING FEATURE INTERVAL 5 (VFI 5) DAVID AULIA AKBAR ADHIEPUTRA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciPREDIKSI INDEKS PRESTASI KUMULATIF MAHASISWA ILMU KOMPUTER IPB MENGGUNAKAN ALGORITMA VFI5 ABDUL NASRAH G
PREDIKSI INDEKS PRESTASI KUMULATIF MAHASISWA ILMU KOMPUTER IPB MENGGUNAKAN ALGORITMA VFI5 ABDUL NASRAH G64103012 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih terperinciPENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION 1 Andrian Rakhmatsyah 2 Sayful Hakam 3 Adiwijaya 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi perangkat lunak dewasa ini tidak terlepas dari berkembangnya studi mengenai kecerdasan buatan. Ada dua hal yang termasuk dari kecerdasan buatan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Pada bab ini akan dijelaskan mengenai kebutuhan-kebutuhan yang digunakan dalam membuat program ini. Setelah semua kebutuhan selesai di analisa, maka penulis akan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Berikut adalah beberapa definisi dari citra, antara lain: rupa; gambar; gambaran (Kamus Besar Bahasa Indonesia). Sebuah fungsi dua dimensi, f(x, y), di mana x dan y adalah
Lebih terperinciKLASIFIKASI DEBITUR KARTU KREDIT DENGAN PEMILIHAN FITUR MENGGUNAKAN VOTING FEATURE INTERVALS 5 SRI RAHAYU NATASIA
KLASIFIKASI DEBITUR KARTU KREDIT DENGAN PEMILIHAN FITUR MENGGUNAKAN VOTING FEATURE INTERVALS 5 SRI RAHAYU NATASIA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
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 terperinciPERANCANGAN APLIKASI PENGURANGAN NOISE PADA CITRA DIGITAL MENGGUNAKAN METODE FILTER GAUSSIAN
PERANCANGAN APLIKASI PENGURANGAN NOISE PADA CITRA DIGITAL MENGGUNAKAN METODE FILTER GAUSSIAN Warsiti Mahasiswi Program Studi Teknik Informatika STMIK Budi Darma Medan Jl. Sisingamangaraja No. 338 Sp. Limun
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1. 1 Latar Belakang Jaringan saraf buatan merupakan kumpulan dari elemen-elemen pemrosesan buatan yang disebut neuron. Sebuah neuron akan mempunyai banyak nilai masukan yang berasal dari
Lebih terperinciMETODOLOGI PENELITIAN
18 METODOLOGI PENELITIAN Kerangka Penelitian Sistem pengenalan roda kendaraan pada penelitian ini tampak pada Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu, tahapan pelatihan
Lebih terperinciBAB II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan
BAB II LANDASAN TEORI 2.1. Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus dan intensitas cahaya pada bidang dwimatra
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Citra Digital Gambar atau citra merupakan informasi yang berbentuk visual. Menurut kamus Webster citra adalah suatu representasi, kemiripan atau imitasi dari suatu objek atau
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan sehari- hari seringkali ditemukan uang palsu pada berbagai transaksi ekonomi. Tingginya tingkat uang kertas palsu yang beredar di kalangan masyarakat
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 terperinciTINJAUAN PUSTAKA ,...(1)
3 TINJAUAN PUSTAKA Dalam bab ini akan dibahas teori-teori yang mendasari penelitian ini. Dimulai dari teori dan konsep citra digital, deteksi pola lingkaran dengan Circle Hough Transform (CHT), ekstrasi
Lebih terperinciBAB I PENDAHULUAN. 1 Universitas Kristen Maranatha
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Perkembangan dunia digital, terutama dengan berkembangnya internet, menyebabkan informasi dalam berbagai bentuk dan media dapat tersebar dengan cepat tanpa
Lebih terperinciBAB III PENGOLAHAN DATA
BAB III PENGOLAHAN DATA Pengolahan data pada penelitian ini meliputi tahapan pengambilan data, penentuan titik tengah area yang akan menjadi sampel, pengambilan sampel, penentuan ukuran window subcitra
Lebih terperinciBAB II TINJAUAN PUSTAKA
