Klasifikasi Jenis Pisang Menggunakan Support Vector Machine dengan Fitur GLCM dan HOG
|
|
- Leony Oesman
- 3 tahun lalu
- Tontonan:
Transkripsi
1 Indonesian Journal of Computer Science dan (online) Jln. Khatib Sulaiman Dalam, No. 1, Padang, Indonesia, Telp. (0751) , Website: ijcs.stmikindonesia.ac.id Klasifikasi Jenis Menggunakan Support Vector Machine dengan Fitur GLCM dan HOG Herry Kamaruddin Sanjaya 1, Novan Wijaya 2 Herryherry2x@mhs.mdp.ac.id, novan.wijaya@mdp.ac.id 1STMIK GI Multi Data Palembang 2AMIK Multi Data Palembang Informasi Artikel Diterima : Direview : Disetujui : Kata Kunci SVM;HOG;GLCM;Cross Validation Abstrak memasok kebutuhan tidak hanya pasar dalam negeri, tetapi juga pasar internasional. Proses pengenalan aneka buah pisang pada umumnya dilakukan dengan dua cara yaitu pertama dilakukan secara manual oleh manusia untuk pengenalan buah pisang dan kedua menggunakan metode destruktif dengan cara pengambilan sampel. Permasalahan yang terjadi pada kedua proses tersebut yaitu memiliki biaya yang relatif besar dan kemungkinan terjadinya kesalahan pengamatan sangat besar. Untuk itu diperlukan suatu sistem yang dapat mengklasifikasikan buah pisang menggunakan pengolahan citra digital dan Support Vector Machine (SVM) yang diimplementasikan pada penelitian ini. Pemrosesan citra digital digunakan untuk mengekstraksi fitur bentuk dan tekstur buah pisang, sedangkan SVM digunakan untuk klasifikasi buah pisang. Pada tahap pengujian menggunakan cross validation untuk 7 kelas pisang. Pada penelitian ini SVM mampu mengklasifikasikan jenis buah pisang pada citra dengan fitur GLCM dan HOG pada iterasi 1 dengan akurasi keseluruhan sebesar 74,28% yaitu pada jenis buah pisang susu. Keywords SVM;HOG;GLCM; Cross Validation Abstract Banana supplies not only the domestic market, but also the international market. In the process of introducing a variety of bananas are generally done in two ways, firstly done manually by humans to introduce bananas and secondly to use destructive methods by taking samples. The problem that occurs in this second process is having relatively large and greater costs. This requires a system that can classify bananas using digital image processing and the Vector Support Machine (SVM) implemented in this study. Digital images are used to extract the shape and texture features of bananas, while SVM is used for banana classification. Where in the test using cross validation for 7 classes of bananas. SVL is able to classify the types of bananas in the image with GLCM and HOG features in iteration 1 with an overall accuracy of 74.28% in the type of milk bananas. Attribution-ShareAlike 4.0 International License Vol. 9, No. 2, Edisi Oktober 2020 page 129
2 A. Pendahuluan merupakan salah satu komoditas buah unggulan Indonesia yang memberikan kontribusi besar terhadap angka produksi buah nasional. Setiap tahunnya produksi pisang di Indonesia menunjukkan peningkatan pada seminar FGD Pengembangan Hortikultura untuk Peningkatan Ekspor dan Ekonomi Daerah oleh Deputi Bidang Koordinasi Pangan dan Pertanian Kementerian Koordinator Bidang Perekonomian pada tanggal 12 Agustus [1]Jenis pisang yang termasuk dalam Musa paradisiaca L yang memiliki nilai ekonomi tinggi karena keistimewaan rasa dan aroma buahnya, yaitu pisang ambon, pisang barangan, pisang raja, pisang kepok, pisang tanduk, pisang badak, pisang nangka, pisang mas, pisang susu. Pengenalan buah pisang dapat dilakukan dari pengalaman seseorang, dengan