PENELUSURAN CITRA ASET BERBASIS KEMIRIPAN CITRA MENGGUNAKAN FITUR BENTUK, WARNA DAN TEKSTUR SERTA KLUSTERING K-MEANS
|
|
- Herman Yuwono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENELUSURAN CITRA ASET BERBASIS KEMIRIPAN CITRA MENGGUNAKAN FITUR BENTUK, WARNA DAN TEKSTUR SERTA KLUSTERING K-MEANS Jumi¹, Achmad Zaenuddin² ¹,2 Jurusan Administrasi Niaga, Politeknik Negeri Semarang Abstract Similarity an image is one of the key fields to retrieving back (image retrieval) an image of the assets. The similarity a query image with the image of database is one of the key fields to search process back (image retrieval) based on image of the assets. The similarity a query image with the image database can be done by performing analysis based on image features are features of shapes, colors and textures. This research has been carried out analysis of image search based similarity on features of shapes, colors and textures by using invariant moment, moment color and texture as well as statistical euclidean distance as distance measuring similarity. The results of test showed that the combination of these three features are features of shape, color and texture as well as grouping data with K-Means Clustering has resulted similarity accuracy rate reached more than 90 %%. That in previous studies analyzing the accuracy of similarity based on shape features have an accuracy level of 70%. It shows that the combination of these three features and a K-Means Clustering has improved the accuracy of image search on the database assets.keywords: Similarity, Image, retrieval, invariant, moment. Key Words : Similarity, Image, retrieval, invariant, moment. Abstrak Kemiripan (similarity) sebuah citra merupakan salah satu key field untuk melakukan proses pencarian kembali (image retrieval) sebuah citra dalam hal ini citra aset. Kemiripan sebuah citra query dengan citra database dapat dilakukan dengan melakukan analisa berdasarkan fitur citra yaitu fitur bentuk, warna dan tekstur. Pada penelitian ini telah dilakukan analisa pencarian kemiripan citra berdasarkan fitur bentuk, warna dan tekstur dengan menggunakan metode Invariant moment, color moment dan statistical texture serta euclidean distance sebagai pengukur jarak kemiripannya. Hasil pengujian menunjukkan bahwa kombinasi dari ketiga fitur yaitu fitur bentuk, warna dan tekstur serta pengelompokan data dengan K- Means Clustering telah menghasilkan tingkat akurasi kemiripan mencapai lebih dari 90%%. Bahwa pada penelitian sebelumnya tingkat akurasi analisa kemiripan berdasarkan fitur bentuk mempunyai tingkat akurasi sebesar 70%. Hal tersebut menunjukkan bahwa kombinasi ketiga fitur dan K-Means Clustering telah meningkatkan akurasi penelusuran pada database citra aset. Kata kunci : Similarity, Image, retrieval, invariant, moment. PENDAHULUAN Teknologi informasi yang selalu berkembang memungkinkan penelusuran informasi menggunakan fitur citra yang berukuran besar sebagai key field.hal ini karena tersedianya software dan hardware yang mendukung pengolahan data citra yang berukuran besar yaitu kemampuan komputer dalam menyimpan dan mengolah data berukuran besar. Pengolahan citra sebagai kunci penelusuran menghasilkan tingkat PROSIDING SENTRINOV Vol. 001, Tahun 2015 ISSN:
2 akurasi penelusuran yang beragam karena dipengaruhi oleh berbagai variabel diantaranya adalah ketelitian dan ketepatan dalam proses perhitungan nilai fitur. Citra sebuah obyek secara umum mempunyai mempunyai tiga fitur dominan yaitu fitur bentuk, warna dan tekstur. Seperti contohnya pada citra obyek aset memiliki fitur bentuk yang lebih dominan untuk membedakan kemiripan antara citra aset yang satu dengan citra aset yang lainnya.sedangkan fitur warna dan tekstur citra aset adalah sebagai fitur penunjang untuk pengukuran kemiripan citra (Vadivel, A. dkk., 2004). Pengukuran kemiripan citra dapat dikelompokkan dengan tiga kelompok utama yaitu pertama kemiripan bentuk, kedua kemiripan warna dan yang ketiga kemiripan tekstur (Gonzales, R.C. and Woods, R.E., 2008). Kemiripan digunakan sebagai kunci pengurutan pada penelusuran data berbasis citra. Semakin mendekati nilai nol maka semakin tinggi tingkat kemiripannya (Gonzales, R.C. and Woods, R.E., 2008). Penelusuran dilakukan dengan membandingkan kemiripan fitur antara fitur citra query dengan fitur citra pada database (Castleman, K.R, 1996). Penelitian sebelumnya tentang penelusuran kemiripan citra berdasarkan ekstraksi ciri bentuk, warna dan tekstur telah dilakukan tanpa memperhatikan bobot fitur dan clustering dengan hasil akurasi kemiripan mencapai lebih dari 85% (Jumi and Harjoko, 2012). Beberapa penelitian sejenis yang berkaitan dengan penelusuran informasi citra berbasis CBIR (Content Based Image Retrieval) menggunakan metode pembobotan fitur citra diantaranya adalah penelusuran citra menggunakan kombinasi fitur warna dan vektor fitur tekstur tertimbang (Vadivel, A. dkk., 2004). Penelusuran dengan pembobotan fitur tekstur menggunakan DCT (Discrette Cosine Transform)juga telah dilakukan untuk penelusuran citra berbasis CBIR (Dong, L. And Edmund, Y.L., 2006). Nilai fitur akan menjadi koefisien bobot citra yang akan dipakai sebagai dasar penelusuran.pengindeksan citra berbasis nilai fitur warna tertimbang coocurence matrix, menghasilkan nilai akurasi penelusuran yang relatif tinggi (Joshua Z., H., dkk, 2005). Pada penelitian ini dilakukan pembobotan nilai fitur warna dan pengindeksan berdasarkan kesamaan elemen diagonal dan non diagonal. Klustering atau pengelompokan pada database citra berpengaruh terhadap waktu retrieval karena banyaknya jumlah dan jenis citra.k-means merupakan salah satu teknik clustering yang sudah teruji ketelitiannya dalam melakukan pengelompokan data.beberapa penelitian yang menggunakan k-means clustering diantaranya adalah PROSIDING SENTRINOV Vol. 001, Tahun 2015 ISSN:
3 pengelompokan data berdasarkan formula bobot variabel (Taoying, L., and Yan, C., 2008). Penggunaan k-means juga dilakukan dengan mengkombinasikan bobot entropy.pada penelitian ini clustering dilakukan dengan memperhitungkan nilai entropinya (Xiang, Y., H., dkk, 2003). METODE YANG DIUSULKAN Pada beberapa penelitian yang sudah dilakukan diatas belum ada yang menggunakan penggabungan metode klusteringdan kombinasi fitur berdasarkan fitur bentuk, warna dan tekstur untuk proses penelusuran citra berbasis CBIR. Pada penelitian ini telah dilakukan retrieval imagedengan metode klustering dan kombinasi ketiga fitur dengan tahapan penelitian yang ditunjukkan oleh Gambar 1. Input Images Aquisition Image Query Pre processing(grayscale, resize, edge Enhancement, Histogram Equalization) Pre Processing(Grayscale, resize, edge Enhancement, Histogram Equalization) Ekstraksi Fitur bentuk, tekstur dan warna Ekstraksi Fitur bentuk, tekstur dan warna Normalisasi nilai fitur bentuk, tekstur dan warna Normalisasi nilai fitur bentuk, tekstur dan warna Clustering ( K-means)& Sorting database image representation RETRIEVAL IMAGE ( MATCHING SIMILARITY ) 1. Informasi Citra Aset yang dicari, 2. Feature value 3. Time Computation of Retrieval, 4. Prosentase akurasi retrieval Gambar 1. Gambaran Umum Penelusuran Citra Berdasarkan Gambar 1, maka rincian tahapan penelusuran pada penelitian ini adalah sebagai berikut : 1. Preprocessing Preprocessing merupakan tahapan perbaikan kualitas citra sebelum ekstraksi fitur dengan tujuan meningkatkan akurasi hasil ekstraksi fitur citra.terdapat perbedaan preprocessing pada ekstraksi fitur bentuk dengan ekstraksi fitur warna dan PROSIDING SENTRINOV Vol. 001, Tahun 2015 ISSN:
4 tekstur.perbedaan preprocessing tersebut untuk mendapatkan citra yang berkualitas sebelum ekstraksi fitur. 1.1 Preprocessing Fitur Bentuk a. Resizing Ukuran citra akan mempengaruhi lamanya waktu ekstraksi fitur, semakin kecil ukurannya, maka semakin cepat komputasi ekstraksi fiturnya. Pada tahapan ini dilakukan resize citra menjadi 300 x 300 pixel. b. Grayscale Khusus pada penghitungan fitur bentuk unsur warna tidak diperhitungkan, sehingga dilakukan perubahan citra menjadi grayscale agar proses komputasinya menjadi lebih cepat. c. Edge Enhancement dan Histogram Equalization (HE) Tahapan edge enhancementakan menghasilkan citra baru dengan tepi obyek yang lebih jelas atau tajam, sehingga bentuk citra akan lebih jelas. Tahapan ini menggunakan metode konvolusi dengan operator Sobel (Gonzales, R.C. and Woods, R.E., 2008). Hasil penajaman tepi dapat dilihat pada Gambar 2. (a) (b) ( d ) (c) Gambar 2. Tahapan Preprocessing Fitur Bentuk, (a) Citra Original, (b) Citra Grayscale, (c) Resize, (d) Citra Hasil Edge Enhancement 1.2 Preprocessing Fitur Warna dan Fitur Tekstur a. Resize PROSIDING SENTRINOV Vol. 001, Tahun 2015 ISSN:
5 Semakin besar ukuran citra, maka waktu ekstraksinya juga semakin lama, sehingga diperlukan tahapan resize untuk mempercepat proses komputasinya. Pada tahapan ini dilakukan resize citra menjadi 300 x 300 pixel. b. Grayscale Preprocessing grayscale dilakukan untuk ektraksi fitur tekstur agar tekstur lebih terlihat, sedangkan pada ekstraksi fitur warna tidak dilakukan grayscalekarena nilai warna yang akandiperhitungkan. c. Histogram Equalization Pada tahapan ini dilakukan perataan histogram agar kualitas gambar menjadi lebih kontras untuk mendapatkan nilai fitur warna dan tekstur yang berkualitas.hasil perataan histogram dapat dilihat pada Gambar 3 dan Gambar 4. (a) Gambar 3.Perbandingan citra sebelum dan sesudah proses histogram, (a) Citra Asli, (b) Citra Hasil Histogram Equalization (HE) (b) (a) Gambar 4. Perbandingan histogram,(a) Histogram Citra Asli, (b) Histogram citra Hasil HE (b) 2. Ekstraksi Fitur Bentuk, Warna dan Tekstur Ekstraksi dilakukan pada ketiga fitur dengan tahapansebagai berikut: 2.1 Ekstraksi Fitur Bentuk. Ekstraksi fitur bentuk dilakukan dengan menggunakan metode invariant moment. Metode ini digunakan karena tidak rentan terhadap perubahan citra yang disebabkan oleh Rotation, Scale dan Translation (RST) (Acharya, T. and Ray, A., K., 2005). PROSIDING SENTRINOV Vol. 001, Tahun 2015 ISSN:
6 Invariant Momentakan menghasilkan tujuh nilai invariant moment yang konstan terhadap RST (Castleman, K.R, 1996). Adapun region digambarkan dengan tujuh invariant momentyang dapat dicari dari momen sentral: μ00, μ10, μ01, μ20, μ11, μ02, μ30, μ12, μ21, μ03, dan dengan mendefisinikan normalized central momentsyaitu ηpq = μpq / μγ00, dimana γ = 0.5 ( p + q) + 1 untuk p + q = 2, 3, dan seterusnya,yang akhirnya didapat tujuh invariant moments., ketujuh invariant moments tersebut ditunjukkan pada persamaan (1) sampai dengan persamaan (7) M 1 η 20 η 02 (1) M 2 η 20 η η 2 11 (2) M 3 η 30 η η 21 η 03 2 (3) M 4 η 30 η 12 2 η 21 η 03 2 (4) M 5 η 30 3η 12 η 30 η 12 η 30 η η 21 η η 21 (5) η 03 η 21 η 03 3 η 30 η 12 2 η 21 η 03 2 M 6 η 20 η 02 η 30 η 12 2 η 21 η η 11 η 30 η 12 η 21 η 03 (6) M 7 3η 21 η 30 η 30 η 12 η 30 η η 21 η η 12 η 30 η 21 (7) η 03 3 η 30 η 12 2 η 21 η 03 2 Nilai dari ketujuh invariantmoments ini tidak berubah terhadap rotasi, translasi dan skala(xiang, Y., H., dkk, 2003). 2.2 Ekstraksi Fitur Warna Preprocessing dengan histogram equalization pada Gambar 3 menghasilkan citra yang lebih kontras. Citra tersebut merupakan citra input pada ekstraksi fitur warna. Metode ekstraksi yang digunakan adalah color moment.metode ini mampu membedakan citra berdasarkan fitur warnanya (Susilo, A., 2006). Color Moment merupakan metode yang cukup baik dalam pengenalan ciri warna.metode ini menggunakan tiga momen utama dari distribusi warna citra, yaitu mean, standard deviation, dan skewness (Acharya, T. and Ray, A., K., 2005). Setiap komponen warna yaitu HSV (Hue, Saturation dan Value) memiliki 3 moment. 2.3 Ekstraksi Fitur Tekstur Tekstur merupakan keteraturan pola-pola tertentu yang terbentuk dari susunan piksel-piksel pada suatu citra.nilai tekstur dapat digunakan sebagai salah satu variabel untuk pengukuran kemiripan citra. PROSIDING SENTRINOV Vol. 001, Tahun 2015 ISSN:
7 Statistical Texture merupakan salah satu metode untukmendeskripsikan tekstur menggunakan pendekatan secara statistikdarihistogram intensitas suatu citra atau region. Statistikal dapat memberikan pengukuran citra seperti kehalusan (smoothness), kekasaran (coarseness) dan keteraturan (regularity) yang merupakan variabel fitur tekstur. Nilai fitur tekstur pada penelitian ini diukur menggunakan lima fitur yaitu : smoothness, standard deviasi, skewness, uniformity dan entropy. 2.4 Normalisasi Fitur Normalisasi penting dilakukan untuk mengelompokkan range atau interval dari nilai-nilai fitur yang berbeda dalam skala yang sama dengan range lebih kecil. Normalisasi dilakukan untuk memberikan bobot yang sama terhadap nilai-nilai fitur yang berbeda dari hasil ekstraksi.normalisasi pada penelitian ini menggunakan persamaan (8). (8) dengan adalah nilai fitur ke-i yang sudah ternormalisasi, adalah nilai fitur kei sebelum dinormalisasi, min D merupakan nilai minimum dari masing-masing fitur dan max D adalah nilai maksimal masing-masing fitur. 2.5 K-Means Clustering Penggunaan clustering pada penelitian ini betujuan untuk mempercepat proses retrieval. K-Means merupakan teknik clustering dengan menggunakan centroid (titik pusat cluster) untuk merepresentasikan sebuah cluster (Adi, 2007). Selain itu K-Means mampu mengelompokkan data berukuran besar dengan cepat (Arai, K. And Barakbah, A., R., 2007). Algoritma K-Means digunakan untuk menentukan posisi cluster pada setiap citra dengan cara menghitung terlebih dahulu jarak citra dengan semua centroid menggunakan metode euclidean distance. Pemetaan cluster dilakukan dengan memilih jarak terdekat dari semua centroid yang ada. Penghitungan jarak menggunakan persamaan (9). PROSIDING SENTRINOV Vol. 001, Tahun 2015 ISSN:
8 (9) Dimana D H,I adalah jarak citra H dengan centroidi, adalah Nilai fitur ke-n dari citrah, adalah nilai fitur ke-n dari centroidi dan n adalah banyaknya dimensi 2.5 Pengukuran Kemiripan Pengukuran kemiripan citra query dengan citra database menggunakan konsep euclidean distance dan dilakukan hanya pada satu kluster saja. Pengukuran kemiripan menggunakan persamaan (10) dengan menggunakan sebelas dimensi atau fitur yaitu tiga fitur bentuk meliputi nilai moment invariant ke 3, 5 dan 7, kemudian 3 fitur warna dengan menggunakan nilai Hue dan 5 fitur tekstur yaitu smoothness, standard deviasi, skewness, uniformity dan entropy. (10) Dimana dan adalah fitur dari citra query dan citra database pada dimensi ke-n. Hasil penghitungan kemiripan diurutkan sehingga nilai kemiripan yang mendekati nol mempunyai tingkat kemiripan yang paling tinggi. 2.6 Akurasi Retrieval Pengukuran akurasi retrieval pada citra sebelum dan sesudah pembobotan maupun clustering dilakukan dengan menggunakan persamaan (11). (11) AR (Actual Relevant) : jumlah data yang dianggap relevan oleh user. AS (Actual Search) : jumlah data yang di retrieve oleh sistem. HASIL DAN PEMBAHASAN Pengujian pada penelitian ini mengunakan 5 jenis citra aset dengan jumlah citra sebanyak 400 berukuran 300 x 300 pixel. PROSIDING SENTRINOV Vol. 001, Tahun 2015 ISSN:
9 Contoh hasil pengujian retrieval dilakukan dengan variasi jumlah kluster variasi 9 ditunjukkan pada Gambar 5. Gambar 5.Retrieval Menggunakan Bobot Bentuk, Warna dan Tekstur Pada Gambar 5. ditampilkan hasil retrieval dengan rangking kemiripan 1 sampai 10 dari database citra aset dengan pengujian menggunakan variasi jumlah kluster sebanyak 9. Tahap berikutnya adalahpenghitungan akurasi retrieval pada database citra aset. Dan selanjutnya dilakukan analisis akurasi retrieval pada database citra aset sebelum dan sesudah clustering dengan jumlah kluster yang bervariasi mulai dari 3 sampai dengan 15 kluster.. Sebelum Clustering Analisis akurasi retrieval pada tahapan ini menggunakan database citra aset sebelum klustering dengan variasi pembobotan pada fitur bentuk, warna dan tekstur. Nilai akurasi hasil retrieval dengan bobot fitur sama dan bobot fitur bervariasi dapat dilihat pada Tabel 1. Nama Citrs Akurasi Retrieval Tabel 1. Prosentase Akurasi Retrieval pada Citra Uji I1 I2 I3 I4 I5 I6 I7 I8 I9 I10 75,55% 74,67% 75,05% 74,69% 75,65% 75% 75,76% 74,89% 74,87% 75,35% Tabel 1 menunjukkan bahwa akurasi retrieval menggunakan kombinasi ketiga nilai fitur dan tanpa klustering pada data uji. Grafik akurasi retrieval dengan bobot fitur sama dan bobot fitur bervariasi pada database citra sebelum clustering ditunjukkan oleh Gambar 6. PROSIDING SENTRINOV Vol. 001, Tahun 2015 ISSN:
10 Gambar 6. Grafik AkurasiRetrieval dengan Bobot Fitur Sama dan BervariasiSebelum Clusteringpada Database Citra Aset Dari gambar 6., ditunjukkan bahwa Akurasi retrieval pada citra I7 memiliki prosentase yang paling tinggi yaitu 75.76%, sedangkan rata-rata akurasi retrieval sebeum klustering adalah 75%. Sesudah Clustering Pengelompokan berdasarkan kemiripan akan lebih mempersempit ruang penelusuran informasi data citra sehingga akan mempersingkat waktu retrieval dan meningkatkan akurasi retrieval. Tingkat akurasi retrievaldengan variasi bobot dan jumlah cluster dapat dilihat pada Tabel 2. Tabel 2 Prosentase Akurasi Retrieval dengan Variasi Bobot Fitur dan Variasi Jumlah Kluster Jumlah Kluster Prosentase retrieval ,59% 75% 76,45% 76,15% 77,75% 77,50% 77,45% 79,65% 79,15% 77,25% Dari Tabel 2 menunjukkan bahwa variasi jumlah kluster 10 menghasilkan akurasi retrieval paling tinggi yaitu lebih dari 79,65%, Sedangkan rata-rata akurasi retrieval dengan variasi jumlah kluster adalah 77,19%. Grafik akurasi retrieval pada database citra aset menggunakan variasi jumlah cluster mulai dari 3 sampai dengan 12 dapat dilihat pada Gambar 7. PROSIDING SENTRINOV Vol. 001, Tahun 2015 ISSN:
11 Gambar 7. Grafik Akurasi Retrieval dengan Variasi Bobot Fitur dan Variasi Jumlah Kluster Pada Gambar 7. menunjukkan bahwa akurasi retrieval cenderung naik hingga variasi jumlah cluster 10 dan cenderung menurun setelah jumlah kluster lebih besar dari 10. Waktu Komputasi Waktu komputasi yang digunakan untuk me-retrieve sebuah citra pada database citra aset dipengaruhi oleh besarnya ukuran database citra dan teknik pengelolaan databasenya.waktu komputasi rata-rata untuk penelusuran pada database citra sebelum klustering adalah dengan variasi jumlah kluster dapat dilihat pada grafik Gambar 8. Gambar 8. Waktu komputasi rata-rata Retrieval Pada Gambar 8. Menunjukkan bahwa semakin banyak jumlah kluster maka waktu komputasi semakin cepat. SIMPULAN Pada dasarnya tingkat akurasi pada proses penelusuran (retrieval) citra aset dipengaruhi oleh beberapa variabel. Variabel variabel tersebut meliputi akuisisi citra, metode ekstraksi fitur dan teknik penelusuran pada database. PROSIDING SENTRINOV Vol. 001, Tahun 2015 ISSN:
12 Pada penelitian ini membuktikan bahwa variasi jumlah cluster akan berpengaruh terhadap peningkatan akurasi dan kecepatan retrieval pada database citra aset. Tingkat akurasi retrieval paling tinggi adalah pada viarisi jumlah kluster 10.Hasil Penelitian menunjukkan bahwa waktu komputasi rata-rata yang dibutuhkan untuk retrieval adalah 5 mili-second. DAFTAR PUSTAKA A Vadivel, Majumdar, A.K. and Shamik S., 2004,Characteristics Of Weighted Feature Vector In Content-Based Image Retrieval Applications, IEEE. Gonzales, R. C., Woods, R. E., 2008, Digital Image Processing, ThirdEdition, Pearson Prentice Hall, New Jersey. Castleman, K. R., 1996, Digital Image Processing, Prentice Hall Inc., New Jersey. Jumi and Harjoko, A., 2012, Image Similarity Analysis Based on Shape, Color and Texture Feature of Asset Image, International Conference on Computer Science Electronics and Instrumentation, Yogyakarta, Indonesia Dong L. And Edmund Y. L., 2006,Image Indexing Using Weighted Color cooccurrence Matrix and Feature Selection, IEEE. Joshua Z. H., Michael K. N., Hongqiang R., and Zichen L., 2005, Automated Variable Weighting in k-means Type Clustering,IEEE, Transactionon Pattern Analysisand Machine Intelligence,Vol. 27, No. 5. Taoying, L. And Yan, C., 2008,A Weight Entropy K-Means Algorithm for Clustering Dataset with Mixed Numeric and Categorical Data,Fifth International Conference on Fuzzy Systems and Knowledge Discovery, , IEEE Xiang Y. H, Yu-Jin B., and Dong H., 2003,Image Retrieval Based on WeigthedTexture Features using DCT Coefficients of JPEG Images, International Conference Information and Computer Security (ICICS), Singapore. Acharya T. and Ray, A. K, 2005, Image Processing Principle and Applications, John Willey & Sons, USA Susilo, A., 2006, Web Image Retrieval untuk Identifikasi bunga dengan Pengelompokan Content Warna, Proceeding IES, Surabaya Adi, 2007, Comparison of Agglomerative Heirarchical Clustering Methods for Text Data, International Journal of Information Technology and Decision Making, ISSN: Arai, K. and Barakbah, A.R.,2007, Hierarchical K-Means an Algorithm for Centroid Initialization for K-Means, Faculty science & Engineering Saga Japan, ISBN : PROSIDING SENTRINOV Vol. 001, Tahun 2015 ISSN:
ANALYSIS PERFORMANCE FITUR BENTUK, WARNA DAN TEKSTUR CITRA PADA PENELUSURAN INFORMASI ASET BERBASIS CBIR
ANALYSIS PERFORMANCE FITUR BENTUK, WARNA DAN TEKSTUR CITRA PADA PENELUSURAN INFORMASI ASET BERBASIS CBIR Jumi¹ ), Achmad Zaenuddin 1) 1 Jurusan Administrasi Bisnis, Politeknik Negeri Semarang jumimail06@gmail.com
Lebih terperinciAPLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK
APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK Arwin Halim 1, Hardy 2, Alvin Yufandi 3, Fiana 4 Program Studi Teknik Informatika, STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan
Lebih terperinciAnalisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra
Analisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra Meirista Wulandari Jurusan Teknik Elektro, Universitas Tarumanagara, Jakarta, Indonesia meiristaw@ft.untar.ac.id Diterima 10 Desember 016
Lebih terperinciPENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA
PENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA Dina Indarti Pusat Studi Komputasi Matematika, Universitas Gunadarma Jl. Margonda Raya no. 100, Depok 16424, Jawa Barat
Lebih terperinciPENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM)
PENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM) Rima Tri Wahyuningrum *) Program Studi Teknik Informatika,
Lebih terperinciIMAGE COLOR FEATURE. Achmad Basuki Politeknik Elektronika Negeri Surabaya
IMAGE COLOR FEATURE Achmad Basuki Politeknik Elektronika Negeri Surabaya Materi: 1. Image Color Feature 2. Application Using Image Color Feature 3. RGB-Cube 4. Histogram RGB Gabungan Layer Color Indeks
Lebih terperinciLEMBAR PENGESAHAN TUGAS AKHIR...
DAFTAR ISI HALAMAN SAMPUL... i HALAMAN JUDUL... ii PERNYATAAN... iii LEMBAR PENGESAHAN TUGAS AKHIR... iv BERITA ACARA TUGAS AKHIR... v KATA PENGANTAR... vi ABSTRAK... vii ABSTRACT... viii DAFTAR ISI...
Lebih terperinciLEMBAR PENGESAHAN TUGAS AKHIR...
DAFTAR ISI HALAMAN SAMPUL... i HALAMAN JUDUL... ii PERNYATAAN... iii LEMBAR PENGESAHAN TUGAS AKHIR... iv BERITA ACARA TUGAS AKHIR... v KATA PENGANTAR... vi ABSTRAK... viii ABSTRACT... ix DAFTAR ISI...
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 terperinciBab III ANALISIS&PERANCANGAN
3.1 Analisis Masalah Bab III ANALISIS&PERANCANGAN Pada penelitian sebelumnya yaitu ANALISIS CBIR TERHADAP TEKSTUR CITRA BATIK BERDASARKAN KEMIRIPAN CIRI BENTUK DAN TEKSTUR (A.Harris Rangkuti, Harjoko Agus;
Lebih terperinciIMPLEMENTASI TEMU KEMBALI CITRA BERBASIS ISI DENGAN FITUR TITIK-TITIK SIGNIFIKAN
IMPLEMENTASI TEMU KEMBALI CITRA BERBASIS ISI DENGAN FITUR TITIK-TITIK SIGNIFIKAN Rifky Alif Tama 1, Nanik Suciati 2, Arya Yudhi Wijaya 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS email : rifkyalif@gmail.com
Lebih terperinciDIAGNOSA PENYAKIT PARU EFUSI PLEURA DENGAN PENDEKATAN POSSIBILISTIC FUZZY LEARNING VECTOR QUANTIZATION SKRIPSI
DIAGNOSA PENYAKIT PARU EFUSI PLEURA DENGAN PENDEKATAN POSSIBILISTIC FUZZY LEARNING VECTOR QUANTIZATION SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Jurusan Informatika Disusun
Lebih terperinciImplementasi Content Based Image Retrieval Untuk Menganalisa Kemiripan Bakteri Yoghurt Menggunakan Metode Latent Semantic Indexing
Implementasi Content Based Image Retrieval Untuk Menganalisa Kemiripan Bakteri Yoghurt Menggunakan Metode Latent Semantic Indexing Meivi Kartikasari, Chaulina Alfianti Oktavia Sekolah Tinggi Informatika
Lebih terperinciANALISIS FITUR TEKSTUR DAUN MANGGA DENGAN FISHER S DISCRIMINANT RATIO UNTUK PENCAPAIAN FITUR YANG INFORMATIF
ANALISIS FITUR TEKSTUR DAUN MANGGA DENGAN FISHER S DISCRIMINANT RATIO UNTUK PENCAPAIAN FITUR YANG INFORMATIF Eko Prasetyo Program Studi teknik Informatika Fakultas Teknik, Univ. Bhayangkara Surabaya email:
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 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Pada bab pendahuluan ini akan diuraikan penjelasan mengenai latar belakang penelitian, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN
4 BAB HASIL DAN PEMBAHASAN Ada tiga tahap utama yang dilakukan pada percobaan ini yaitu ektraksi ciri, pelatihan dan pengujian JST. Percobaan dilakukan dengan mengkombinasikan data hasil ekstraksi ciri
Lebih terperinciSistem perolehan citra berbasis isi Berdasarkan tekstur menggunakan metode Gray level co-occurrence matrix dan Euclidean distance
Vol 1, No 3 Desember 2010 ISSN 2088-2130 Sistem perolehan citra berbasis isi Berdasarkan tekstur menggunakan metode Gray level co-occurrence matrix dan Euclidean distance * Fitri Damayanti, ** Husni, ***
Lebih terperinciImplementasi Rancangan Aplikasi Ekstraksi Ciri Citra Digital berbasis Client-Server
Implementasi Rancangan Aplikasi Ekstraksi Ciri Citra Digital berbasis Client-Server Fredy Windana Program Studi Teknik Informatika, STT STIKMA Internasional Jl. Panji Suroso 91A Malang fredywind@gmail.com
Lebih terperinciDeteksi Tepi pada Citra Digital menggunakan Metode Kirsch dan Robinson
Deteksi Tepi pada Citra Digital menggunakan Metode Kirsch dan Robinson Veronica Lusiana Program Studi Teknik Informatika, Universitas Stikubank email: verolusiana@yahoo.com Abstrak Segmentasi citra sebagai
Lebih terperinciPROSIDING SENTRINOV 2017 VOLUME 3 ISSN:
ANALISIS AKURASI SIMILARITY WAJAH MENGGUNAKAN MANHATTAN DISTANCE MELALUI FITUR BENTUK, WARNA DAN TEKSTUR Jumi¹, Achmad Zaenuddin.² ¹,2, Jurusan Administrasi Niaga, Politeknik Negeri Semarang ² zaeyenne@gmail.com
Lebih terperinciPENGELOMPOKAN GAMBAR BERDASARKAN FITUR WARNA DAN TEKSTUR DENGAN FGKA CLUSTERING (FAST GENETICS K-MEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR
PENGELOMPOKAN GAMBAR BERDASARKAN FITUR WARNA DAN TEKSTUR DENGAN FGKA CLUSTERING (FAST GENETICS K-MEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR Dewi Wulansari, S.ST 1, Entin Martiana K, M.Kom 2, Nana Ramadijanti,
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 terperinciPENGELOMPOKAN GAMBAR BERDASARKAN WARNA DAN BENTUK MENGGUNAKAN FGKA (FAST GENETIC KMEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR
PENGELOMPOKAN GAMBAR BERDASARKAN WARNA DAN BENTUK MENGGUNAKAN FGKA (FAST GENETIC KMEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR Farah Zakiyah Rahmanti 1, Entin Martiana K. 2, S.Kom, M.Kom, Nana Ramadijanti
Lebih terperinciPERANCANGAN APLIKASI TEMU KEMBALI CITRA BUAH BERDASARKAN BENTUK DAN WARNA MENGGUNAKAN EKSTRAKSI FITUR
PERANCANGAN APLIKASI TEMU KEMBALI CITRA BUAH BERDASARKAN BENTUK DAN WARNA MENGGUNAKAN EKSTRAKSI FITUR Muhammad Nasir 1, Amri 2, Husaini 3 1,2,3 Teknologi Informasi dan Komputer, Politeknik Negeri Lhokseumawe
Lebih terperinciAPLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN ALGORITMA SOBEL S EDGE DETECTION Arwin Halim 1, Hernawati Gohzali 2, In Sin 3, Kelvin Wijaya 4
APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN ALGORITMA SOBEL S EDGE DETECTION Arwin Halim 1, Hernawati Gohzali 2, In Sin 3, Kelvin Wijaya 4 1,2,3,4 Jurusan Teknik Informatika, STMIK Mikroskil, Medan 1,2,3,4
Lebih terperinciPemisahan Objek-Objek Berbasis Region pada Citra Digital dengan Metode Normalized Cuts
JURNAL DIGIT, Vol.1, No., November 011, pp. 13~131 ISSN: 088-589X 13 Pemisahan Objek-Objek Berbasis Region pada Citra Digital dengan Metode Normalized Cuts Marsani Asfi Program Studi Sistem Informasi Sekolah
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 terperinciPENCARIAN CITRA VISUAL BERBASIS ISI CITRA MENGGUNAKAN FITUR WARNA CITRA. Abstract
PENCARIAN CITRA VISUAL BERBASIS ISI CITRA MENGGUNAKAN FITUR WARNA CITRA Kusrini 1, Agus Harjoko 2 1 Dosen STMIK AMIKOM Yogyakarta 2 Dosen FMIPA Universitas Gadjah Mada Yogyakarta Abstract There are two
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 terperinciImplementasi Principal Komponen Analysis untuk Sistem Balik Citra Digital
Nusantara of Engginering (NoE)/Vol. /No. /ISSN : 8 Implementasi Principal Komponen Analysis untuk Sistem Balik Citra Digital Okfan Rizal Ferdiansyah. Sistem Informasi, Fakultas Teknik Universitas Nusantara
Lebih terperinciAnalisis dan Implementasi Contet Based Image Retrieval Menggunakan Metode ORB
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 1153 Analisis dan Implementasi Contet Based Retrieval Menggunakan Metode ORB Muhammad Mirza 1, Tjokorda Agung Budi W 2, Siti Sa
Lebih terperinciEkstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Ekstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE) I Gusti Rai Agung Sugiartha
Lebih terperinciBAB I PENDAHULUAN. semakin tinggi jumlah citra dijital yang dapat diakses oleh pengguna. Basis data citra
BAB I PENDAHULUAN 1.1 Latar Belakang Dengan perkembangan teknologi informasi dan komunikasi yang semakin pesat, semakin tinggi jumlah citra dijital yang dapat diakses oleh pengguna. Basis data citra akan
Lebih terperinciAplikasi Image Retrieval dengan Histogram Warna dan Multiscale
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 Aplikasi Image Retrieval dengan Histogram Warna dan Multiscale GLCM Arwin Halim 1, Hardy 2, Mytosin 3 STMIK Mikroskil, Jl. Thamrin No. 112, 124, 140,
Lebih terperinciCONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN METODE COLOR HISTOGRAM DAN ALGORITMA K-MEANS CLUSTERING
CONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN METODE COLOR HISTOGRAM DAN ALGORITMA K-MEANS CLUSTERING Risa Fithrasari 208700923 Jurusan Teknik Informatika Fakultas Sains dan Teknologi UIN Sunan Gunung Djati
Lebih terperinciPENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION
PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION Suhendry Effendy Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University
Lebih terperinci2.Landasan Teori. 2.1 Konsep Pemetaan Gambar dan Pengambilan Data.
6 2.Landasan Teori 2.1 Konsep Pemetaan Gambar dan Pengambilan Data. Informasi Multi Media pada database diproses untuk mengekstraksi fitur dan gambar.pada proses pengambilan, fitur dan juga atribut atribut
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 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 terperinciKlasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra
Jurnal Ilmiah Ilmu Komputer, Vol 15 No. 2, Desember 2010 : 38-41 Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra Vera Yunita, Yeni Herdiyeni Departemen Ilmu
Lebih terperinciSELEKSI CITRA BERDASARKAN CIRI DENGAN ALGORITMA THRESHOLD MENGUNAKAN FUZZY KURVA S DAN FUNGSI MIN
SELEKSI CITRA BERDASARKAN CIRI DENGAN ALGORITMA THRESHOLD MENGUNAKAN FUZZY KURVA S DAN FUNGSI MIN A. Haris Rangkuti Computer Science Department, School of Computer Science, Binus University Jln. K. H.
Lebih terperinciIMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER
IMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER M. Jamaluddin 1, Nanik Suciati 2, Arya Yudhi Wiajaya 3 1,2,3 Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinciPenggunaan Ciri Geometric Invariant Moment pada Pengenalan Tanda Tangan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 859-867 http://j-ptiik.ub.ac.id Penggunaan Ciri Geometric Invariant Moment pada Pengenalan Tanda
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 terperinciBAB I PENDAHULUAN. digunakan untuk identitas citra adalah nama file, tanggal pengambilan,
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Seiring berkembangnya teknologi, makin banyak pulalah hasil-hasil citra digital di berbagai aspek. Citra tersebut bisa merupakan hasil digitalisasi foto-foto analog,
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 terperinciGambar 15 Contoh pembagian citra di dalam sistem segmentasi.
dalam contoh ini variance bernilai 2000 I p I t 2 = (200-150) 2 + (150-180) 2 + (250-120) I p I t 2 = 28400. D p (t) = exp(-28400/2*2000) D p (t) = 8.251 x 10-4. Untuk bobot t-link {p, t} dengan p merupakan
Lebih 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 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 III PROSEDUR DAN METODOLOGI. Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala
52 BAB III PROSEDUR DAN METODOLOGI 3.1 ANALISA MASALAH Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala melakukan proses retrival citra dan bagaimana solusi untuk memecahkan masalah
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Temu Kembali Citra Berbasis Konten (TKCBK) 2.1.1 Pengertian TKCBK Menurut (Kondekar, Kolkure, & Kore, 2010) pengertian dari TKCBK adalah temu kembali dari gambar berbasis fitur
Lebih terperinciANALISA HASIL PERBANDINGAN IDENTIFIKASI CORE POINT PADA SIDIK JARI MENGGUNAKAN METODE DIRECTION OF CURVATURE DAN POINCARE INDEX
ANALISA HASIL PERBANDINGAN IDENTIFIKASI CORE POINT PADA SIDIK JARI MENGGUNAKAN METODE DIRECTION OF CURVATURE DAN POINCARE INDEX Mohammad imron (1), Yuliana Melita (2), Megister Teknologi Informasi Institusi
Lebih terperinciUCAPAN TERIMAKASIH. Denpasar, Agustus Penulis
UCAPAN TERIMAKASIH Segenap puja dan puji syukur penulis panjatkan kehadapan Ida Sang Hyang Widhi Wasa sebagai sumber dari segala sumber pengetahuan, karena atas asung kertha wara nugrahanya Tesis yang
Lebih terperinciSISTEM TEMU KEMBALI CITRA UNTUK E- COMMERCE MENGGUNAKAN PROSEDUR PENCARIAN DUA FASE DENGAN FITUR HISTOGRAM MULTI TEKSTON
SISTEM TEMU KEMBALI CITRA UNTUK E- COMMERCE MENGGUNAKAN PROSEDUR PENCARIAN DUA FASE DENGAN FITUR HISTOGRAM MULTI TEKSTON Nurissaidah Ulinnuha 1), Halimatus Sa dyah 2) Fakultas Sains dan Teknologi, Universitas
Lebih terperinciSegmentasi Citra menggunakan Support Vector Machine (SVM) dan Ellipsoid Region Search Strategy (ERSS) Arimoto Entropy berdasarkan Ciri Warna dan Tekstur Lukman Hakim 1, Siti Mutrofin 2, Evy Kamilah Ratnasari
Lebih terperinciFUZZY RULE-BASED SISTEM TEMUKEMBALI CITRA BUNGA ADI SUCIPTO AJI
FUZZY RULE-BASED SISTEM TEMUKEMBALI CITRA BUNGA ADI SUCIPTO AJI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007 PERNYATAAN MENGENAI TESIS Saya menyatakan dengan sebenar-benarnya bahwa tesis saya
Lebih terperinciPerancangan Perangkat Lunak untuk Ekstraksi Ciri dan Klasifikasi Pola Batik
JURNAL ILMIAH SEMESTA TEKNIKA Vol. 17, No. 2, 157-165, Nov 2014 157 Perancangan Perangkat Lunak untuk Ekstraksi Ciri dan Klasifikasi Pola Batik (Software Design for Feature Extraction and Classification
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 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 terperinciKlasifikasi Daun Dengan Centroid Linked Clustering Berdasarkan Fitur Bentuk Tepi Daun
Klasifikasi Daun Dengan Centroid Linked Clustering Berdasarkan Fitur Bentuk Tepi Daun Febri Liantoni 1, Nana Ramadijanti, Nur Rosyid Mubtada i 3 Politeknik Elektronika Negeri Surabaya Institut Teknologi
Lebih terperinciSISTEM TEMU KEMBALI CITRA GEDUNG BERDASARKAN INFORMASI GARIS PADA BENTUK GEDUNG
Vol. 5, No. 1, Januari 2009 ISSN 0216-0544 SISTEM TEMU KEMBALI CITRA GEDUNG BERDASARKAN INFORMASI GARIS PADA BENTUK GEDUNG * Iman Sapuguh, Daniel O Siahaan, dan Chastine Fatichah Program Magister Teknik
Lebih terperinciOperasi Titik Kartika Firdausy
Operasi Titik Kartika Firdausy tpcitra@ee.uad.ac.id blog.uad.ac.id/kartikaf 2262230 Setelah mempelajari materi ini, mahasiswa diharapkan mampu: mengidentifikasi Fungsi Transformasi Skala Keabuan menjelaskan
Lebih terperinciKlasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor
Klasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor Febri Liantoni Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Adhi Tama Surabaya, Indonesia
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA KUALITAS GIZI BAYI DI INDONESIA
PENERAPAN ALGORITMA K-MEANS PADA KUALITAS GIZI BAYI DI INDONESIA Diajeng Tyas Purwa Hapsari Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email :
Lebih terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab landasan teori ini akan diuraikan mengenai teori-teori yang terkait dengan Content Based Image Retrieval, ekstraksi fitur, Operator Sobel, deteksi warna HSV, precision dan
Lebih terperinciEkstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE)
Teknologi Elektro, Vol. 16, No1, Januari-April 2017 85 Ekstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE) I Gusti Rai Agung Sugiartha 1, Made Sudarma 2, I Made
Lebih terperinciPEMBANGUNAN SISTEM CONTENT-BASED IMAGE RETRIEVAL MENGGUNAKAN KODE FRAKTAL DARI DOKUMEN CITRA TESIS ARIF RAHMAN NIM :
PEMBANGUNAN SISTEM CONTENT-BASED IMAGE RETRIEVAL MENGGUNAKAN KODE FRAKTAL DARI DOKUMEN CITRA TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar Magister dari Institut Teknologi Bandung
Lebih terperinciANALISIS PENGARUH EXPOSURE TERHADAP PERFORMA ALGORITMA SIFT UNTUK IMAGE MATCHING PADA UNDERWATER IMAGE
ANALISIS PENGARUH EXPOSURE TERHADAP PERFORMA ALGORITMA SIFT UNTUK IMAGE MATCHING PADA UNDERWATER IMAGE HANANTO DHEWANGKORO A11.2009.04783 Universitas Dian Nuswantoro. Semarang, Indonesia Email: hanantodhewangkoro@gmail.com
Lebih terperinciBAB I PENDAHULUAN. Perkembangan teknologi komputer dan internet semakin maju
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Perkembangan teknologi komputer dan internet semakin maju menyebabkan data digital yang dihasilkan, disimpan, ditransmisikan, dianalisis, dan diakses menjadi
Lebih terperinciSCENE COMPLETION MENGGUNAKAN TEMPLATE MATCHING DAN POISSON BLENDING
SCENE COMPLETION MENGGUNAKAN TEMPLATE MATCHING DAN POISSON BLENDING Erick Alfons Lisangan Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Atma Jaya Makassar Alamat email : erick_lisangan@lecturer.uajm.ac.id
Lebih terperinciDedi Argya Nugroho Effendi 1,Erna Zuni Astuti 2 1,2
37 Pengelompokan Jenis Tekstur Kayu Menggunakan K- Nearest Neighbor dan Ekstraksi Fitur Histogram Wood Texture Classification Using K-Nearest Neighbor and Histogram Feature Extraction Dedi Argya Nugroho
Lebih terperinciCONTENT BASED IMAGE RETRIEVAL UNTUK MENGIDENTIFIKASI MOTIF KARAWO MENGGUNAKAN METODE INVARIANT GENERALIZED HOUGH TRANSFORM
1 CONTENT BASED IMAGE RETRIEVAL UNTUK MENGIDENTIFIKASI MOTIF KARAWO MENGGUNAKAN METODE INVARIANT GENERALIZED HOUGH TRANSFORM Venny Mar atul Jannah Ismail 1, Arip Mulyanto 2, Abd. Aziz Bouty 3 1 Mahasiswa
Lebih terperinciPENGARUH PEMAKAIAN EDGE DETECTION PADA SISTEM PENGENALAN HURUF KAPITAL TULISAN TANGAN
Jurnal Teknik dan Ilmu Komputer PENGARUH PEMAKAIAN EDGE DETECTION PADA SISTEM PENGENALAN HURUF KAPITAL TULISAN TANGAN (The Influence of Edge Detection Use on Capital Letter Hand Writing Recognition System)
Lebih terperinciBAB 3 METODOLOGI. untuk mengurangi adanya false positive dan false negative. False positive dalam hal ini
34 BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah Dalam proses diagnosis kanker payudara dibutuhkan akurasi yang tinggi untuk mengurangi adanya false positive dan false negative. False positive dalam
Lebih terperinciAPLIKASI IMAGE RETRIEVAL MENGGUNAKAN KOMBINASI METODE COLOR MOMENT DAN GABOR TEXTURE
APLIKASI IMAGE RETRIEVAL MENGGUNAKAN KOMBINASI METODE COLOR MOMENT DAN GABOR TEXTURE Arwin Halim 1, Hardy 2, Christina Dewi 3, Sulaiman Angkasa 4 Program Studi Teknik Informatika, STMIK Mikroskil Jl. Thamrin
Lebih terperinciVerifikasi Citra Wajah Menggunakan Metode Discrete Cosine Transform Untuk Aplikasi Login
The 13 th Industrial Electronics Seminar 011 (IES 011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 6, 011 Verifikasi Citra Wajah Menggunakan Metode Discrete Cosine
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN PENGHAPUSAN TEKSTUR DAN K-MEANS DENGAN BATASAN RUANG
SEGMENTASI CITRA MENGGUNAKAN PENGHAPUSAN TEKSTUR DAN K-MEANS DENGAN BATASAN RUANG Gama Wisnu Fajarianto 1, Handayani Tjandrasa 2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN MOMENT INVARIANT DAN ALGORITMA BACK PROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN MOMENT INVARIANT DAN ALGORITMA BACK PROPAGATION Nasep Muhamad Ramdan (0522135) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jalan Prof. Drg.