5 BAB II TINJAUAN PUSTAKA 2.1. Klasifikasi Klasifikasi adalah tugas pembelaaran yang memetakan setiap himpunan atribut x ke salah satu label kelas y yang telah didefinisikan sebelumnya. Klasifikasi dapat
Lebih terperinciPENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING )
FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 1 Konsep Dasar Pengolahan Citra Pengertian Citra Citra atau Image merupakan istilah lain dari gambar, yang merupakan
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 terperinciBAB 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era yang semakin maju ini, teknologi telah memegang peranan penting dalam kehidupan manusia sehari-hari, sehingga kemajuannya sangat dinantikan dan dinikmati para
Lebih terperinciPENGENALAN IRIS MATA DENGAN ALGORITME VOTING FEATURE INTERVAL VERSI 5 MENGGUNAKAN EKSTRAKSI CIRI LOG-GABOR WAVELET MUHAMMAD ZAKI
PENGENALAN IRIS MATA DENGAN ALGORITME VOTING FEATURE INTERVAL VERSI 5 MENGGUNAKAN EKSTRAKSI CIRI LOG-GABOR WAVELET MUHAMMAD ZAKI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Genre musik adalah pengelompokan musik sesuai dengan kemiripan satu dengan yang lain, seperti kemiripan dalam hal frekuensi musik, struktur ritmik, dan konten harmoni. Genre
Lebih terperinciDeteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation
Deteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation Tri Deviasari Wulan 1, Endah Purwanti 2, Moh Yasin 3 1,2 Program Studi Fisika Fakultas Sains dan Teknologi
Lebih terperinci1. BAB I PENDAHULUAN Latar Belakang
1 1. BAB I PENDAHULUAN Latar Belakang Iris mata merupakan salah satu organ internal yang dapat di lihat dari luar. Selaput ini berbentuk cincin yang mengelilingi pupil dan memberikan pola warna pada mata
Lebih terperinciBAB II LANDASAN TEORI. Citra digital sebenarnya bukanlah sebuah data digital yang normal,
BAB II LANDASAN TEORI II.1 Citra Digital Citra digital sebenarnya bukanlah sebuah data digital yang normal, melainkan sebuah representasi dari citra asal yang bersifat analog [3]. Citra digital ditampilkan
Lebih terperinciAkurasi. Perangkat Lunak: Sistem operasi: Windows Vista Home Premium Aplikasi pemrograman: Matlab 7.0
Tabel 1 Dimensi citra di tiap level Level transformasi Dimensi citra 1 46 56 2 23 28 3 12 14 4 6 7 5 3 4 6 2 2 Pada Gambar 5 disajikan visualisasi transformasi wavelet hingga level 3. Deskripsi citra dekomposisi
Lebih terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan membahas landasan teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teknik-teknik yang dibahas mengenai pengenalan pola, prapengolahan citra,
Lebih terperinciDIAGNOSIS GANGGUAN SISTEM URINARI PADA ANJING DAN KUCING MENGGUNAKAN VFI 5. Abstrak
DIAOSIS AUA SISTEM URIARI PADA AJI DA KUCI MEUAKA VFI 5 Dhany ugraha Ramdhany 1, Aziz Kustiyo 2, Ekowati Handharyani 3, dan Agus Buono 4 1, 2, 4 Departemen Ilmu Komputer, FMIPA, IPB, Kampus IPB Darmaga
Lebih terperinciAnalisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital
Analisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital Nurul Fuad 1, Yuliana Melita 2 Magister Teknologi Informasi Institut Saint Terapan & Teknologi
Lebih terperinciIdentifikasi Pembicara Menggunakan Algoritme VFI5 dengan MFCC sebagai Pengekstraksi Ciri
Identifikasi Pembicara Menggunakan Algoritme VFI5 dengan MFCC sebagai Pengekstraksi Ciri Vicky Zilvan, S.Kom. UPT LPSN - LIPI v_q1e@yahoo.com Furqon Hensan Muttaqien, S.Komp. P2 Informatika - LIPI fh.muttaqien@informatika.lipi.go.id
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
Lebih terperinciPencocokan Citra Digital
BAB II DASAR TEORI II.1 Pencocokan Citra Digital Teknologi fotogrametri terus mengalami perkembangan dari sistem fotogrametri analog hingga sistem fotogrametri dijital yang lebih praktis, murah dan otomatis.