cara mengenali bentuk dan warna kulit saja, terkadang terdapat perbedaan persepsi dari masyarakat tentang penyeleksian buah pisang terhadap faktor komposisi warna, bentuk, ukuran citra suatu objek berbeda-beda walaupun objek yang dilihat sama persis. Dengan banyaknya jenis pisang yang ada, membutuhkan biaya yang besar dalam penyeleksian pisang jika menggunakan kemampuan manusia. Apabila sebuah pabrik ingin mengolah pisang dalam skala besar maka biaya yang dibutuhkan untuk menerima karyawan untuk memperhatikan jenis pisang secara manual sangat besar [2]. Penelitian ini akan mengembangkan sebuah aplikasi yang dapat membantu dalam melakukan proses klasifikasi jenis pisang. Berdasarkan permasalahan tersebut di atas, maka pengenalan jenis buah pisang juga dapat dilakukan menggunakan pengolahan citra digital (image processing). Penelitian ini menggunakan gabungan beberapa metode seperti metode GLCM dan HOG serta SVM sebagai metode klasifikasi. Beberapa penelitian sebelumnya pernah dilakukan terkait dengan objek pisang diantaranya menggunakan metode Principal Component Analysis (PCA) untuk membedakan jenis buah pisang dengan ciri warna kulit, bentuk, dan ukuran buah pisang serta dapat mengimplementasikan metode PCA kedalam suatu aplikasi indentifikasi perbedaan jenis buah pisang [3]. Penelitian berikutnya yang mengangkat tema otomatisasi klasifikasi kematangan buah mengkudu menggunakan Support Vector Machines (SVM) untuk mengenali buah berdasarkan warna (HSV) dan tekstur (GLCM) dimana di dapatkan hasil bahwa menggunakan SVM kernel linear persentase hasil klasifikasi tekstur dan warna sebesar 85 %. Seperti yang dilakukan [4]. Pengenalan objek melalui bentuk, metode yang dapat digunakan yaitu metode Histogram of Oriented Gradients (HOG). Pada penelitian sebelumnya mengenai pengenalan buah mangga menggunakan HOG-JST di dapatkan hasil pengujian pengenalan bentuk dengan metode pengenalan jaringan saraf tiruan backpropagation dengan input berupa fitur dari Histogram of Oriented Gradients mendapatkan tingkat akurasi 90%. Hal ini mengindikasikan bahwa fitur HOG dapat digunakan. Namun belum diketahui pengaruh tingkat pengenalan terhadap banyaknya jenis yang harus dikenali [5]. Selanjutnya pada penelitian tentang pemanfaatan ciri Gray Level Co- Occurrence Matrix (GLCM) Citra Jeruk Keprok (Citrus reticulata Blanco) untuk klasifikasi mutu, diperoleh hasil bahwa citra jeruk keprok untuk klasifikasi mutu dapat memberikan hasil terbaik sebesar 82.5% dengan jumlah data latih Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 130
3 sebesar 20 dan 30 data, pada jarak ketetanggaan piksel (distance) sebesar 2 dan pada arah GLCM 45 [6]. Berdasarkan penelitian-penelitian yang telah dilakukan sebelumnya mengenai klasifikasi jenis pisang, belum terdapat penelitian dengan metode GLCM sebagai identifikasi fitur dengan perbedaan piksel, HOG digunakan pengenalan bentuk fitur objek dan SVM digunakan sebagai klasifikasi jenis pisang. Penelitian terkait yang telah dilakukan dengan objek penelitian pisang ambon dan emas menggunakan metode HSV sebagai pengenalan warna, GLCM sebagai identifikasi fitur dan SVM sebagai klasifikasi dengan tingkat klasifikasi 85% [3]. Penelitian yang akan dilakukan dengan objek pisang yang lebih banyak, diantaranya pisang ambon, pisang barangan, pisang raja, pisang kepok, pisang tanduk, pisang mas, dan pisang susu. Dengan objek penelitian yang lebih banyak dan metode yang digunakan berbeda dengan penelitan terdahulu, menjadi menarik untuk dikembangkan. Berdasarkan penelitian yang sudah pernah dilakukan sebelumnya, maka penelitian ini melakukan pengenalan objek berdasarkan bentuk objek menggunakan Histogram of Oriented Gradients (HOG) sebagai fitur untuk mengenali objek, kemudian menggunakan fitur Gray Level Co_Occurrence Matrix (GLCM) dapat mengetahui perbedaan nilai pada suatu piksel dengan piksel lainnya pada citra, dan menggunakan Support Vector Machine (SVM) B. Metode Penelitian Gambar 1. Rancangan metodologi Berdasarkan Gambar 1, dapat dijelaskan rancangan metodolodi yang digunakan sebagai berikut : 1. Identifikasi Sistem Tahapan ini menentukan permasalahan sesuai dengan bidang ilmu, dalam hal ini klasifikasi jenis buah pisang. 2. Studi Literatur Tahapan ini merupakan pencarian beberapa jurnal dan buku yang terkait mengenai klasifikasi jenis buah pisang menggunakan bermacam metode yang digunakan, jurnal yang terkait mengenai metode ektraksi ciri citra Histogram of Oriented Gradient (HOG), ekstraksi tekstur citra Gray Level Co-Occurrence Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 131
4 Matrix (GLCM) dan metode yang terkait metode klasifikasi Support Vector Machine (SVM). 3. Pengumpulan Data Pengumpulan data berupa citra, dilakukan dengan cara pemotretan objek buah pisang. Pemotretan dilakukan menggunakan kamera belakang handphone merk Xiaomi Note 4x dengan resolusi sensor sebesar 13 megapixel dengan lampu flash. Media pemotretan dibuat menggunakan kardus bekas air minum mineral dan di dalam kardus dilapis dengan kertas karton putih yang dapat dilihat pada Gambar 2. Pemotretan dilakukan dengan satu jarak, yaitu lebih kurang 30 cm [7]. Gambar 2. Pemotretan jarak 30 cm Data terbagi dua, yaitu data training dan data testing. Data training berjumlah 45 buah citra dan data testing berjumlah 15 buah citra untuk setiap jenisnya. Data data training digunakan untuk menghasilkan model klasifikasi, dan data testing digunakan dalam evaluasi model klasifikasi. Jumlah data setiap jenis buah pisang dapat dilihat pada Tabel 1. Tabel 1. Jumlah data setiap jenis buah pisang Jenis Jenis Data Training Raja Mas susu Total Data Uji Histogram of Oriented Gradient (HOG) Histogram of Oriented Gradient (HOG) merupakan salah satu metode ekstraksi ciri bentuk yang digunakan pada computer vision dalam pengolahan citra dengan cara menghitung nilai gradien pada suatu citra untuk mendapatkan hasil yang akan digunakan untuk mendeteksi objek. Tiap image mempunyai karakteristik yang disebut dengan distribusi gradient. Karakteristik ini diperoleh dengan membagi image kedalam daerah kecil yang disebut cell. Tiap cell disusun Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 132
5 sebuah histogram dari sebuah gradient. Kombinasi dari histogram ini dijadikan sebagai descriptor yang mewakili sebuah obyek. Pada metode ini, feature HOG dapat diperoleh dari membagi gambar kedalam cell berukuran n x n, lalu dikelompokan yang saling beririsan satu sama lain. Dari tiap cell masing-masing blok, dihitung gradient, magnitude, dan orientation [8]. Gray-Level Co-Occurrence Matrix (GLCM) Gray-Level Co-Occurrence Matrix (GLCM) merupakan metode yang paling umum digunakan dalam menganalisis tekstur. GLCM merupakan matriks persegi memiliki, dimana A mewakili jumlah tingkat abu-abu sebuah gambar. Sebuah elemen p(i, j, d, θ) dari GLCM, dan gambar mewakili frekuensi relatif, dimana i merepresentasikan tingkat keabuan di lokasi (x,y), dan j merupakan tingkat keabuan piksel tetangga dengan jarak d dan orientasi θ dari lokasi (x,y). Jarak (d) yang digunakan biasanya 1 piksel dan orientasi sudut yang digunakan biasanya bernilai 0, 45, 90, dan 135 [9]. Support Vector Machine (SVM) Support Vector Machine (SVM) merupakan salah satu metode yang memiliki perfoma yang baik dalam menyelesaikan masalah sebagai classification, regression, dan novelty detection. SVM termasuk dalam supervised learning yang membutuhkan pembelajaran dalam pengelompokan agar menghasilkan data yang sesuai dengan data yang ada [10]. Confusion Matrix Confusion Matrix atau error matrix merupakan sebuah matriks yang menampilkan visualisasi kinerja dari algoritma klasifikasi menggunakan data dalam matriks [11]. Hal tersebut membandingkan klasifikasi prediksi terhadap klasifikasi aktual dalam bentuk False Positif (FP), True Positif (TP), False Negatif (FN), dan True Negatif (TN) dari informasi. Confusion Matrix untuk sistem klasifikasi dua kelas dapat dilihat pada Gambar 3. Gambar 3. Confusion matrix Gambar 3. menjelaskan bahwa ketika berada pada kolom TP maka hasil akhir bernilai benar dan terindentifikasi sebagai positif, ketika hasil berada pada kolom FP maka hasil adalah salah dan terindentifikasi sebagai positif. Ketika hasil berada pada kolom FN maka hasil adalah salah dan terindentifikasi sebagai negatif dan Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 133
6 ketika hasil berada di kolom TN, maka akan bernilai benar dan terindentifikasi negatif [12]. Berdasarkan nilai True Negative (TN), False Positive (FP), False Negative (FN), dan True Positive (TP) dapat diperoleh nilai akurasi, presisi, dan recall. Nilai akurasi menggambarkan seberapa akurat sistem dapat mengklasifikasikan data secara benar, nilai akurasi dapat diperoleh dengan persamaan 1. Nilai presisi menggambarkan jumlah data kategori positif yang diklasifikasikan secara benar dibagi dengan total data yang diklasifikasikan positif. Presisi dapat diperoleh dengan persamaan 2. Sedangkan recall menunjukkan berapa persen data kategori positif yang terklasifikasikan dengan benar oleh sistem. Nilai recall diperoleh dengan persamaan 3. (1) Akurasi merupakan tingkat kedekatan antara nilai prediksi dengan nilai aktual, presisi adalah tingkat ketepatan antara informasi yang diminta oleh pengguna dengan jawaban yang diberikan oleh sistem dan recall adalah tingkat keberhasilan sistem dalam menemukan informasi. C. Hasil dan Pembahasan Implementasi HOG Pada tahap ekstraksi HOG, citra buah pisang setelah melakukan tahapan praprocesing kemudian diubah ke grayscale yang berukuran 714 x 1003 pixel ke dalam bentuk biner dengan threshold tertentu. Threshold bisa ditentukan dengan menggunakan fungsi graythresh, selanjutnya menggunakan im2bw mengkonversi citra grayscale menjadi citra biner dengan threshold tersebut [13]. Hasil dari proses ini pada tiap layernya akan menghasilkan citra dengan background berwarna putih (dalam biner bernilai 1) dan setelah itu dilanjutkan tahap untuk memperkecil ukuran citra 256 x 256 pixel dan mengubah citra menjadi cell berukuran [4x4] kemudian menggunakan extracthogfeatures. Proses HOG dapat dilihat pada Gambar 4. Gambar 4 menunjukkan proses yang dihasilkan sehingga menghasilkan proses HOG. Pertama citra hasil kamera akan dilakukan preprocessing dengan metode grayscale dan threshold, dimana dari hasil tersebut akan dilakukan proses HOG. Hasil HOG ditunjukkan pada Gambar 4. (2) (3) Gambar 4. Hasil HOG Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 134
7 Implementasi GLCM Pada tahap GLCM dilakukan setelah proses ekstraksi fitur HOG. Fitur GLCM yang terdiri dari fitur contrast, correlation, energy dan homogeneity menggunakan sudut 0, 45, 90 dan 135 dengan jarak piksel dari 1 sampai 10 piksel. Proses GLCM dapat dilihat pada Gambar 5. Gambar 5 menunjukkan hasil proses GLCM, proses yang dilakukan citra hasil kamera akan dilakukan preprocessing, dimana hasil dari proses sebelumnya akan dilakukan proses GLCM. Gambar 5. Hasil GLCM Implementasi SVM Implementasi klasifikasi SVM bertujuan untuk membedakan 7 jenis buah pisang yaitu ambon, barangan, emas, kepok, raja, susu, dan tanduk yang dibedakan dari data fitur yang didapat dari proses ekstraksi ciri HOG dan GLCM. Klasifikasi SVM dilakukan dengan menggunakan model yang didapat dari proses pelatihan (training). Pada proses training akan diambil data buah pisang menggunakan fungsi fitcecoc. Fungsi Fitcecoc adalah klasifikasi multikelas yang bekerja dengan mereduksi menjadi klasifikasi biner. Kemudian tahap selanjutnya disimpan kedalam bentuk.mat yang akan digunakan untuk tahap training dan testing. Tahap selanjutnya memprediksi label sampel menggunakan fungsi predict yaitu data yang terdapat dalam classifier.mat digunakan dalam pengujian citra input-an. Proses predict SVM dapat dilihat pada Gambar 6. Gambar 6. Proses SVM Confusion Matrix Pada tahap pengujian dilakukan pada tujuh jenis buah pisang yaitu ambon, barangan, emas, kepok, raja, susu, dan tanduk. Setiap jenis buah pisang terdapat enam puluh (60) gambar dan total seluruh buah pisang adalah empat ratus dua puluh (420) gambar. Pada tahap ini akan menggunakan cross validation dan confusion matrix dapat dilihat pada Gambar 7. Cross validation dilakukan proses data yang diambil baik itu data yang akan diuji maupun dilatih. Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 135
8 Class Gambar 7. Cross validation Pada iterasi 1 menghasilkan tingkat akurasi sebesar 0,7428 dengan menggunakan confusion matrix pada Tabel 2 dan Tabel 3 Hasil perhitungan, Recall, Accuration pada iterasi 1. Tabel 2 Confusion Matrix Untuk 7x7 Pada Iterasi 1 Actual Class Raja Untuk prediksi masing-masing jenis buah pisang pada iterasi 1 sebagai berikut : Actual Actual Actual Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 136
9 Class Actual Raja Actual Raja Raja Raja 12 3 Raja Actual Actual Hasil keseluruhan perhitungan precision, recall, accuration pada iterasi 1 dapat dilihat pada Tabel 3. Tabel 3., Recall, Accuration Pada Iterasi 1 60,00% 80,00% 100,00% 80,00% 80,00% 100,00% 20,00% Recall 75,00% 100,00% 60,00% 100,00% 52,17% 83,33% 100,00% Accuration 91,43% 97,14% 90,48% 97,14% 86,67% 97,14% 88,57% Overall Accuration Iteration 1= x 100 = 74,28% Pada iterasi 2 menghasilkan tingkat akurasi sebesar 0,5937 dengan menggunakan confusion matrix pada Tabel 4 dan Tabel 5 Hasil perhitungan, Recall, Accuration pada iterasi 2. Tabel 4. Confusion Matrix Untuk 7x7 Pada Iterasi 2 Actual Class Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 137
10 Raja Untuk prediksi masing-masing jenis buah pisang pada iterasi 2 sebagai berikut : Raja Actual Actual Actual Actual Actual Raja Raja Raja Raja Actual Actual 4 41 Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 138
