BAB 2 LANDASAN TEORI
|
|
- Hartanti Santoso
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB 2 LANDASAN TEORI 2.1 Karet Ribbed Smoked Sheet (RSS) Karet Lembaran Asap atau biasa disebut dengan Ribbed Smoke Sheet (RSS) merupakan salah satu jenis produk karet olahan dari getah tanaman karet Hevea brasiliensis yang di peroleh secara perkebunan maupun perorangan (Khomah et all, 2013). Produk olahan tanaman karet ini memiliki banyak kegunaan dalam pasar industri sebagai bahan baku pembuatan industri otomotif dan ban. Di tingkat dunia, Thailand, Indonesia dan Malaysia merupakan pengekspor karet terbesar di dunia. Indonesia memiliki kecenderungan pengeksporan karet ke negara Amerika Serikat (Sinaga, 2011). Karet Ribbed Smoked Sheet (RSS) diolah secara mekanis dan kimiawi melalui beberapa proses pengolahan yaitu penerimaan lateks kebun, pengenceran, pembekuan, penggilingan, pengasapan dan sortasi. Karet Ribbed Smoked Sheet ini banyak digunakan dalam pembuatan ban kendaraan bermotor. Karet Ribbed Smoked Sheet dapat dilihat pada Gambar 2.1 (a) Gambar 2.1 Karet RSS : (a) Jenis karet RSS1 ; (b) Jenis karet RSS2 (b)
2 7 Proses pengolahan karet Ribbed Smoked Sheet (RSS) antara lain : Penerimaan Lateks dari pohon karet yang disadap dan dikumpulkan dalam wadah untuk selanjutnya disaring guna memisahkan kotoran dan bagian lateks yang mengalami prakoagulasi Lateks dialirkan ke bak koagulasi untuk diencerkan guna memudahkan penyaringan kotoran dan menyeragamkan kadar karet kering agar mutu tetap dapat dijaga Dilakukan pembekuan lateks di dalam bak koagulasi dengan menambah zat koagulan yang bersifat asam berupa asam semut atau asam asetat dengan konsentrasi 1-2% dengan dosis 4 ml/kg karet kering. Tujuan penambahan zat koagulan adalah untuk menurunkan ph lateks sehingga lateks akan beku. Penambahan koagulan harus disertai pengadukan yang dilakukan sebanyak 6-10 kali maju dan mundur guna mencegah terbentuknya gelembung udara yang akan mempengaruhi lembaran yang dihasilkan. Setelah proses pembekuan, maka akan dilakukan poses penggilingan untuk mengeluarkan air, mengeluarkan serum, dan membentuk garis pada lembaran dan menipiskan lembaran. Dilakukan pengasapan di dalam kamar asap untuk mengeringkan lembaran, memberi warna coklat dan menghambat pertumbuhan jamur pada permukaan. Lembaran yang telah matang dari kamar asap akan ditimbang dan dicatat dalam arsip produksi dan dilakukan proses sortasi. Proses sortasi dilakukan secara manual untuk melihat warna, kotoran, gelembung udara, jamur dan kehalusan gilingan yang telah disesuaikan pada standar SNI Tabel 2.1. Syarat Kelas Mutu Visual RSS Kelas Mutu Penampakan Visual Cacat yang Diperkenankan RSS-1 - Kering, bersih, kekar, liat Sedikit gelembung udara sebesar kepala jaru dengan - Warna cerah dan letak tersebar seragam - Bebas dari gelembung udara, bintik putih,
3 8 jamur, bercak, karat dan bahan lainnya RSS-2 - Kering, bersih, kekar, liat - Warna cukup cerah dan - Bercak karat atau jamur kurang dari 5 % - Sediki gelembung udara cukup seragam sebesar kepala jarum - Masih diperkenankan dengan letak tersebar adanya bintik atau bercak RSS-3 - Tebal, gelap, warna - Gelembung udara tidak merata sebesar tiga kali ukuran - Terdapat gelembung jarum udara dan titik mentah - Bercak, karat dan serta lengket cendawan lebih dari 10% Sumber : Badan Penelitian Teknologi Karet Bogor (2000) Namun pada proses sortasi yang dilakukan oleh PT Perkebunan hanya dilandasi pada jumlah gelembung yang terdapat pada permukaan lembaran karet RSS. Setiap proses pengolahan harus selalu diperhatikan dan diawasi dengan benar. Pengolahan yang dilakukan secara salah pada salah satu tahap akan menghasilkan produksi karet RSS yang tidak bagus dan akan menyebabkan kerugian yang besar. Beberapa faktor yang perlu diperhatikan dalam pengolahan karet RSS antara lain : Getah berasal dari karet yang muda yang menghasilkan karet yang lekat, lembek dan mudah diulur saat digantung di dalam ruang asap. Kebersihan getah dari mulai masuk ke kebun sampe akan diolah di pabrik harus dijaga sehingga hasil produksi yang dihasilkan sesuai dengan standard mutu Perlunya penambahan antikoagulan untuk tangki penerima karet yang jauh dari pabrik. Penambahan antikoagulan sebaiknya tidak melebihi batas yang ditetapkan sehingga dapat mncegah pemakaian asam semut yang berlebihan saat proses pembekuan
4 9 Pemberian koagulan yang berlebihan akan menyebabkan koagulum menjadi keras dan sulit digiling. Penggilingan RSS dilakukan untuk memisahkan air dari gumpalan. Kecepatan penggilingan berbeda antara rol yang satu dengan yang berikutnya. 2.2 Pengolahan Citra Pengolahan citra merupakan proses pengolahan dan analisis citra tentang persepsi pada suatu citra. Pengolahan citra digital adalah disiplin ilmu yang mempelajari hal yang berhubungan dengan perbaikan citra, kualitas citra (peningkatan kontras, transformasi warna, restorasi citra), transformasi citra (rotasi, translasi, skala, transformasi geometrik), melakukan pemilihan ciri citra (feature image) yang optimal untuk dianalisis, penarikan informasi pada objek atau pengenalan objek yang terkandung pada citra, melakukan kompresi untuk memperkecil penyimpanan data, transmisi data dan waktu proses data. Input dari pengolahan citra adalah citra dan output-nya berupa citra hasil pengolahan (Sutoyo et al, 2009) Terminologi yang berkaitan dengan pengolahan citra adalah Computer vision. Computer vision ini mencoba meniru cara kerja sistem visual manusia. Dalam berbagai aplikasi Computer vision yang banyak dikembangkan adalah proses mengambil informasi dari gambar berupa fitur yang telah diekstraksi secara otomatis dari gambar itu sendiri. Proses ini sering disebut sebagai CBIR (Content-Based Image Retrieval) Proses yang menjadi populer selama beberapa tahun dalam bidang pengolahan citra (Choras, 2007). CBIR menggabungkan beberapa teknologi seperti multimedia, pengolahan citra dan sinyal, pengenalan pola, interaksi manusia dan komputer serta ilmu informasi persepsi manusia. Proses CBIR dapat dibagi dalam beberapa tahapan yaitu : 1. Preprocessing Proses ini digunakan untuk memproses citra sebelum dilakukan ekstraksi fitur dalam mendeskripsikan konten citra. Proses ini terdiri atas penyaringan, normalisasi, segmentasi, dan identifikasi objek. Hasil akhir dari proses preprocessing ini adalah sebuah area atau pun objek yang akan diekstraksi.
5 10 2. Ekstraksi Fitur Proses mengambil nilai inti (fitur) dari citra yang menggambarkan bentuk, tekstur, warna dan lain-lain. Beberapa algoritma yang digunakan dalam pengembangan CBIR terdiri atas tiga tugas yaitu : Ekstraksi Fitur Seleksi Klasifikasi Dari ketiga tugas ini, ekstraksi fitur memiliki fungsi paling penting karena fitur tertentu didapatkan untuk mendiskriminasikan suatu fitur yang dapat mempengaruhi proses klasifikasi. Pada proses klasifikasi pada CBIR, pengolahan citra dan pengenalan pola merupakan bagian CBIR. Pada CBIR, pengolahan citra merupakan proses awal dan pengenalan pola merupakan proses intepretasi citra. Pada penelitian ini akan dilakukan beberapa proses pada prapengolahan yang akan digunakan untuk mendapatkan nilai fitur pada proses ekstraksi fitur antara lain : Resizing Pada proses ini, citra akan diperkecil ukuran pikselnya guna menambah fokus pada objek yang akan diidentifikasi, membuang citra yang tidak memiliki informasi penting, memperbesar area tertentu pada suatu citra serta mengubah orientasi citra (Fajri, 2014). Grayscale Proses Grayscale adalah proses merubah nilai - nilai piksel dari warna RGB menjadi graylevel. Proses ini dapat digunakan untuk memisahkan bayangan dengan warna asli pada citra. Pada citra terdiri dari 24 bit yang setiap pikselnya mengandung warna dasar (Red, Green, Blue). Setiap warna dasar ini memiliki 8-bit warna yang berada pada rentang warna 0 ( ) sampai 255 ( ). Proses perhitungan nilai grayscale dapat dilakukan dengan persamaan (2.1) (2.1)
6 11 Thresholding Proses thresholding digunakan untuk mengatur derajat keabuan pada citra. Pada proses thresholding, citra memiliki dua tingkat keabuan yaitu hitam dan putih. Proses penentuan tingkat warna citra pada proses thresholding dilakukan dengan mendapatkan nilai ambang. Pada proses ini, perhitungan nilai ambang dilakukan pada setiap piksel pada citra. Jika nilai yang dihasilkan kurang dari nilai ambang maka nilai piksel tersebut akan diubah menjadi warna hitam dan jika nilai yang dihasilkan lebih dari nilai ratarata maka nilai piksel akan diubah menjadi warna putih. Proses perhitungan nilai ambang dapat dilakukan dengan persamaan : (2.2) Keterangan : T = Nilai threshold fmaks = Nilai piksel maksimum fmin = Nilai piksel minimum 2.3 Ekstraksi Fitur Ekstraksi fitur merupakan proses pengambilan ciri dari satu pola/bentuk sehingga di dapatkan suatu nilai pada pola citra untuk dilakukan analisis pada proses selanjutnya. Tugas ekstraksi fitur yaitu mengubah konten gambar menjadi berbagai konten fitur. Fitur-fitur yang memungkinkan membantu dalam proses pendiskriminasian citra akan digunakan pada proses selanjutnya. Sedangkan fitur yang tidak terpilih tidak akan digunakan. Dalam beberapa tahun ini, ekstraksi fitur menjadi trend dalam bidang pengolahan citra. Proses ekstraksi fitur pada konten citra terbukti cukup handal digunakan pada aplikasi professional dalam bidang industri, biomedis, otentifikasi dan pencegahan kejahatan. Ekstraksi fitur memiliki langkah paling penting karena fitur yang dihasilkan dapat membantu mendiskriminasikan secara langsung dalam proses klasifikasi (Choras, 2007). Hasil akhir dari proses ekstraksi fitur adalah kumpulan fitur dan
7 12 sering disebut sebagai vektor fitur. Fitur yang dihasilkan merupakan hasil dari representasi gambar. Fitur didefinisikan sebagai fungsi dari beberapa pengukuran dimana setiap pengukuran menentukan nilai dari sebuah objek dan dihitung sedemikian rupa sehingga pengukururan karakteristik objek lebih signifikan. Fitur dapat diklasifikasikan sebagai berikut : 1. Fitur umum Fitur umum merupakan nilai fitur yang bersifat independen seperti warna, tekstur, dan bentuk. Menurut level ekstraksi, fitur umum dibagi menjadi : Fitur pixel-level yaitu fitur dihitung pada setiap piksel. Fitur local yaitu fitur dihitung berdasarkan hasil subdivisi dari pola citra pada citra segmentasi ataupun deteksi tepi. Fitur global yaitu fitur dihitung pada seluruh konten pada citra. 2. Fitur spesifik merupakan nilai fitur yang bersifat dependen seperti wajah manusia, sidik jari, dan lain-lain. Fitur dapat diklasifikasikan kedalam low-level features dan high-level features. Proses ekstraksi pada low-level features dilakukan pada citra asli, dan proses ekstraksi pada high-level features bergantung pada fitur low-level features. Proses Ekstraksi fitur terbagi menjadi tiga macam yaitu : a. Ekstraksi fitur bentuk Ekstraksi fitur bentuk adalah perhitungan kesamaan / kedekatan antara representasi bentuk dengan fiturnya. Bentuk merupakan fitur visual yang penting dan merupakan salah satu fitur sederhana dalam mendeskripsikan konten citra. Fitur bentuk dikategorikan pada teknik yang digunakan. Kategori tersebut terdiri atas : Berdasarkan batas (boundary-based) Teknik ini merepresentasikan bentuk daerah dengan menggunakan karakteristik eksternal.
8 13 Berdasarkan daerah (region-based) Teknik ini merepresentasikan bentuk wilayah dengan karakteristik internal. b. Ekstraksi fitur tekstur Tekstur adalah salah satu bagian penting dari citra. Tekstur adalah descriptor wilayah yang dapat membantu dalam proses pengambilan informasi. Tekstur tidak memiliki kemampuan untuk menemukan kesamaan citra namun dapat digunakan untuk mengklasifikasikan citra bertekstur dari non-tekstur dan kemudian dapat dikombinasikan dengan fitur lainnya seperti warna untuk mendapatkan pengambilan informasi yang lebih efektif. Tekstur menjadi karakteristik penting yang dapat digunakan dalam pengklasifikasikan dan mengenal objek dan memiliki kemampuan menemukan persamaan antara citra-citra pada database multimedia. Pada dasarnya, metode representasi tekstur dapat diklasifikasikan menjadi dua kategori yaitu struktural dan statistik. Beberapa metode statistik antara lain Fourier power spectra, cooccurrence matrices, shift-invariant principal component analysis (SPCA), Tamura features, Gabor and wavelet transform. c. Ekstraksi fitur warna Pada ciri pembeda pada ekstraksi fitur adalah warna. Ekstraksi fitur warna merupakan fitur visual yang sering digunakan pada proses pengambilan informasi citra. Fitur warna dalam mengklasifikasikan citra memiliki keuntungan yaitu : ketahanan, efektif, implementasi yang sederhana, komputasi yang sederhana dan kemampuan penyimpanan yang kecil. Beberapa model warna yang sering digunakan antara lain : RGB (Red, Green, Blue), HSV (Hue, Saturation, Value) dan Y, C b, C r (Luminance and Chrominance). 2.4 Metode Zoning Metode Zoning merupakan salah satu metode dalam ekstraksi fitur. Metode Zoning dalam proses ekstraksi fitur menghasilkan hasil yang baik dan efisien dalam proses klasifikasi dan pengenalan (Rajashekararadhya & Ranjan, 2009). Setiap citra dibagi
9 14 menjadi M x N zona dan dari setiap zona dilakukan perhitungan nilai fitur sehingga didapatkan nilai fitur dan zona M x N. Adapun proses pada metode Zoning antara lain: Hitung jumlah piksel hitam dari setiap zona dari Z 1 sampai Z n. Tentukan nilai zona yang memiliki nilai piksel hitam paling tinggi. Hitung nilai fitur pada setiap zona dari Z 1 sampai Z n dengan persamaan (2.3). (2.3) 2.5 Learning Vektor Quantization Learning Vektor Quantization (LVQ) pertama kali diperkenalkan oleh Tuevo Kohonen yang memperkenalkan Self-Organizing Feature Map juga. LVQ merupakan jaringan hybrid yang menggunakan supervised dan unsupervised learning. Metode LVQ telah digunakan oleh banyak peneliti dalam memecahkan masalah klasifikasi. LVQ merupakan sebuah metode klasifikasi berdasarkan model kohonen yang dikenal sebagai Self-Organizing Map Network (SOM). Namun LVQ merupakan berbeda dengan SOM yang bersifat pembelajaran tidak terawasi, LVQ merupakan algoritma pembelajaran terawasi versi model Kohonen dengan arsitektur algoritma yang sederhana sehingga hanya terdiri dari satu lapisan input dan lapisan output (Azara et al, 2012). Learning Vektor Quantization (LVQ) merupakan metode pola klasifikasi pada setiap unit output mewakili sebuah kelas/kategori tertentu. Vektor bobot dari sebuah unit output digunakan sebagai vektor referensi untuk sebuah unit yang diwakili oleh sebuah kelas (Wahyono & Ernastuti, 2009). Arsitektur LVQ terdiri dari lapisan input (input layer), lapisan kompetitif dan lapisan output (output layer). Sebuah bobot akan menghubungkan lapisan input dengan lapisan kompetitif. Pada lapisan kompetitif, proses pembelajaran dilakukan secara terawasi. Hasil lapisan kompetitif berupa kelas yang dihubungkan dengan lapisan output oleh fungsi aktivasi. Arsitektur Jaringan LVQ dapat dilihat pada Gambar 2.2
10 15 X 1 W1 X 2 X-W 1 H1 D1 X 3 X-W 2 H2 D2 Xn Wn Gambar 2. Arsitektur jaringan LVQ Gambar 2.2 Arsitektur Jaringan LVQ Keterangan : X1, X2,..., Xn : Nilai input X-W1, X-Wn : Jarak bobot H1, H2 : Lapisan output D1, D2 : Nilai output N : Jumlah data W1,Wn : Nilai Data Inisialisasi Pada Gambar 2.2 dapat dijelaskan bahwa nilai X1 sampai nilai Xn merupakan nilai yang akan digunakan sebagai nilai input. Dengan nilai W1 sampai Wn sebagai nilai bobot. Nilai input akan dilakukan perhitungan dengan nilai bobot untuk mendapatkan jarak bobot terkecil. H1 dan H2 akan bertindak sebagai lapisan output dimana Lapisan ini akan mewakili satu kelas. Maka pada Gambar 2.2 dapat dilihat bahwa arsitektur memiliki 2 kelas. D1 dan D2 akan bertindak sebagai nilai output pada lapisan output yang akan digunakan sebagai bobot pada proses pengujian. Adapun kelebihan dari LVQ adalah : 1) Nilai error yang dihasilkan lebih kecil dibandingkan dengan jaringan syaraf tiruan Backpropagation 2) Data set yang besar dapat diringkas menjadi vektor kecil pada tahap klasifikasi 3) Tidak ada pembatasan pada dimensi codebook 4) Model yang dihasilkan dapat dilakukan perbaharuan secara bertahap
11 16 Sedangkan Kekurangan dari LVQ antara lain : 1) Diperlukan perhitungan yang akurat terhadap jarak untuk seluruh atribut 2) Akurasi model LVQ bergantung kepada inisialisasi dan parameter yang digunakan dalam perhitungan 3) Distribusi kelas pada data training mempengaruhi nilai akurasi 4) Sulitnya jumlah vektor yang ditentukan pada masalah yang diberikan. Parameter-parameter yang diperlukan dalam algoritma LVQ antara lain : 1. Learning rate (α) merupakan nilai tingkat pelatihan. Jika α terlalu besar maka algoritma menjadi tidak stabil dan terlalu kecil maka waktu proses yang diperlukan semakin lama. Nilai α berada pada rentang 0 < α < Penurunan Learning rate (Dec α) yaitu penurunan tingkat pelatihan. Penurunan Learning rate dilakukan setelah selesai dilakukan iterasi pada setiap data dan akan dilakukan pada iterasi yang selanjutnya. 3. Minimimum Learning rate (Min α) yaitu tingkat pelatihan yang masih diperbolehkan 4. Maksimum Epoch (MaxEpoch) yaitu jumlah iterasi maksimum yang boleh dilakukan selama proses pelatihan. Selama iterasi yang telah dilakukan telah mencapai iterasi maksimum, maka iterasi akan dihentikan. Metode LVQ dilakukan dengan proses pengenalan terlebih dahulu terhadap pola input kedalam bentuk vektor untuk memudahkan proses pencarian kelas. Setiap output menyatakan kelas tertentu maka pola input dapat dikenali kelasnya berdasarkan output yang diperoleh. LVQ mengenali pola input dengan kedekatan jarak antara vektor input dan vektor bobot. Pada LVQ terdapat dua proses yaitu : a. Proses Training Adapun algoritma metode LVQ (Hermanto et al, 2009) adalah sebagai berikut : 1) Tetapkan nilai bobot (w), maksimum epoch (MaxEpoch), error minimum (Eps) dan Learning rate (α). 2) Masukkan : Input : x(m,n)
12 17 Target : T(1,n) 3) Tetapkan kondisi awal : Epoch : 0; Err : 1 4) Kerjakan jika (epoch < MaxEpoch) atau (α > Eps) a. Epoch = Epoch + 1 b. Kerjakan untuk i=1 sampai n i. Tentukan J hingga x-w j minimum ii. Perbaiki w j dengan ketentuan : Jika T = C j maka : w j (baru) = w j (lama) + α [x- w j (lama) ] Jika T C j maka : w j (baru) = w j (lama) - α [x- w j (lama) ] c. Kurangi nilai α Keterangan notasi : X vektor latih (x1, x2,..., xn) T kategori benar untuk vektor latih Wj vektor bobot unit output j (w 1j, w 2j, w nj ) Cj Kategori yang mewakili output j x- w j Jarak bobot antara vektor input dan vektor bobot untuk output Pada tahap Training, Algoritma LVQ akan memproses input dengan menerima vektor input dengan keterangan kelas vektor. Kemudian vektor akan menghitung jarak semua vektor pewakil untuk kelas yang ada dengan menghitung jarak terdekat dengan Euclidean distance. Vektor yang memiliki jarak terdekat akan dianggap sebagai kelas pemenang yang dinamakan sebagai best matching unit (BMU). Jika nilai BMU yang didapatkan sesuai dengan keterangan kelas vektor maka vektor pewakil pada kelas tersebut akan disesuaikan agar lebih dekat dengan vektor input dan jika nilai BMU yang didapat tidak sesuai dengan keterangan kelas vektor maka vektor pewakil pada kelas tersebut akan disesuaikan agar lebih jauh dari vektor input.
13 18 Proses pada tahap ini dilakukan secara iterasi dengan learning rate yang mengecil. Satu iterasi dapat disebut sebagai satu epoch. Pada satu epoch, semua data akan dihitung jarak terdekatnya dan akan dilakukan perbaharuan pada vektor pewakil. Untuk melanjutkan ke epoch berikutnya maka learning rate akan dikalikan dengan Dec α. Setelah α telah mencapai minimal α, maka proses training akan dihentikan. b. Proses Testing Pada tahap testing, data diklasifikasikan dengan cara yang sama sesuai dengan tahap training. Dimana proses perhitungan dilakukan dengan mencari jarak terdekat dari setiap kelas. Setelah didapatkan jarak pada setiap bobot maka tentukan nilai bobot dengan jarak terdekat. Selanjutya nilai bobot tersebut akan ditetapkan sebagai kelas. 2.6 Penelitian Terdahulu Beberapa penelitian telah dilakukan untuk menyelesaikan permasalahan pada karet RSS. Pada penelitian yang dilakukan oleh (Ahmad et al, 2006) pada pemeriksaan mutu karet RSS menggunakan pengolahan citra dengan menganalisi karakteristik warna permukaan karet baik menggunakan model warna RGB maupun HSI dan karakteristik tekstur menggunakan analisis tekstur untuk tiap tiap kelas mutu RSS menghasilkan parameter warna dapat digunakan sebagai parameter mutu karet dan fitur tekstur tidak dapat dijadikan parameter mutu karet khususnya dalam menentukan batas RSS-2. Pada Model RGB, Indeks warna biru dapat digunakan untuk mengklasifikasikan mutu RSS dengan kesesuaian yang cukup tinggi namun hasil yang lebih baik dan konsistern diperoleh dengan menggunakan warna HIS dengan kriteria H 28 dan I 220 pada RSS1, H 68 dan S 73 untuk RSS3 dan RSS 2 berada pada llingkup selain kriteria RSS1 dan RSS3 dengan tingkat kesesuaian 86% untuk RSS1, 77,5% untuk RSS2, dan 95% untuk RSS3. Selain itu pada penelitian yang dilakukan oleh (Kurniawan, 2003) pada kajian karakteristik mutu karet olahan jenis RSS (Ribbed Smoke Sheet) dengan teknik pengolahan citra melakukan empat perlakuan yang berbeda pada proses pengambilan citra yaitu perlakuan I, pengambilan citra RSS dengan cahaya lampu dari atas dengan
14 19 tingkat resolusi 192 x 144. Perlakuan II, dengan cahaya lampu dari bawah dengan tingkat resolusi 192 x 144. Perlakuan III, dilakukan pencahayaan dari atas dengan resolusi 341 x 256 dan perlakuan IV, dilakukan pencahayaan dari bawah dengan resolusi 341 x 256. Dan parameter yang diukur dari citra RSS meliputi indeks warna RGB, komponen warna HIS dan komponen tekstur citra. Hasil pengolahan citra perlakuan I menunjukkan bahwa hanya parameter indeks warna biru saja yang dapat digunakan sebagai parameter sortasi dengan nilai batas atas sebesar dan batas bawah sebesar Hasil pengolahan citra perlakuan II menunjukkan parameter indeks warna merah, hijau, biru dan saturasi dapat digunakan sebagai parameter sortasi dengan batas atas dan batas bawah masing-masing Merah (0.4143, ), Hijau (0.3321, ), Biru (0.2743, ) dan Saturasi (95,76). Hasil perlakukan III ditemukan bahwa hanya parameter indeks warna biru yang dapat digunakan sebagai parameter sortasi dengan nilai batas atas sebesar dan batas bawah sebesar Hasil pengolahan citra perlakuan IV menunjukkan parameter indeks warna merah, hijau, biru dan saturasi dapat digunakan sebagai parameter sortasi dengan batas atas dan batas bawah masing-masing Merah (0.4168, ), Hijau (0.3305, ), Biru (0.2740, ) dan Saturasi (96.77). Dari hasil perbandingan antar setiap perlakukan menghasilkan presentase keberhasilan pemutuan resolusi 341 x 256 lebih tinggi dibandingkan resolusi 192 x 144. Pada penelitin yang dilakukan oleh (Umyai et al, 2011) dalam mendeteksi gelembung udara pada Ribbed Smoked Sheet berdasarkan dimensi fractal pada 500 citra RSS menghasilkan 98% tingkat keberhasilan klasifikasi ada atau tidaknya gelembung pada RSS. Pada penelitian yang dilakukan oleh (Pornpanomchai & Chantharangsikul, 2010) pada Sistem pengklasifikasian RSS menggunakan metode k-mean Clustering dan the Euclidean Distance untuk mengklasifikasikan RSS ke dalam lima kualitas yaitu RSS1, RSS2, RSS3, RSS4, dan RSS5 menghasilkan % tingkat keberhasilan dengan rata rata waktu klasifikasi detik per citra RSS
15 20 Pada penelitian yang dilakukan oleh (Prabpal et al, 2014) pada klasifikasi kualitas karet RSS menggunakan pengolahan citra dengan metode ANN menghasilkan tingkat akurasi 90 % pada 100 sampel karet RSS yang dibagi kedalam 4 level yaitu A (Sangat Bagus), B (Bagus), C (Cukup), dan D (Jelek) Tabel 2.2 Penelitian Terdahulu Peneliti Judul Penelitian Keterangan Pemeriksaan Mutu Karet Menggunakan model warna RGB Ahmad et al, RSS Menggunakan dan HSI 2006 Pengolahan Citra Kurniawan, 2003 Umyai et al, 2011 Kajian Karakteristik Mutu Karet Olahan Jenis RSS (Ribbed Smoke Sheet) Air bubbles Detecting on Ribbed Smoked Sheet Based on Fractal Dimension Mengunakan 4 perlakuan pada pencahayaan dan menggunakan model warna RGB dan HSI Menggunakan metode 2D-box counting untuk menghitung dimensi fractal Pornpanomchai & Chantharangsikul, 2010 Prabpal et al 2014 Ribbed Smoked Sheet Grading Sistem (RSSGS) The classify of rubber sheet quality by image processing with artificial neural network Menggunakan metode k-mean Clustering dan The Euclidean Distance Menggunakan metode ANN
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Tanaman karet merupakan tanaman yang memiliki peran penting di bidang industri terutama sebagai bahan baku di bidang industri ban dan otomotif (Sinaga, 2011). Indonesia
Lebih terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciBAB 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 terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih 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 terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sel Darah Merah Sel yang paling banyak di dalam selaput darah adalah sel darah merah atau juga dikenal dengan eritrosit. Sel darah merah berbentuk cakram bikonkaf dengan diameter
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan dan Praproses Data Kegiatan pertama dalam penelitian tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data sekunder
Lebih terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
Lebih terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciBAB II DASAR TEORI. 2.1 Meter Air. Gambar 2.1 Meter Air. Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus
BAB II DASAR TEORI 2.1 Meter Air Gambar 2.1 Meter Air Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor,
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciPENDAHULUAN. Latar Belakang
1 PENDAHULUAN Latar Belakang Karet alam (natural rubber, Hevea braziliensis), merupakan komoditas perkebunan tradisional sekaligus komoditas ekspor yang berperan penting sebagai penghasil devisa negara
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
Lebih terperinciIDENTIFIKASI JENIS BATU AKIK MENGGUNAKAN METODE LEARNING VEKTOR QUANTIZATION (LVQ)
IDENTIFIKASI JENIS BATU AKIK MENGGUNAKAN METODE LEARNING VEKTOR QUANTIZATION (LVQ) SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S. Kom.) Pada Program Studi Teknik
Lebih terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM
ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Dalam mengetahui suatu bahan jenis kulit cukup sulit karena bahan jenis kulit memeliki banyak jenis. Setiap permukaan atau tekstur dari setiap jenisnya
Lebih terperinciAPLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT
APLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT Fradika Indrawan Jurusan Teknik Informatika, Universitas Ahmad Dahlan, Yogyakarta Jl.
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 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 terperinciOleh: Angger Gusti Zamzany( ) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.
Oleh: Angger Gusti Zamzany(1210100 073) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI PENGUJIAN
Lebih terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih terperinciBAB II GAMBARAN UMUM PERUSAHAAN
BAB II GAMBARAN UMUM PERUSAHAAN 2.1. Sejarah Perusahaan Kebun Batang Serangan dibuka pada tahun 1910 yang dikelola oleh pemerintahan Belanda dengan nama perusahaan NV.BDM (Breningde Deli Maatscappinjen).
Lebih terperinciFUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ)
BAB 2 FUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ) Bab ini akan menjelaskan algoritma pembelajaran FNLVQ konvensional yang dipelajari dari berbagai sumber referensi. Pada bab ini dijelaskan pula eksperimen
Lebih terperinciIDENTIFIKASI KEMATANGAN JERUK BERDASARKAN CITRA WARNA RGB DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
IDENTIFIKASI KEMATANGAN JERUK BERDASARKAN CITRA WARNA RGB DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Erni Seniwati 1. 1 Program Studi Sistem Informatika STMIK AMIKOM Yogyakarta Email : erni.s@amikom.ac.id
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 terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Digital 2.1.1 Pengertian Citra Digital Secara umum, citra digital merupakan gambar 2 dimensi yang disusun oleh data digital dalam bentuk sebuah larik (array) yang berisi
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciALGORITMA LEARNING VECTOR QUANTIZATION UNTUK PENGENALAN BARCODE BUKU DI PERPUSTAKAAN UNIVERSITAS GALUH CIAMIS
ALGORITMA LEARNING VECTOR QUANTIZATION UNTUK PENGENALAN BARCODE BUKU DI PERPUSTAKAAN UNIVERSITAS GALUH CIAMIS Egi Badar Sambani 1), Neneng Sri Uryani 2), Rifki Agung Kusuma Putra 3) Jurusan Teknik Informatika,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. Bab 2 ini berisi tentang pembahasan teori-teori tentang jaringan syaraf tiruan, Algoritma Learning Vector Quantization (LVQ).
BAB 2 TINJAUAN PUSTAKA Bab 2 ini berisi tentang pembahasan teori-teori tentang jaringan syaraf tiruan, Algoritma Learning Vector Quantization (LVQ). 2.1. Algoritma Algoritma adalah urutan langkah-langkah
Lebih terperinciIDENTIFIKASI CITRA BILANGAN DESIMAL 0-9 BERBASIS LEARNING VECTOR QUANTIZATION SECARA REAL TIME
Jurnal POROS TEKNIK, Volume 4, No. 1, Juni 2012 : 24-29 IDENTIFIKASI CITRA BILANGAN DESIMAL 0-9 BERBASIS LEARNING VECTOR QUANTIZATION SECARA REAL TIME Gunawan Rudi Cahyono (1) (1) Staf Pengajar Jurusan
Lebih terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. fold Cross Validation, metode Convolutional neural network dari deep learning
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Program P rinsip kerja program yaitu dengan melakukan pra pengolahan citra terhadap foto fisik dari permukaan buah manggis agar ukuran seluruh data
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Jaringan Saraf Tiruan Jaringan saraf tiruan adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia.
Lebih terperinciIdentifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ)
Identifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ) Sutarno Rouzan Fiqri Abdullah Rossi Passarella Jurusan Sistem
Lebih terperinciKLASIFIKASI KUALITAS BUAH GARCINIA MANGOSTANA L. MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION
KLASIFIKASI KUALITAS BUAH GARCINIA MANGOSTANA L. MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION Endi Permata 1), Andri Suherman 2) 1) Pendidikan Teknik Elektro Universitas Sultan Ageng Tirtayasa Banten
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
Lebih terperinciBAB 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 terperinciTujuan Penelitian Tujuan penelitian ini adalah untuk melakukan deteksi penyakit pada daun rose dengan menggunakan metode ANN.
Laporan Akhir Projek PPCD Deteksi Penyakit Daun Menggunakan Artificial Neural Network (ANN) TRI SONY(G64130020), GISHELLA ERDYANING (G64130040), AMALIYA SUKMA RAGIL PRISTIYANTO (G64130044), MUHAMMAD RIZQI
Lebih terperinciBAB 2 Landasan Teori
BAB 2 Landasan Teori Pengenalan manusia secara otomatis menggunakan mesin merupakan masalah yang menantang dan telah menjadi banyak perhatian selama beberapa tahun terakhir. (Jawad, Syed, dan Farrukh,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan
1 BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Indonesia merupakan negara berkembang yang memiliki jumlah penduduk yang cukup banyak. Menurut hasil sensus penduduk tahun 2010 yang dikeluarkan
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 terperinciREKAYASA SUMBER CAHAYA PADA PROSES SORTASI RIBBED SMOKE SHEET (RSS)
REKAYASA SUMBER CAHAYA PADA PROSES SORTASI RIBBED SMOKE SHEET (RSS) SKRIPSI Diajukan guna melengkapi tugas akhir dan memenuhi salah satu syarat untuk meneyelesaikan Progam Studi Teknik Pertanian (S1) dan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciGLOSARIUM Adaptive thresholding Peng-ambangan adaptif Additive noise Derau tambahan Algoritma Moore Array Binary image Citra biner Brightness
753 GLOSARIUM Adaptive thresholding (lihat Peng-ambangan adaptif). Additive noise (lihat Derau tambahan). Algoritma Moore : Algoritma untuk memperoleh kontur internal. Array. Suatu wadah yang dapat digunakan
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 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 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 terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan.
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan. Pada hari Jumat tanggal 2 Oktober 2009 di Abu Dhabi, Uni Emirat Arab, United Nations Educational, Scientific, and Culture Organization (UNESCO) memberikan
Lebih terperinciBAB II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan
BAB II LANDASAN TEORI 2.1. Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus dan intensitas cahaya pada bidang dwimatra
Lebih terperinciPengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2)
Pengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2) ISSN : 1693 1173 Abstrak Pengenalan obyek pada citra merupakan penelitian yang banyak dikembangkan. Salah satunya pengenalan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinciTugas Akhir Pengembangan Perangkat Lunak Berbasis Suara Ucapan untuk Membuka dan Mencetak Dokumen
Tugas Akhir Pengembangan Perangkat Lunak Berbasis Suara Ucapan untuk Membuka dan Mencetak Dokumen Oleh: Abd. Wahab 1208100064 Pembimbing: Drs. Nurul Hidayat, M.Kom 19630404 198903 1 002 BAB1 Pendahuluan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini teknologi sudah semakin berkembang, hal ini tentunya memberi pengaruh juga dalam berkembangnya ilmu pengetahuan. Perkembangan tersebut juga berpengaruh pada
Lebih terperinciKLASIFIKASI MUTU JERUK NIPIS DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) Ahmad Sahru Romadhon 1 dan Vivi Tri Widyaningrum 2
Volume 8, No. 2, Oktober 2015 Halaman 121-128 ISSN: 0216-9495 KLASIFIKASI MUTU JERUK NIPIS DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) Ahmad Sahru Romadhon 1 dan Vivi Tri Widyaningrum 2 1,2 Program
Lebih terperinciBAB 3 METODE PERANCANGAN
BAB 3 METODE PERANCANGAN 3.1 Konsep dan Pendekatan Tujuan utama yang ingin dicapai dalam pengenalan objek 3 dimensi adalah kemampuan untuk mengenali suatu objek dalam kondisi beragam. Salah satu faktor
Lebih terperinciBAB II TINJAUAN PUSTAKA. yang revelan dengan penelitian yang akan. antara metode Kohonen Neural Network dengan metode Learning ng Vector
BAB II TINJAUAN PUSTAKA Pada Bab ini akan menjelaskan tentang teori-teori o i serta hasil penelitian yang revelan dengan penelitian yang akan an dilakukan. an. A. Tinjauan an Pustaka Prabowo, o, Sarwoko
Lebih terperinciIMPLEMENTASI PENGOLAHAN CITRA DAN ALGORITMA LVQ UNTUK PENGENALAN POLA BUKU
IMPLEMENTASI PENGOLAHAN CITRA DAN ALGORITMA LVQ UNTUK PENGENALAN POLA BUKU Andi Lukman Program Studi Teknik Informatika STIMED Nusa Palapa, Jl. Urip Sumohardjo No. 20 Graha Pena Lt. 10 Makassar uke@stimednp.ac.id
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciPENENTUAN NILAI VEKTOR PEWAKIL AWAL PADA ARSITEKTUR JARINGAN SYARAF TIRUAN LVQ UNTUK PENGENALAN WAJAH
PENENTUAN NILAI VEKTOR PEWAKIL AWAL PADA ARSITEKTUR JARINGAN SYARAF TIRUAN LVQ UNTUK PENGENALAN WAJAH Devira Anggi Maharani 1, Mila Fauziyah 2, Denda Dewatama 3 1,2 Jurusan Elektro, Prodi Elektronika,
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciBAB III METODE PENELITIAN. Tujuan tugas akhir ini akan membangun suatu model sistem yang
BAB III METODE PENELITIAN 3.1 Model Pengembangan Tujuan tugas akhir ini akan membangun suatu model sistem yang melakukan proses data mulai dari pengolahan citra otak hingga menghasilkan output analisa
Lebih terperinciPENGARUH WAKTU TERHADAP KESTABILAN INTENSITAS BERKAS CAHAYA PADA LATEKS
Prosiding Seminar Nasional Kulit, Karet dan Plastik Ke-5 ISSN : 2477-3298 PENGARUH WAKTU TERHADAP KESTABILAN INTENSITAS BERKAS CAHAYA PADA LATEKS Januar Arif Fatkhurrahman 1 dan Ikha Rasti Julia Sari 1
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Citra Digital Gambar atau citra merupakan informasi yang berbentuk visual. Menurut kamus Webster citra adalah suatu representasi, kemiripan atau imitasi dari suatu objek atau
Lebih terperinciBAB I PENDAHULUAN. Pangan adalah salah satu hak azasi manusia dan sebagai komoditi strategis
BAB I PENDAHULUAN A. Latar Belakang Pangan adalah salah satu hak azasi manusia dan sebagai komoditi strategis yang dilindungi oleh Undang-Undang Dasar Negara Republik Indonesia tahun 1945 (Tim Koordinasi
Lebih terperinciGambar 2.1 Neuron biologi manusia (Medsker & Liebowitz, 1994)
BAB 2 LANDASAN TEORI 2.1. Jaringan Saraf Biologi Manusia Otak manusia memiliki struktur yang sangat kompleks, serta memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Folder Sebuah directory (folder) adalah seperti ruangan-ruangan (kamar-kamar) pada sebuah komputer yang berfungsi sebagai tempat penyimpanan dari berkas-berkas (file).
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman
BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian
Lebih terperinciPENENTUAN KUALITAS DAUN TEMBAKAU DENGAN PERANGKAT MOBILE BERDASARKAN EKSTRASI FITUR RATA-RATA RGB MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR
PENENTUAN KUALITAS DAUN TEMBAKAU DENGAN PERANGKAT MOBILE BERDASARKAN EKSTRASI FITUR RATA-RATA RGB MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR Eko Subiyantoro, Yan Permana Agung Putra Program Studi Teknik
Lebih terperinciANALISIS DEKOMPOSISI WAVELET PADA PENGENALAN POLA LURIK DENGAN METODE LEARNING VECTOR QUANTIZATION
ANALISIS DEKOMPOSISI WAVELET PADA PENGENALAN POLA LURIK DENGAN METODE LEARNING VECTOR QUANTIZATION Bambang Robi in eure_bbg@yahoo.com Akademi Teknik PIRI Yogyakarta Abstrak Indonesia merupakan negara yang
Lebih terperinciAPLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
APLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Citra Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciSuatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara.
Image Enhancement Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang bisa dilakukan misalnya dengan fungsi transformasi, operasi matematis,
Lebih terperinciIMPLEMENTASI PENGOLAHAN CITRA UNTUK MENGHITUNG RESISTANSI RESISTOR MENGGUNAKAN METODE BACK PROPAGATION
IMPLEMENTASI PENGOLAHAN CITRA UNTUK MENGHITUNG RESISTANSI RESISTOR MENGGUNAKAN METODE BACK PROPAGATION Abdi Haqqi An Nazilli 1, Deddy Kusbianto Purwoko Aji 2, Ulla Delfana Rosiani 3 1,2 Teknik Informatika,
Lebih terperinciIdentifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur
Identifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur Cahya Hijriansyah 1, Achmad Solichin 2 1,2 Program Studi Teknik Informatika
Lebih terperinciKOMPRESI CITRA BERWARNA DENGAN ALGORITMA ENHANCED SELF ORGANIZING MAP (ENHANCED SOM)
KOMPRESI CITRA BERWARNA DENGAN ALGORITMA ENHANCED SELF ORGANIZING MAP (ENHANCED SOM) Bambang Trianggono *, Agus Zainal Arifin * Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
Lebih terperinciBAB 2 LANDASAN TEORI. dari sudut pandang matematis, citra merupakan fungsi kontinyu dari intensitas cahaya
5 BAB 2 LANDASAN TEORI 2.1 Citra Secara harfiah citra atau image adalah gambar pada bidang dua dimensi. Ditinjau dari sudut pandang matematis, citra merupakan fungsi kontinyu dari intensitas cahaya pada
Lebih terperinciIII. METODOLOGI PENELITIAN
15 III. METODOLOGI PENELITIAN A. Waktu dan Tempat Penelitian ini dilaksanakan pada bulan Juli Desember 2007 di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian, Departemen Teknik Pertanian, Fakultas
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Sebagai tinjauan pustaka, berikut beberapa contoh penelitian telapak kaki yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan studi (state of the art) Berikut penelitian yang telah dilakukan sebelumnya : 1. Penelitian dilakukan oleh Sigit Sugiyanto Feri Wibowo (2015), menjelaskan tentang klasifikasi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
Lebih terperinciLEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA
LEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA 1,2,3 Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara e-mail: edgar.audela.bb@students.usu.ac.id,
Lebih terperinciPengolahan citra. Materi 3
Pengolahan citra Materi 3 Citra biner, citra grayscale dan citra warna Citra warna berindeks Subject Elemen-elemen Citra Digital reflectance MODEL WARNA Citra Biner Citra Biner Banyaknya warna hanya 2
Lebih terperinci