Lebih terperinciBAB II DASAR TEORI. luar dan daging iga sangat umum digunakan di Eropa dan di Amerika Serikat
6 BAB II DASAR TEORI 2.1. Daging Sapi dan Daging Babi 2.1.1.Daging Sapi Daging sapi adalah daging yang diperoleh dari sapi yang biasa dan umum digunakan untuk keperluan konsumsi makanan. Di setiap daerah,
Lebih terperinciIdentifikasi Otentifikasi Citra Tanda Tangan Menggunakan Wavelet dan Backpropagation
Identifikasi Otentifikasi Citra Tanda Tangan Menggunakan Wavelet dan Backpropagation Resa Abdilah 1, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani
Lebih terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Citra (image) atau yang secara umum disebut gambar merupakan representasi spasial dari suatu objek yang sebenarnya dalam bidang dua dimensi yang biasanya ditulis dalam
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Citra Citra merupakan salah satu komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Meskipun sebuah citra kaya akan informasi, namun sering
Lebih terperinciBAB 2 LANDASAN TEORI. mencakup teori speaker recognition dan program Matlab. dari masalah pattern recognition, yang pada umumnya berguna untuk
6 BAB 2 LANDASAN TEORI 2.1 Teori-teori Dasar / Umum Landasan teori dasar / umum yang digunakan dalam penelitian ini mencakup teori speaker recognition dan program Matlab. 2.1.1 Speaker Recognition Pada
Lebih terperinciSELEKSI FITUR MENGGUNAKAN FAST CORRELATION BASED FILTER PADA ALGORITMA VOTING FEATURE INTERVALS 5 ABSTRAK
1 SELEKSI FITUR MENGGUNAKAN FAST CORRELATION BASED FILTER PADA ALGORITMA VOTING FEATURE INTERVALS 5 Hida Nur Firqiani, Aziz Kustiyo, Endang Purnama Giri 1 Departemen Ilmu Komputer, Fakultas Matematika
Lebih terperinciBAB 1 PENDAHULUAN. individu lain. Karakteristik ini perlu diidentifikasikan agar dapat digunakan untuk
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Manusia adalah makhluk yang unik dan berbeda satu satu sama lain. Ia memiliki berbagai karakteristik yang dapat digunakan untuk membedakan dirinya dengan individu
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciDIAGNOSIS PENYAKIT DEMAM BERDARAH DENGUE MENGGUNAKAN VOTING FEATURE INTERVALS 5 ARISTI IMKA APNIASARI G
DIAGNOSIS PENYAKIT DEMAM BERDARAH DENGUE MENGGUNAKAN VOTING FEATURE INTERVALS 5 ARISTI IMKA APNIASARI G64103027 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciPENGELOMPOKAN CITRA TANDA TANGAN MENGGUNAKAN METODE SOM KOHONEN DUA DIMENSI DAN PRAPROSES WAVELET SARIBATIARA
PENGELOMPOKAN CITRA TANDA TANGAN MENGGUNAKAN METODE SOM KOHONEN DUA DIMENSI DAN PRAPROSES WAVELET SARIBATIARA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciBulu mata. Generalisasi= Jumlah pola dikenali dengan benar x 100% Jumlah total pola
Generalisasi Hasil penelitian ini diukur menggunakan nilai konvergen dan generalisasi. Nilai konvergen adalah tingkat kecepatan jaringan untuk mempelajari pola input yang dinyatakan dalam satuan iterasi
Lebih terperinciBAB 2 LANDASAN TEORI
5 BAB 2 LANDASAN TEORI 2.1 Digital Image 2.1.1 Definisi Digital Image Menurut Gonzalez dan Woods (1992, p6), digital image adalah image f(x,y) yang telah dibedakan berdasarkan koordinat tata letak dan
Lebih terperinciPengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature
Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Dosen Pembimbing : 1) Prof.Dr.Ir. Mauridhi Hery Purnomo M.Eng. 2) Dr. I Ketut Eddy Purnama ST., MT. Oleh : ATIK MARDIYANI (2207100529)
Lebih terperinciBAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian
BAB III METODE PENELITIAN 3.1 Model Penelitian Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1. Suara Burung Burung Kacer Burung Kenari Pengambil an
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 terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciBAB I PENDAHULUAN. mengenali dan membedakan ciri khas yang dimiliki suatu objek (Hidayatno,
1 BAB I PENDAHULUAN A. Latar belakang Saat ini pemanfaatan teknologi pengolaan citra untuk mempermudah manusia dalam menyelesaikan masalah-masalah tertentu sudah banyak diterapkan, khususnya dibidang Identifikasi.
Lebih terperinciDETEKSI KEBAKARAN BERBASIS WEBCAM SECARA REALTIME DENGAN PENGOLAHAN CITRA DIGITAL
DETEKSI KEBAKARAN BERBASIS WEBCAM SECARA REALTIME DENGAN PENGOLAHAN CITRA DIGITAL Ari Sutrisna Permana 1, Koredianto Usman 2, M. Ary Murti 3 Jurusan Teknik Elektro - Institut Teknologi Telkom - Bandung
Lebih terperinciBAB I PENDAHULUAN I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Proses pencocokan citra dilakukan dengan mengidentifikasi dan mengukur pasangan titiktitik sekawan antara citra satu dengan citra lainnya untuk objek yang sama pada
Lebih terperinciIMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH
IMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH Fitri Afriani Lubis 1, Hery Sunandar 2, Guidio Leonarde Ginting 3, Lince Tomoria Sianturi 4 1 Mahasiswa Teknik Informatika, STMIK Budi Darma
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 terperinciANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA
ISSN: 1693-6930 159 ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA Iwan Suhardi, Riana T. Mangesa Jurusan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM. suatu negara yang memiliki tingkat kriminalitas cukup tinggi. Hal inilah yang
38 BAB 3 ANALISIS DAN PERANCANGAN SISTEM Kriminalitas adalah suatu hal yang sering terjadi di dunia ini. Indonesia termasuk suatu negara yang memiliki tingkat kriminalitas cukup tinggi. Hal inilah yang
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinci