IMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER
|
|
- Ratna Tanudjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 Sepuluh Nopember Sukolilo Surabaya jamal.u.m@gmail.com 1, nanik@if.its.ac.id 2, arya@if.its.ac.id 3 ABSTRAK Citra digital dalam jumlah yang besar telah digunakan dalam beberapa bidang seperti perdagangan, pemerintahan, pendidikan, kesehatan, hiburan dan pencegahan kriminal. Untuk mencari citra digital dalam sebuah koleksi yang besar, saat ini berkembang teknologi pencarian citra berdasarkan isi visual dari citra yang biasa dikenal dengan metode sistem temu kembali citra berbasis isi atau Content Based Image Retrieval (CBIR). Oleh karena itu, dalam tugas akhir ini akan dibangun implementasi temu kembali citra tekstur menggunakan Rotated Wavelet Filter. Fitur ciri citra yang diektraksi dalam tugas akhir ini adalah fitur tekstur. Fitur tekstur diekstraksi menggunakan metode Discrete Wavelet Transform (DWT) dan Rotated Wavelet Filter (RWF). Representasi fitur menggunakan perhitungan energi dan standar deviasi dari hasil DWT dan RWF. Untuk menghitung kemiripan citra digunakan perhitungan Normalized Euclidean Distance dan Canberra Distance. Dari hasil percobaan, penggunaan DWT dan RWF secara bersamaan dalam proses temu kembali citra tekstur lebih bagus dari pada penggunaan DWT saja atau RWF saja. Himpunan fitur DWT dan RWF mencapai performa tertinggi sebesar 75.77% pada level 4 menggunakan Canberra Distance. Kata Kunci: transformasi wavelet, rotated wavelet, normalized euclidean distance, canberra distance. 1. PENDAHULUAN Dalam beberapa bidang seperti perdagangan, pemerintahan, pendidikan, kesehatan, dan pencegahan kriminal telah digunakan citra digital dalam jumlah yang besar. Kebutuhan informasi dalam bentuk citra sangat berkembang pesat seiring dengan bertambahnya koleksi citra yang ada di dalam database yang berskala besar. Untuk mencari citra digital dalam sebuah koleksi biasanya kita menggunakan kata kunci atau dengan mengamatinya satu persatu. Namun, ketika database digital meningkat lebih besar, mulai disadari bahwa menggunakan kata kunci untuk menemukan suatu citra tertentu dalam sebuah koleksi yang besar merupakan cara yang tidak efisien. Salah satu kelemahan dari metode ini adalah dibutuhkan kata kunci dengan jumlah besar untuk mendeskripsikan citra dengan kata kunci tertentu hingga pada tingkatan yang spesifik dan detail. Sehingga perlu dikembangkan metode lain untuk mencari citra dalam sebuah database yang dapat digunakan sebagai pengganti sistem kata kunci. Oleh karena itu, teknologi pencarian citra saat ini berkembang ke arah pencarian data citra berdasarkan isi visual dari citra yang biasa dikenal dengan metode sistem temu kembali citra berbasis isi atau Content Based Image Retrieval (CBIR). Secara prinsip, cara kerja CBIR berbeda dengan metode pencarian citra menggunakan kata kunci. Keuntungan utama dari metode ini adalah kemampuannya untuk mendukung query visual. CBIR merupakan metode pencarian suatu citra dengan membandingkan citra query dengan citra yang ada di dalam database. Tantangan dalam CBIR ini adalah bagaimana untuk menemukan fitur-fitur penting yang merupakan karakteristik dari sebuah citra yang membuatnya unik dan bisa diidentifikasi secara akurat. Sistem CBIR secara umum dibangun dengan melihat karakteristik/ciri suatu citra. Ciri merupakan suatu tanda yang khas, yang membedakan antara satu citra dengan citra yang lain. Pada dasarnya suatu citra memiliki ciri-ciri dasar yaitu warna, tekstur, dan bentuk. Akan tetapi, ciri tekstur adalah hal yang paling penting dalam visi komputer karena banyak citra natural yang dapat dilihat sebagai komposisi dari tekstur yang berbeda [1]. Tekstur adalah karakteristik yang penting untuk analisis ciri berbagai jenis citra. Sehingga dalam permasalahan ini, hanya konsentrasi pada masalah menemukan fitur tekstur yang baik dalam CBIR. 2. TRANSFORMASI WAVELET Wavalet adalah alat bantu matematis yang mampu melakukan dekomposisi terhadap sebuah fungsi secara hirarkhi. Transformasi wavelet adalah sebuah metode yang menguraikan data atau fungsi atau operasi ke dalam komponen-komponen frekuensi yang berbeda [2]. Wavelet dapat digunakan untuk menggambarkan sebuah model atau citra asli ke dalam suatu fungsi matematis.
2 Wavelet merupakan himpunan fungsi yang dihasilkan oleh suatu fungsi basis mother wavelet (ψ) dengan proses dilasi/penskalaan dan translasi/pergeseran [3]. Dalam analisis wavelet, ada sejumlah fungsi yang dapat digunakan, namun keanggotaannya selalu terdiri atas versi-versi yang diregangkan atau dimampatkan dari fungsi basisnya, sebagaimana halnya pergeseran. Konsep ini mengarah pada definisi persamaan untuk transformasi wavelet kontinyu / Continuous Wavelet Transform (CWT). Fungsi CWT ditunjukkan pada persamaan (1) berikut : (1) Dimana b merupakan penggeser fungsi sepanjang x(t) dan α merupakan penskala waktu pada fungsi ψ. Jika nilai α lebih besar dari 1, fungsi wavelet ψ menjadi terrenggang sepanjang sumbu waktu dan jika nilai α kurang dari 1 (dan masih bernilai positif), maka fungsi wavelet ψ akan termampatkan. Jika nilai α negatif maka akan membuat fungsi wavelet ψ menjadi terbalik pada arah sumbu waktu. Jika b = 0 dan α = 1, maka wavelet berada dalam bentuk naturalnya dan disebut dengan istilah mother wavelet yaitu ψ 1,0 (t) = ψ(t). Wavelet mempunyai banyak jenis tergantung pada fungsi yang digunakannya seperti haar wavelet, symlet wavelet, daubechies wavelet, coifflet wavelet, dan lain sebagainya. Diantara jenis-jenis wavelet tersebut, haar wavelet dan daubechies wavelet merupakan jenis yang paling sering digunakan. 2.1 Discrete Wavelet Transform (DWT) Ide dasar dari transformasi wavelet adalah untuk merepresentasikan sembarang fungsi f sebagai superposisi wavelet. Setiap superposisi mendekomposisi f ke level skala yang berbeda dimana setiap level didekomposisi lebih lanjut dengan suatu resolusi yang disesuaikan dengan level tersebut. Salah satu cara untuk mencapai dekomposisi itu adalah dengan menuliskan fungsi f sebagai fungsi integral pada α dan b dari ψ a,b pada persamaan (1) dengan pembobotan koefisien yang sesuai. Dalam prakteknya, orang lebih suka menulis f sebagai superposisi diskrit atau dengan kata lain penjumlahan lebih disukai dari pada integral[3]. Oleh karena itu, diperkenalkan diskritisasi wavelet yang dikenal dengan transformasi wavelet diskrit / Discrete Wavelet Transform (DWT). DWT identik dengan sistem sub-band hirarki dimana sub-band merupakan jarak logaritmis dalam domain frekuensi [4]. DWT memberikan aproksimasi dari sebuah citra dengan down-sampling dan memiliki kemampuan untuk mendeteksi tepi dengan high-pass filter. Tranformasi ini mendekomposisi citra ke empat blok (sub-band) frekuensi: frekuensi-rendahsubblok (LL) dan tiga frekuensi tinggi sub-blok (HL, LH, HH) seperti pada Gambar 1(a). Dimana LL mengacu pada konten tekstur, sedangkan sub-band lain mengacu pada informasi tepi dalam orientasi vertikal, horisontal, dan diagonal. Gambar 1. Dekomposisi Wavelet (a) level 1 (b) level 2 Approksimasi koefisien wavelet pada level berikutnya didapatkan dengan melakukan dekomposisi lebih lanjut pada sub-band LL dari level sebelumnya. Gambar 1(b) menunjukkan hasil dari dekomposisi wavelet sampai level 2. Dimana koefisien wavelet level 2 diperoleh dengan melakukan dekomposisi sub-band LL pada level 1 (LL1). Demikian juga untuk level-level selanjutnya sampai level terakhir yang ingin dicapai. Gambar 2. Struktur dari dekomposisi DWT 2-D sampai level 2 menggunakan filter wavelet 2-D
3 Gambar 3. Partisi domain frekuensi hasil dari dekomposisi DWT level 1 DWT dapat dihitung dengan melakukan konvolusi terhadap citra yang diberikan f(x,y) dengan filter wavelet 2-D yang diikuti dengan operasi downsampling 2-D seperti yang diilustrasikan pada Gambar 2. Filter wavelet 2-D dapat diperoleh dari wavelet satu-dimensi dan fungsi skala. Filter wavelet 2-D terdiri dari satu fungsi skala dan tiga fungsi wavelet yang dirumuskan seperti pada persamaan (2). (2) Filter 2-D H ll, H lh, H hl, dan H hh yang ditunjukkan pada Gambar 2 diperoleh dari persamaan (2-6) dan keempat filter tersebut masing-masing bersesuaian dengan, ψ 1, ψ 2, dan ψ 3. Meskipun pendekatan filter 2-D membutuhkan operasi yang lebih banyak dari pada pendekatan filter 1-D, tetapi metode 2-D ini menjadi sangat efisien jika diimplementasikan pada lingkungan proses yang berjalan parallel. Partisi domain frekuensi untuk dekomposisi transformasi wavelet 2-D untuk level 1 dan level 2 masing-masing ditunjukkan pada Gambar 3 dan Gambar 4. Arah dari Rotated Wavelet Filter (RWF) diperoleh dengan merotasi arah filter wavelet standar 2 dimensi (2-D) sebesar 45 o sehingga proses dekomposisi dilakukan sepanjang arah baru yang terpisah 45 o dari arah dekomposisi standar DWT [5]. Untuk membuat membuat RWF 2-D digunakan koefisien Daubechies eight tap [1]. Tabel 1. Filter Daubechies Wavelet Delapan Koefisien koefisien h g 1-0,0106-0, ,0329 0, ,0308-0, ,1870-0, ,0280 0, ,6309 0, ,7148-0, ,2304-0,0106 Misalkan h dan g adalah koefisien filter low-pass dan filter high-pass dari Daubechies eight tap. Maka, koefisien 2-D low-low, low-high, highlow, high-high diperoleh dari h dan g menggunakan operasi matriks berikut : H LL = h T h H LH = h T g H HL = g T h H HH = g T g Gambar 4. Partisi domain frekuensi hasil dari dekomposisi DWT level Rotated Wavelet Filter (RWF) Subband I HH pada dekomposisi DWT standar berisi informasi diagonal dari citra tekstur. Hal ini cukup sulit untuk membedakan apakah informasi yang diagonal tersebut berada pada arah 45 o atau 135 o. Dalam banyak kasus pada aplikasi temu kembali citra tekstur, karakteristik arah informasi diagonal yang spesifik dari sebuah citra meningkatkan performa temu kembali. Koefisien dari RWF 2-D didapatkan dengan merotasi koefisien yang bersesuaian dari filter wavelet 2-D H j sebesar 45 o (dimana j menotasikan LL, LH, HL, atau HH). Ukuran dari filter RWF adalah (2N - 1) x (2N - 1), dimana N adalah panjang dari filter 1dimensi (1-D). Kompleksitas komputasi dari dekomposisi RWF sama seperti standar DWT 2-D, jika keduanya diterapkan dalam domain frekuensi 2-D. Partisi dalam domain frekuensi yang dihasilkan dari dekomposisi RWF level 1 dan 2 masing-masing ditunjukkan pada Gambar 5 dan Gambar 6.
4 Gambar 5. Partisi domain frekuensi hasil dari dekomposisi RWF level 1 Gambar 6. Partisi domain frekuensi hasil dari dekomposisi RWF level 2 Dengan dekomposisi rotated wavelet, karakteristik diagonal pada orientasi 45 o dan 135 o didapatkan dalam sub-band dan [1]. Karakteristik dari RWF ini memberikan informasi penting sebagai pelengkap pada filter standar DWT dalam mengektraksi fitur tekstur untuk CBIR. Salah satu contoh dekomposisi citra level 1 menggunakan standar DWT dan RWF ditunjukkan pada Gambar 7. Karakteristik tekstur yang berorientasi 45 o dan 135 o jelas terlihat pada sub-band dan. 3. TEMU KEMBALI CITRA TEKSTUR Sistem temu kembali citra berbasis isi atau Content-Based Image Retrieval (CBIR) merupakan suatu metode mencari citra berdasarkan isi visualnya. Proses secara umum dari CBIR adalah citra yang menjadi query dilakukan proses ekstraksi fitur, begitu pula dengan citra pada database juga dilakukan proses ekstraksi fitur. Beberapa fitur citra yang dapat digunakan pada CBIR antara lain histogram, susunan warna, tekstur, bentuk, tipe spesifik dari obyek, tipe event tertentu, nama individu, lokasi, emosi, informasi spasial dan sebagainya. Dalam tugas kahir ini fitur ciri yang digunakan adalah fitur tekstur. Setelah diperoleh vektor fitur, langkah selanjutnya adalah menghitung jarak antara citra query dengan citra dalam database. Kemudian, nilai jarak tersebut diurutkan untuk mengetahui citra yang mempunyai kemiripan dengan citra query. diagram sistem temu kembali citra tekstur ditunjukkan pada Gambar 8. Gambar 7. Empat sub-band hasil dekomposisi (a) dengan DWT (b) dengan RWF
5 Offline Mulai Database Citra Mulai Citra Query Online kombinasi dari energi dan standar deviasi selalu lebih baik dari pada menggunakan fitur tersebut secara terpisah. Energi dan standar deviasi dari subband wavelet dirumuskan sebagai berikut : (3) Transformasi Wavelet Hitung Energi & Standart Deviasi Database Fitur Citra Ektraksi FItur Transformasi Wavelet Hitung Energi & Standart Deviasi Perhitungan Kemiripan CItra Selesai Citra Keluaran Urutkan Citra berdasarkan jaraknya Gambar 8. Diagram sistem temu kembali citra tekstur 3.1 Database citra tekstur Data citra yang digunakan untuk pada sistem temu kembali citra tekstur ini adalah citra tekstur grayscale berukuran 640x640 sebanyak 111 citra yang diperoleh dari database tekstur Brodatz [6]. Dimana setiap citra dibagi menjadi 16 bagian subcitra berukuran 160x160 yang tidak saling tumpang tindih. Sehingga terbentuk database sebanyak 1776 citra tekstur. 3.2 Ektraksi Fitur Pada tugas akhir ini, ekstraksi fitur pada citra tekstur dilakukan dengan melakukan dekomposisi wavelet menggunakan filter 2-D DWT dan RWF. Dari dekomposisi tersebut akan digunakan 4 himpunan fitur yang berbeda, yaitu : 1. Himpunan fitur ke-1 : DWT 2. Himpunan fitur ke-2 : RWF 3. Himpunan fitur ke-3 : DWT + RWF 4. Himpunan fitur ke-4 : (komponen I LH dan I HL dari RWF) + DWT Dalam setiap himpunan fitur, vektor fitur direpresentasikan dengan menggunakan energi dan standar deviasi yang diperoleh dari hasil koefisien sub-band hasil dekomposisi wavelet. 3.3 Representasi Fitur Citra Representasi fitur suatu citra bisa direpresentasikan dengan beberapa cara antara lain dengan energi dan standar deviasi. Dasar pemikiran dari penggunaan energi sebagai fitur untuk pembedaan tekstur adalah bahwasannya distribusi energi dalam domain frekuensi mengidentifikasikan sebuah tekstur. Selain itu, Manjunath dan Ma [7] dan Kokare, dkk [8] telah menunjukkan bahwa performa temu kembali dengan menggunakan (4) Dimana M x N adalah ukuran dari subband wavelet, X ij adalah koefisien wavelet, dan µ ij adalah nilai rata-rata dari koefisien wavelet. Untuk membuat database fitur citra, metode diatas dilakukan secara berulang terhadap semua citra yang berada dalam database. Nilai dari energi dan standar deviasi inilah yang kemudian akan disimpan ke dalam database metadata sebagai representasi fitur tekstur dari setiap citra. 3.4 Perhitungan Kemiripan Citra Salah satu metode yang sering digunakan untuk menghitung kemiripan antara 2 citra digunakan metode Euclidean Distance. Jika x dan y adalah dua vektor fitur dari citra database dan citra query dengan dimensi d. Maka Euclidean Distance didefinisikan sebagai : (5) Euclidean Distance tidak selalu menjadi metode pengukuran kemiripan yang terbaik. Faktanya adalah bahwasanya jarak dalam setiap dimensi dikuadratkan terlebih dahulu sebelum dilakukan penjumlahan. Hal ini memberikan penekanan yang kuat pada fitur-fitur yang memiliki dissimilarity (perbedaan) besar. Oleh karena itu, perlu dilakukan normalisasi komponen-komponen fitur tersendiri sebelum menghitung kemiripan citra. Permasalahan normalisasi ini telah diatasi pada metode Canberra Distance. Hal inilah yang memotivasi Kokare, dkk [1] untuk menggunakan Canberra Distance sebagai pengukuran dissimilaritas. Canberra Distance dirumuskan sebagai : (6) Dalam persamaan Canberra Distance, pembilang merepresentasikan perbedaan sedangkan penyebut menormalisasikan perbedaan. Jadi, nilai jarak tidak akan pernah melebihi 1. Nilai jarak akan menjadi 1 ketika salah satu dari attribut bernilai 0. Sehingga hal ini menunjukkan pengukuran similaritas yang baik untuk digunakan yang dapat menghindari efek skala. Kokare, dkk. [8] telah meneliti bahwa akurasi CBIR tidak hanya bergantung pada himpunan fitur yang kuat, tetapi juga bergantung pada pengukuran kemiripan yang bagus. Manjunath
6 dan Ma [7] telah menggunakan Normalized Euclidean Distance untuk menghitung kemiripan citra yang dirumuskan sebagai berikut : (7) Dimana σ(i) adalah standar deviasi dari fitur ke-i atas keseluruhan database dan digunakan untuk menormalisasi komponen-komponen fitur tersendiri. Dari kedua metode perhitungan kemiripan citra yang disebutkan di atas, bisa kita lihat bahwa jarak dari sebuah citra terhadap citra itu sendiri adalah 0. Vektor jarak yang dihasilkan dari perhitungan kemiripan citra akan disimpan berdasarkan terurut dimulai dari jarak yang terkecil. Citra yang dikembalikan adalah citra yang memiliki kesamaan pola dengan citra query yaitu citra yang memiliki jarak yang kecil (mendekati 0). 4. UJI COBA Uji coba dilakukan untuk mengevaluasi temu kembali citra tekstur dengan membandingkan performa hasil temu kembali terhadap level dekomposisi dan himpunan fitur yang berbeda. Level dekomposisi dilakukan sampai pada level 5. Sedangkan untuk himpunan fitur, terdapat empat himpunan fitur yang berbeda, antara lain : 1. DWT saja. 2. RWF saja. 3. DWT + RWF. 4. Komponen I HL dan I LH RWF + DWT. Selain itu, juga dibandingkan performa temu kembali terhadap metode perhitungan jarak yang berbeda dalam hal ini Normalized Euclidean Distance dan Canberra Distance. Uji coba dilakukan dengan membagi data citra menjadi dua, yaitu sebanyak 10% (2 citra) dari tiap-tiap 16 sub-citra digunakan sebagai citra query dan sisanya (14 citra) disimpan sebagai citra database. Jadi, sebanyak 222 citra digunakan sebagai citra query dan sebanyak 1554 citra lainnya akan disimpan sebagai citra database. Performa temu kembali diukur berdasarkan berapa persentase citra keluaran yang berasal dari citra besar (berukuran 640x640) yang sama dengan citra query dari 14 posisi teratas yang dikembalikan oleh sistem. 4.1 Hasil Uji Coba Hasil uji coba menggunakan Normalized Euclidean Distance ditunjukkan pada Tabel 2. Sedangkan hasil uji coba menggunakan Canberra Distance ditunjukkan pada Tabel 3. Dari kedua tabel tersebut bisa dilihat bahwa performa terbaik mencapai 75.77% diperoleh pada himpunan fitur DWT + RWF level 4 mengunakan Canberra Distance. Dari hasil uji coba pada menunjukkan bahwa performa temu kembali citra tekstur menggunakan himpunan fitur DWT + RWF selalu lebih unggul dari himpunan fitur lainnya pada semua level dekomposisi dan metode perhitungan kemiripan citra. Dari kedua tabel tersebut juga bisa diketahui bahwa performa temu kembali menggunakan DWT dan RWF secara bersamaan lebih baik dari pada menggunakan DWT dan RWF secara terpisah. Hal ini dikarenakan RWF mampu memberikan informasi tekstur yang dapat melengkapi DWT dengan memanfaatkan orientasinya. Sehingga kombinasi DWT dan RWF lebih baik dalam mengektraksi fitur tekstur dari suatu citra dari pada DWT saja atau RWF saja. Level Dekomposisi Tabel 2. Hasil uji coba menggunakan Normalized Euclidean Distance Himpunan Fitur DWT saja (%) DWT saja (%) DWT + RWF (%) DWT + sub-band I HL dan I LH RWF (%) 1 62,42 61,33 66,67 65, ,31 67,47 71,30 70, ,29 70,24 74,20 73, ,33 70,40 74,97 74, ,76 67,73 72,97 71,53
7 Level Dekomposisi Tabel 3. Hasil uji coba menggunakan Canberra Distance Himpunan Fitur DWT saja (%) DWT saja (%) DWT + RWF (%) DWT + sub-band I HL dan I LH RWF (%) 1 60,59 60,30 65,15 62, ,31 67,05 71,24 68, ,55 69,82 74,49 72, ,13 70,88 75,77 73, ,95 67,21 73,33 71,30 5. KESIMPULAN Kesimpulan yang diperoleh berdasarkan uji coba yang telah dilakukan adalah sebagai berikut : 1. Metode transformasi wavelet Discrete Wavelet Transform (DWT) dan Rotated Wavelet Transform (RWF) cukup handal untuk mengektraksi fitur tekstur dari suatu citra. 2. Nilai energi dan standard deviasi dari hasil dekomposisi wavelet DWT dan RWF dapat digunakan sebagai representasi fitur tekstur citra. 3. Metode Normalized Euclidean Distance dan Canberra Distance cukup baik untuk digunakan sebagai metode perhitungan kemiripan citra. 4. Performa temu kembali citra tekstur ini mampu mencapai 75.77% dengan menggunakan himpunan fitur DWT dan RWF level 4 serta canberra distance. 6. DAFTAR PUSTAKA [1] Kokare, M., Biswas, P., & Chatterji, B. (2007). Texture Image Retrieval Using Rotated Wavelet Filter. Pattern Recognition Letters 28, [2] Daubechies, I. (1992). Ten Lectures on Wavelets. Philadelphia: PA. [3] Antonini, M., Barlaud, M., Mathieu, P., & Daubechies, I. (1992). Image Coding Using Wavelet Transform. IEEE Transactions on Image Processing, [4] Arivazhagan, S., & Ganesan, L. (2003). Texture Segmentation Using Wavelet Transform. Pattern Recognition Letters 24, [5] Kim, N. D., & Udpa, S. (2000). Texture Classification Using Rotated Wavelet Filter. IEEE Transactions on Systems, Man, and Cybernetics, [6] Randen, T Brodatz Textures. <URL: atz.html> [7] Manjunath, B., & Ma, W. (1996). Texture Features for Browsing and Retrieval of Image Data. IEEE Transactions on Pattern Analysis and Machine Intelligence, [8] Kokare, M., Chatterji, B., & Biswas, P. (2003). Wavelet Transform Based Texture Features For Content Based Image Retrieval. Kharagpur: Electronics and Electrical Communication Engineering Department, Indian Institut of Technology.
Penyusun Tugas Akhir Alvian Adi Pratama [ ] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom.
Penyusun Tugas Akhir Alvian Adi Pratama [5106100108] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom. Latar Belakang Batik merupakan harta kebudayaan Indonesia yang
Lebih terperinciPENGENALAN MOTIF BATIK MENGGUNAKAN ROTATED WAVELET FILTER DAN NEURAL NETWORK
PENGENALAN MOTIF BATIK MENGGUNAKAN ROTATED WAVELET FILTER DAN NEURAL NETWORK Bernardinus Arisandi, Nanik Suciati, Arya Yudhi Wijaya Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
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 terperinciIdentifikasi Iris Mata Menggunakan Alihragam Wavelet Haar dan Transformasi Hough
Identifikasi Iris Mata Menggunakan Alihragam Wavelet Haar dan Transformasi Hough Okta Silvia M 1, Febi Yanto 2 1,2 Teknik Informatika, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau Jl. H.R.
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 terperinciImplementasi Deteksi Copy-move Forgery pada Citra menggunakan Metode Histogram of Oriented Gradients (HOG)
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Deteksi Copy-move Forgery pada Citra menggunakan Metode Histogram of Oriented Gradients (HOG) Ni Luh Made Asri Mulyasari,
Lebih 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 terperinciANALISA ENERGY COMPACTION PADA DEKOMPOSISI WAVELET
ANALISA ENERGY COMPACTION PADA DEKOMPOSISI WAVELET D.A.K. Pramita, I M. O. Widyantara, D. M. Wiharta Teknik Elektro FT UNUD Email: pramita.wayu@gmail.com ABSTRAK In the modern era, the medical world utilizes
Lebih terperinciPENEMUAN KEMBALI CITRA TENUN DENGAN KEMIRIPAN MOTIF MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT
TUGAS AKHIR - SM141501 PENEMUAN KEMBALI CITRA TENUN DENGAN KEMIRIPAN MOTIF MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT AGISTA REGIASWURI NRP 1212 100 028 Dosen Pembimbing Dr. Dwi Ratna Sulistyaningrum, S.Si.,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi berisi tahapan-tahapan yang dilakukan
Lebih 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 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 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
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 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 terperinciTeknik Watermarking dalam Domain Wavelet untuk Proteksi Kepemilikan pada Data Citra Medis
Teknik Watermarking dalam Domain Wavelet untuk Proteksi Kepemilikan pada Data Citra Medis Mulaab Email : mulaab@if.trunojoyo.ac.id Laboratorium Pemrograman, Jurusan Teknik Informatika Universitas Trunojoyo
Lebih terperinciIDENTIFIKASI SIDIK JARI MENGGUNAKAN DISCRETE WAVELET TRANSFORM DAN CANBERRA DISTANCE
semantik, Vol.1, No.1, Jan-Jun, pp. 1-10 ISSN: 2460-1446 1 IDENTIFIKASI SIDIK JARI MENGGUNAKAN DISCRETE WAVELET TRANSFORM DAN CANBERRA DISTANCE Yunita Hanapi * 1, Ika Purwanti Ningrum 2, Rahmat Ramadhan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini, eksperimen dilakukan dua kali, dimana setiap eksperimen memiliki perbedaan pada pembagian dari kelas-kelas kanker. Eksperimen pertama
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 terperinciKOMPRESI IMAGE DALAM SOURCE CODING MENGGUNAKAN METODE TRANSFORMASI WAVELET
KOMPRESI IMAGE DALAM SOURCE CODING MENGGUNAKAN METODE TRANSFORMASI WAVELET NASKAH PUBLIKASI Diajukan Untuk Memenuhi Tugas dan Syarat-syarat Guna Memperoleh Gelar Sarjana Teknik pada Fakultas Teknik Jurusan
Lebih terperinciPERANCANGAN DAN PEMBUATAN PERANGKAT LUNAK KLASIFIKASI TEKSTUR DENGAN MENGGUNAKAN ANALISA PAKET WAVELET
PERANCANGAN DAN PEMBUATAN PERANGKAT LUNAK KLASIFIKASI TEKSTUR DENGAN MENGGUNAKAN ANALISA PAKET WAVELET Sarwosri, Rully Soelaiman, dan Esther Hanaya Jurusan Teknik Informatika, Fakultas Teknologi Informasi,
Lebih terperinciWATERMARKING PADA BEBERAPA KELUARGA WAVELET
JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 3, 18-25, Desember 2004, ISSN : 1410-8518 WATERMARKING PADA BEBERAPA KELUARGA WAVELET Aris Sugiharto, Eko Adi Sarwoko Jurusan Matematika FMIPA Universitas Diponegoro
Lebih terperinciLatar Belakang. Perlunya inventarisasi data dari tiap motif batik dari seluruh daerah di Indonesia
Latar Belakang Latar Belakang 1 Perlunya inventarisasi data dari tiap motif batik dari seluruh daerah di Indonesia 2 Pengenalan motif citra batik contoh dengan pencarian citra batik yang mirip menggunakan
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 terperinciSEGMENTASI ENDAPAN URIN PADA CITRA MIKROSKOPIK BERBASIS WAVELET
SEGMENTASI ENDAPAN URIN PADA CITRA MIKROSKOPIK BERBASIS WAVELET Miftahus Sholihin, Agus Zainal Arifin, Anny Yuniarti Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember (ITS), Surabaya, Indonesia
Lebih terperinciPERBAIKAN KUALITAS CITRA BERWARNA DENGAN METODE DISCRETE WAVELET TRANSFORM (DWT)
PERBAIKAN KUALITAS CITRA BERWARNA DENGAN METODE DISCRETE WAVELET TRANSFORM (DWT) ABSTRAK Silvester Tena Jurusan Teknik Elektro Fakultas Sains dan Teknik, Universitas Nusa Cendana Jl. Adisucipto- Penfui
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Fotogrametri adalah suatu seni, pengetahuan dan teknologi untuk memperoleh informasi yang dapat dipercaya tentang suatu obyek fisik dan keadaan sekitarnya melalui proses
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 terperinciPEMANFAATAN K-NEAREST NEIGHBOR (KNN) PADA PENGENALAN WAJAH DENGAN PRAPROSES TRANSFORMASI WAVELET. Sufiatul Maryana, Lita Karlitasari, Arie Qur ania
Pemanfaatan K-Nearest Neighbor (KNN) / Sufiatul Maryana PEMANFAATAN K-NEAREST NEIGHBOR (KNN) PADA PENGENALAN WAJAH DENGAN PRAPROSES TRANSFORMASI WAVELET Sufiatul Maryana, Lita Karlitasari, Arie Qur ania
Lebih terperinciBAB III METODE PENELITIAN
23 BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan proses penelitian ditunjukkan pada Gambar 15 berikut. Mulai 96 citra stomata Ekstraksi fitur - RGB & Skala Keabuan Ekstraksi fitur - Wavelet
Lebih 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 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 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 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 terperinciBAB II STUDI PUSTAKA. T. C. Ling, dkk., (2008) dalam penelitiannya Automated Pavement
5 BAB II STUDI PUSTAKA 2.1 Tinjauan Pustaka T. C. Ling, dkk., (2008) dalam penelitiannya Automated Pavement Imaging Program (APIP) for Pavement Cracks Classification and Quantification A Photogrammetric
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 terperinciPENGENALAN POLA TEKSTUR BRODATZ DENGAN METODE JARAK EUCLIDEAN
PENGENALAN POLA TEKSTUR BRODATZ DENGAN METODE JARAK EUCLIDEAN ZA IMATUN NISWATI Program Studi Teknik Informatika, Fakultas Teknik, Matematika dan IPA Universitas Indraprasta PGRI zaimatunnis@gmail.com
Lebih terperinciWATERMARKING PADA CITRA DIGITAL BERBASIS DISCRETE WAVELET TRANSFORM DAN SINGULAR VALUE DECOMPOSITION
WATERMARKING PADA CITRA DIGITAL BERBASIS DISCRETE WAVELET TRANSFORM DAN SINGULAR VALUE DECOMPOSITION Disusun oleh : Nama : Hendra Togi Manalu Nrp : 0522121 Jurusan Teknik Elektro, Fakultas Teknik,, Jl.
Lebih terperinciLOGO PEMBERIAN TANDA AIR MENGGUNAKAN TEKNIK KUANTISASI RATA-RATA DENGAN DOMAIN TRANSFORMASI WAVELET DISKRIT. Tulus Sepdianto
LOGO PEMBERIAN TANDA AIR MENGGUNAKAN TEKNIK KUANTISASI RATA-RATA DENGAN DOMAIN TRANSFORMASI WAVELET DISKRIT Tulus Sepdianto 1206100002 PENDAHULUAN Latar Belakang Penggunaan internet secara global Distribusi
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 terperinciEKSTRAKSI CIRI CITRA TELAPAK TANGAN DENGAN ALIHRAGAM GELOMBANG SINGKAT HAAR MENGGUNAKAN PENGENALAN JARAK EUCLIDEAN
EKSTRAKSI CIRI CITRA TELAPAK TANGAN DENGAN ALIHRAGAM GELOMBANG SINGKAT HAAR MENGGUNAKAN PENGENALAN JARAK EUCLIDEAN Ilina Khoirotun Khisan Iskandar *), R. Rizal Isnanto, and Ajub Ajulian Zahra Jurusan Teknik
Lebih terperinciPENGGUNAAN TRANSFORMASI WAVELET DALAM SISTEM PENGENALAN ISYARAT TANGAN DENGAN BEBERAPA KOMBINASI PRA PROSES
PENGGUNAAN TRANSFORMASI WAVELET DALAM SISTEM PENGENALAN ISYARAT TANGAN DENGAN BEBERAPA KOMBINASI PRA PROSES PENGGUNAAN TRANSFORMASI WAVELET DALAM SISTEM PENGENALAN ISYARAT TANGAN DENGAN BEBERAPA KOMBINASI
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 II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Sebagai tinjauan pustaka, berikut beberapa contoh penelitian yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai acuan dan
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 terperinciMAKALAH SIDANG TUGAS AKHIR PERIODE JULI 2011
PENGENALAN MOTIF BATIK DENGAN ROTATED WAVELET FILTER DAN NEURAL NETWORK Bernardinus Arisandi - Nanik Suciati - Arya Yudhi Wijaya Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI.1 Batik Asal kata batik pertama kali berasal dari jawa yang memiliki arti menulis dan titik. Batik adalah kerajinan tangan yang memiliki nilai seni tinggi dan telah menjadi bagian
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 terperinci100% Akurasi = (11) Lingkungan Pengembangan
Algoritme Dekomposisi Wavelet Dekomposisi wavelet Haar dapat dijelaskan sebagai berikut : 1 Transformasi linear digunakan untuk mengubah ruang warna secara linear menjadi warna dasar. Karena citra yang
Lebih terperinciAnalisis 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 terperinciPENERAPAN DISCRETE DAUBECHIS WAVELET TRANSFORM D A L A M W A T E R M A R K I N G C I T R A D I G I T A L
PENERAPAN DISCRETE DAUBECHIS WAVELET TRANSFORM D A L A M W A T E R M A R K I N G C I T R A D I G I T A L Hermawan Syahputra* 1, Andani D N 2 1,2 Jurusan Matematika, FMIPA Unimed, Medan, Indonesia e-mail:
Lebih terperinciKata kunci : Pemilihan gambar, Pencocokan Graph
ALGORITMA PENCOCOKAN OBJEK GEOMETRI CITRA BERBASIS GRAPH UNTUK PEMILIHAN KEMBALI (RETRIEVAL) Yureska Angelia 867 Email : angelia.yureska@gmail.com Bidang Studi Telekomunikasi Multimedia Jurusan Teknik
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 terperinci1. Pendahuluan 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Saat ini, kebutuhan manusia akan teknologi semakin meningkat karena tidak bisa dipungkiri bahwa teknologi tersebut dapat meringankan pekerjaan manusia. Hal ini juga diimbangi
Lebih terperinciCreated with Print2PDF. To remove this line, buy a license at:
BAB IV. Analisis Pada bab ini dibahas mengenai analisis terhadap citra aproksimasi dan hasil ekstraksi jalan pada citra aproksimasi tersebut untuk mendapatkan gambaran mengenai keterkaitan antara proses
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Menginterprestasi sebuah citra untuk memperoleh diskripsi tentang citra tersebut melalui beberapa proses antara lain preprocessing, segmentasi citra, analisis
Lebih terperinciPemampatan Citra Warna Menggunakan 31 Fungsi Gelombang-Singkat
Pemampatan Citra Warna Menggunakan 31 Fungsi Gelombang-Singkat Albertus Joko Santoso Teknik Informatika Fakultas Teknologi Industri Universitas Atma Jaya Yogyakarta albjoko@mail.uajy.ac.id Gede Bayu Suparta
Lebih terperinciJln. Telekomunikasi No.1 Terusan Buah Batu Bandung Indonesia
SIMULASI DAN ANALISIS SISTEM KLASIFIKASI BATUBARA MENGGUNAKAN DISCRETE WAVELET TRANSFORM (DWT), FUZZY COLOR HISTOGRAM (FCH) DAN K-NEAREST NEIGHBOR (K-NN) PADA CITRA DIGITAL Viona Apryaleva 1, Dr.Ir.Bambang
Lebih terperinciALGORITMA DETEKSI ADAPTIF BLIND WATERMARKING PADA CITRA DIGITAL DALAM DOMAIN TRANSFORMASI
ALGORITMA DETEKSI ADAPTIF BLIND WATERMARKING PADA CITRA DIGITAL DALAM DOMAIN TRANSFORMASI Disusun oleh : Gintaris Johanes Tarigan 0922022 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. drg. Suria Sumantri,
Lebih terperinciSISTEM TEMU KEMBALI TENUN IKAT NTT DENGAN TRANSFORMASI WAVELET
SISTEM TEMU KEMBALI TENUN IKAT NTT DENGAN TRANSFORMASI WAVELET ABSTRAK M.I.J Lamabelawa 1, Yohanis Malelak 2 Program Studi Teknik Informatika, Stikom Uyelindo Kupang Jl. Perintis Kemerdekaan 2 Kayu Putih
Lebih terperinciKOMPRESI CITRA MEDIS MENGGUNAKAN METODE WAVELET
KOMPRESI CITRA MEDIS MENGGUNAKAN METODE WAVELET 1) Arief Budiman 1) Dosen Fakultas Teknik Universitas Merdeka Madiun email : arief@unmer-madiun.ac.id Abstract In the world of medical, anx-ray image is
Lebih terperinciBAB I PENDAHULUAN. terbesar (39%), diikuti kanker (27%), sedangkan penyakit pernafasan kronis,
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Penyakit jantung menduduki peringkat teratas penyebab kematian di dunia. Proporsi penyebab kematian penyakit tidak menular (PTM) pada orangorang berusia kurang
Lebih terperinciImplementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari)
Implementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari) Amalfi Yusri Darusman Jurusan Teknik Informatika Institut Teknologi Bandung, jalan Ganesha 10 Bandung, email : if17023@students.if.itb.a.c.id
Lebih terperinciSALIENT POINTS PADA CITRA TULANG CORTICAL BERBASIS TRANSFORMASI WAVELET
SALIENT POINTS PADA CITRA TULANG CORTICAL BERBASIS TRANSFORMASI WAVELET Oleh: Ika Usfarina Dhamasari(5106100040) DosenPembimbing1: Dr. AgusZainalArifin, S. Kom, M. Kom Dosen Pembimbing 2: Diana Purwitasari,
Lebih terperinciGambar IV-1. Perbandingan Nilai Korelasi Antar Induk Wavelet Pada Daerah Homogen Untuk Level Dekomposisi Pertama
BAB IV ANALISIS IV.1 Analisis Terhadap Hasil Pengolahan Data Gambar IV-1 menunjukkan peningkatan nilai korelasi dari sebelum transformasi wavelet dengan setelah transformasi wavelet pada level dekomposisi
Lebih terperinciPenggunaan Gray Level Co-Occurance Matrix Dari Koefisien Aproksimasi Wavelet untuk Deteksi Cacat Tekstil
Islamadina, Penggunaan Gray Level Co-Occurance Matrix dari Koefisien Aproksimasi Wavelet untuk Deteksi Cacat Tekstil 143 Penggunaan Gray Level Co-Occurance Matrix Dari Koefisien Aproksimasi Wavelet untuk
Lebih terperinciANALISIS DAN SIMULASI REKONSTRUKSI VIDEO BERBASIS METODE SUPER-RESOLUSI
ANALISIS DAN SIMULASI REKONSTRUKSI VIDEO BERBASIS METODE SUPER-RESOLUSI ANALYSIS AND SIMULATION OF VIDEO RECONSTRUCTION BASED ON SUPER-RESOLUTION METHOD Kusuma Nindia Rizki 1, Iwan Iwut, ST., MT. 2, Suryo
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Penggunaan citra yang semakin meningkat menimbulkan kebutuhan retrival citra yang juga semakin meningkat. Diperlukan suatu metode retrival citra yang efektif
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 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 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 terperinciADAPTIVE WATERMARKING CITRA DIGITAL DENGAN TEKNIK DISCRETE WAVELET TRANSFORM-DISCRETE COSINE TRANSFORM DAN NOISE VISIBILITY FUNCTION
ADAPTIVE WATERMARKING CITRA DIGITAL DENGAN TEKNIK DISCRETE WAVELET TRANSFORM-DISCRETE COSINE TRANSFORM DAN NOISE VISIBILITY FUNCTION Disusun oleh : Nama : Dian Eriani Surbakti Nrp : 0822104 Jurusan Teknik
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 OPTIMASI NILAI AMBANG WAVELET BERBASIS LOGIKA FUZZY PADA DENOISING CITRA BERWARNA (Kata kunci: denoising, transformasi wavelet, logika fuzzy, thresholding, median absolute
Lebih terperinciEKSTRAKSI FITUR SINYAL UNTUK PENALAAN GITAR MENGGUNAKAN WAVELET TRANSFORM
EKSTRAKSI FITUR SINYAL UNTUK PENALAAN GITAR MENGGUNAKAN WAVELET TRANSFORM Moh Abd Rifai Batewa, Agus Lahinta, Abd Aziz Bouty Program Studi S1 Sistem Informasi / Jurusan Informatika Intisari Gitar merupakan
Lebih terperinciTEMU KEMBALI CITRA UNTUK PENGENALAN BATIK PADA CITRA 2D MENGGUNAKAN FITUR TEKSTUR MATRIKS KOOKURENSI ARAS KEABUAN DAN FUNGSI JARAK CANBERRA
1 TEMU KEMBAI CITRA UNTUK PENGENAAN BATIK PADA CITRA D MENGGUNAKAN FITUR TEKSTUR MATRIKS KOOKURENSI ARAS KEABUAN DAN FUNGSI JARAK CANBERRA Intan Putri Rakasiwi 1, Ricardus Anggi Pramunendar Universitas
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 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 terperinciBAB II Tinjauan Pustaka
BAB II Tinjauan Pustaka Pada bab ini dibahas mengenai konsep-konsep yang mendasari ekstraksi unsur jalan pada citra inderaja. Uraian mengenai konsep tersebut dimulai dari ekstraksi jalan, deteksi tepi,
Lebih terperinciDAFTAR TABEL. Tabel 4.1 Struktur Neural Network Backpropagation Tabel 4.2 Hasil Pengujian Identifikasi Data Uji... 34
DAFTAR TABEL Tabel 4.1 Struktur Neural Network Backpropagation... 9 Tabel 4. Hasil Pengujian Identifikasi Data Uji... 34 Tabel 4.3 Hasil Pengujian Sistem... 37 xi BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Video Video adalah teknologi untuk menangkap, merekam, memproses, mentransmisikan dan menata ulang citra bergerak. Teknologi ini biasanya menggunakan film seluloid, sinyal elektronik,
Lebih terperinciBAB IV ANALISIS. Tabel IV-1 Perbandingan Nilai Korelasi Antar Induk Wavelet pada Daerah Homogen. Wavelet
BAB IV ANALISIS IV.1 Perbandingan Nilai Antar Induk Pada daerah homogen, penggunaan transformasi satu dimensi hanya meningkatkan sedikit nilai korelasi, dilihat dari nilai korelasi sebelum dilakukan transformasi
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan internet yang semakin canggih sangat membawa kemajuan yang semakin berarti dalam berbagai aspek terutama bagi negara yang berkembang. Perkembangan
Lebih terperinciPROGRAM PASCA SARJANA JURUSAN TEKNIK ELEKTRO ELEKTRONIKA
RANCANG BANGUN SISTEM KOMUNIKASI ANTAR PEMAKAI HELM BERBASIS PENGENALAN WICARA DISUSUN OLEH : YUNUS WICAKSONO SUGIARSO NRP.2208204002 PROGRAM PASCA SARJANA JURUSAN TEKNIK ELEKTRO ELEKTRONIKA INSTITUT TEKNOLOGI
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 terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Seiring berkembangnya teknologi, digitalisasi sidik jari sudah sering digunakan, terutama pada passport, ID Card, visa dan dokumen lainnya. Karena kapasitas penyimpanan untuk menyimpan sidik jari
Lebih terperinciBAB II LANDASAN TEORI
16 BAB II LANDASAN TEORI 2.1 Retrival Citra Saat ini telah terjadi peningkatan pesat dalam penggunaan gambar digital. Setiap hari pihak militer maupun sipil menghasilkan gambar digital dalam ukuran giga-byte.