Lebih terperinciCONTENT BASED IMAGE RETRIEVAL BERDASARKAN CIRI TEKSTUR MENGGUNAKAN WAVELET
CONTENT BASED IMAGE RETRIEVAL BERDASARKAN CIRI TEKSTUR MENGGUNAKAN WAVELET Nana Ramadijanti RG. Computer Vision, Program Studi Teknologi Informasi, Politeknik Elektronika Negri Surabaya E-mail: nana@eepis-its.edu
Lebih terperinciPENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL
Makalah Nomor: KNSI-472 PENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL Barep Wicaksono 1, Suryarini Widodo 2 1,2 Teknik Informatika, Universitas Gunadarma 1,2 Jl.
Lebih terperinciK-PROTOTYPE UNTUK PENGELOMPOKAN DATA CAMPURAN
1 K-PROTOTYPE UNTUK PENGELOMPOKAN DATA CAMPURAN Rani Nooraeni*, Dr. Jadi Supriadi, DEA, Zulhanif, S.Si,M.Sc Jurusan statistika terapan, Fakultas MIPA UNPAD rnooraeni@gmail.com* Abstrak.Membagi suatu data
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 terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM (SIFT) Vikri Ahmad Fauzi (0722098) Jurusan Teknik Elektro email: vikriengineer@gmail.com
Lebih terperinciBAB 1 PENDAHULUAN. Pada tahun 1970an penelitian awal image retrieval dilakukan dengan
BAB 1 PENDAHULUAN 1.1 Latar belakang Pada tahun 1970an penelitian awal image retrieval dilakukan dengan menggunakan pendekatan pengindeksan dan informasi citra berbasis teks. Teknik pencarian berbasis
Lebih terperinciGregory Dimas 1, T. Sutojo 2 1,2
ANALISIS KLASIFIKASI TINGKAT KEMATANGAN BUAH MANGGA MANALAGI MENGGUNAKAN CBIR (CONTENT BASED IMAGE RETRIEVAL) BEDASARKAN WARNA ANALYSIS OF MANALAGI MANGO FRUIT MATURITY LEVEL CLASSIFICATION USING CBIR
Lebih terperinciTeknik pengenalan wajah berbasis fitur local binary pattern (LBP)
Teknik pengenalan wajah berbasis fitur local binary pattern (LBP) Oleh: Eko Wahyudi NRP. 2208 100 629 Dosen Pembimbing: Dr. Ir. Wirawan, DEA Ir. Hendra Kusuma, M.Eng Latar Belakang ( Permasalahan Sistem
Lebih terperinciPENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH
PENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH Rikko Ismail Hardianzah 1), Bambang Hidayat 2), Suhardjo 3) 1),2) Fakultas Teknik
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 terperinciPENDAHULUAN. 1.1 Latar Belakang
DAFTAR TABEL Tabel 3-1 Dokumen Term 1... 17 Tabel 3-2 Representasi... 18 Tabel 3-3 Centroid pada pengulangan ke-0... 19 Tabel 3-4 Hasil Perhitungan Jarak... 19 Tabel 3-5 Hasil Perhitungan Jarak dan Pengelompokkan
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA
SEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA Kamil Malik Jurusan Teknik Informatika STT Nurul Jadid Paiton nomor1001@gmail.com Andi Hutami Endang Jurusan Teknik Informatika
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF RADIAL BASIS FUNCTION (RBF)
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011 PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF
Lebih terperinciIDENTIFIKASI MACAN TUTUL DENGAN METODE GREY LEVEL COOCURENT MATRIX ( GLCM) Zuly Budiarso Fakultas teknologi Informasi, Univesitas Stikubank Semarang
IDENTIFIKASI MACAN TUTUL DENGAN METODE GREY LEVEL COOCURENT MATRIX ( GLCM) Zuly Budiarso Fakultas teknologi Informasi, Univesitas Stikubank Semarang Abstrak Tekstur (Textures) adalah sifat-sifat atau karakteristik
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seiring dengan perkembangan teknologi informasi dan semakin luasnya pemanfaatan teknologi komputer di berbagai bidang kehidupan, kebutuhan akan efisiensi pengelolaan
Lebih terperinciGambar 3.1 Contoh Citra yang digunakan
BAB III DATASET DAN RANCANGAN PENELITIAN Pada bab ini dijelaskan tentang dataset citra yang digunakan dalam penelitian ini serta rancangan untuk melakukan penelitian. 3.1 DATASET PENELITIAN Penelitian
Lebih terperinciEKSTRAKSI FITUR SITUS BERITA ONLINE UNTUK KALEIDOSKOP BERITA TAHUNAN
EKSTRAKSI FITUR SITUS BERITA ONLINE UNTUK KALEIDOSKOP BERITA TAHUNAN Afri Yosela Putri 1, Faisal Rahutomo 2, Ridwan Rismanto 3 1, 2, 3 Jurusan Teknologi Informasi, Program Studi Teknik Informatika, Politeknik
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 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 terperinci