Lebih terperinciWatermarking Video Menggunakan Transformasi Wavelet Diskrit
Jurnal Generic, Vol. 8, No. 1, Maret 2013, pp. 198~208 ISSN: 1907-4093 (Print), 2087-9814 (online) 198 Watermarking Video Menggunakan Transformasi Wavelet Diskrit Merlin Felyana 1 1 Program Studi Teknik
Lebih terperinciIMPLEMENTASI TRANSFORMASI WAVELET DAUBECHIES PADA KOMPRESI CITRA DIGITAL
IMPLEMENTASI TRANSFORMASI WAVELET DAUBECHIES PADA KOMPRESI CITRA DIGITAL Suma inna 1 dan Gugun Gumilar 2 1,2 Program Studi Matematika Fakultas Sains dan Teknologi UIN Syarif Hidayatulallah Jakarta ABSTRAK
Lebih terperinciBAB III PEMBAHASAN. 3.1 Jenis Penelitian
9 BAB III PEMBAHASAN 3.1 Jenis Penelitian Jenis penelitian ini merupakan penelitian eksperimental, yaitu penelitian yang pengumpulan datanya berdasarkan pencatatan langsung dari hasil percobaan. Pengumpulan
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA A. Temu Kembali Citra Temu kembali citra adalah salah satu metodologi untuk penemuan kembali citra berdasarkan isi (content) citra. Citra memiliki informasi karakteristik visual berupa
Lebih terperinciBAB II TINJAUAN PUSTAKA. terjadi karena bergetarnya suatu benda, yang menyebabkan udara di sekelilingnya
BAB II TINJAUAN PUSTAKA 2. Nada dan Solmisasi 2.. Nada Apa yang dapat kita tangkap dengan pendengaran, disebut suara. Suara terjadi karena bergetarnya suatu benda, yang menyebabkan udara di sekelilingnya
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM. linear sequential (waterfall). Metode ini terdiri dari empat tahapan yaitu analisis,
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Perancangan program aplikasi yang dibuat dalam skripsi ini menggunakan aturan linear sequential (waterfall). Metode ini terdiri dari empat tahapan yaitu analisis,
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
35 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Implementasi GUI GUI diimplementasikan sesuai dengan program pengolah citra dan klasifikasi pada tahap sebelumya. GUI bertujuan untuk memudahkan pengguna mengidentifikasi
Lebih terperinciEKSTRAKSI JALAN SECARA OTOMATIS DENGAN DETEKSI TEPI CANNY PADA FOTO UDARA TESIS OLEH: ANDRI SUPRAYOGI NIM :
EKSTRAKSI JALAN SECARA OTOMATIS DENGAN DETEKSI TEPI CANNY PADA FOTO UDARA (Menggunakan Transformasi Wavelet Untuk Penghalusan Citra ) TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar
Lebih terperinciDIAGNOSIS KANKER PAYUDARA PADA MAMMOGRAM MENGGUNAKAN METODE TRANSFORMASI CURVELET DAN CBIR
DIAGNOSIS KANKER PAYUDARA PADA MAMMOGRAM MENGGUNAKAN METODE TRANSFORMASI CURVELET DAN CBIR TRI ADHI WIJAYA [5108100510] Surabaya, 19 Juli 2010 / Ruang Sidang S2 Gedung Teknik Informatika ITS Latar Belakang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Citra digital dalam dunia modern memainkan peran yang sangat penting dalam berbagai bidang kehidupan seperti penyelidikan forensik, pemrosesan asuransi, sistem pengawasan,
Lebih terperinciBAB III METODOLOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: b. Memori : 8192 MB. c. Sistem Model : Lenovo G40-45
20 BAB III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : AMD A8-6410 APU (4 CPUs), ~2.0 GHz b. Memori : 8192
Lebih terperinciMempelajari dasar-dasar teori dan mengumpulkan referensi yang berhubungan dengan batubara, jenis batubara, metode ekstraksi ciri Discrete Wavelet
BAB 1 PENDAHULUAN 1.1 Latar Belakang Batubara adalah bahan bakar fosil yang dapat terbakar, terbentuk dari endapan batuan organik yang terutama terdiri dari karbon, hidrogen dan oksigen. Batubara terbentuk
Lebih terperinciOPTIMASI WATERMARKING PADA CITRA BIOMETRIK MENGGUNAKAN ALGORITME GENETIKA
OPTIMASI WATERMARKING PADA CITRA BIOMETRIK MENGGUNAKAN ALGORITME GENETIKA Muhammad Rifqi Fadhilah *), Imam Santoso, and Ajub Ajulian Zahra Departemen Teknik Elektro, Universitas Diponegoro Jl. Prof. Sudharto,
Lebih terperinci