11 Class Hasil keseluruhan perhitungan precision, recall, accuration pada iterasi 2 dapat dilihat pada Tabel 5. Tabel 5., Recall, Accuration Pada Iterasi 2 66,67% 37,78% 68,89% 100% 33,33% 100% 8,89% Recall 48,39% 65,38% 62,00% 100% 53,57% 45,00% 100% Accuration 85,08% 88,25% 89,52% 100% 86,35% 82,54% 86,98% Overall Accuration Iteration 2 = x 100 = 59,37% Pada iterasi 3 menghasilkan tingkat akurasi sebesar 0,5937 dengan menggunakan confusion matrix pada Tabel 6 dan Tabel 7 Hasil perhitungan, Recall, Accuration pada iterasi 2. Tabel 6. Confusion Matrix Untuk 7x7 Pada Iterasi 3 Actual Class Raja Untuk prediksi masing-masing jenis buah pisang pada iterasi 3 sebagai berikut : Actual Actual Actual Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 139
12 Predic tion Raja Actual Actual Raja Raja Raja Raja Actual Actual Hasil keseluruhan perhitungan precision, recall, accuration pada iterasi 3 dapat dilihat pada Tabel 7. Tabel 7., Recall, Accuration Pada Iterasi 3 66,67% 37,78% 68,89% 100% 33,33% 100% 8,89% Recall 48,39% 65,38% 62,00% 100% 53,57% 45,00% 100% Accuration 85,08% 88,25% 89,52% 100% 86,35% 82,54% 86,98% Overall Accuration Iteration 3 = x 100 = 59,37%. Pada iterasi 4 menghasilkan tingkat akurasi sebesar 0,5937 dengan menggunakan confusion matrix pada Tabel 8 dan Tabel 9 Hasil perhitungan, Recall, Accuration pada iterasi 4. Tabel 8. Confusion Matrix Untuk 7x7 Pada Iterasi 4 Actual Class Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 140
13 Raja Untuk prediksi masing-masing jenis buah pisang pada iterasi 4 sebagai berikut : Actual Actual Actual Raja Actual Actual Raja Raja Raja Raja Actual Actual Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 141
14 Hasil keseluruhan perhitungan precision, recall, accuration pada iterasi 3 dapat dilihat pada Tabel 9. Tabel 9., Recall, Accuration Pada Iterasi 4 66,67% 37,78% 68,89% 100% 33,33% 100% 8,89% Recall 48,39% 65,38% 62,00% 100% 53,57% 45,00% 100% Accuration 85,08% 88,25% 89,52% 100% 86,35% 82,54% 86,98% Overall Accuration Iteration 4 = x 100 = 59,37% Hasil pengujian yang didapatkan berupa nilai akurasi yang berasal dari perhitungan sebanyak empat kali didapat bahwa iterasi 1 menghasilkan tingkat akurasi sebesar 0,7428 dibandingkan dengan iterasi 2, 3, dan 4 sebesar 0,5937. Pada iterasi 1 didapat kemampuan recall terbaik pada jenis buah pisang barangan, kepok, dan tanduk, dengan precision terbaik pada jenis buah pisang emas dan susu. Sedangkan pada iterasi 2, 3, dan 4 kemampuan recall terbaik pada jenis buah pisang kepok dan tanduk dengan precision terbaik pada jenis buah pisang kepok dan susu dan juga didapat kondisi terbaik untuk precision, recall, dan accuracy yaitu pada jenis buah pisang kepok. D. Simpulan Berdasarkan hasil pengujian dapat disimpulkan dari penelitian ini bahwa SVM mampu mengklasifikasi jenis buah pisang pada citra dengan fitur HOG dan GLCM dengan akurasi sebesar 74,29% pada iterasi 1 dimana data testing sebesar 15 gambar dan training sebesar 45 gambar dibandingkan iterasi 2, iterasi 3, dan iterasi 4. Sementara performa SVM dengan fitur HOG dan GLCM dengan kemampuan sistem dalam mengenali data pada iterasi 1 sebanyak 3 jenis pisang yaitu pisang barangan, pisang kepok, dan pisang tanduk. Hasil pengujian SVM hanya mengenali 1 jenis pisang yaitu pisang kepok. SVM mampu mengklasifikasikan jenis buah pisang pada citra dengan fitur GLCM dan HOG dengan akurasi sebesar 74,29% terbaik pada buah pisang susu. E. Ucapan Terima Kasih Terima kasih penulis ucapkan kepada LPPM STMIK GI MDP dan LPPM AMIK MDP yang telah membantu baik itu dari sarana dan prasarana sehingga artikel ini telah selesai dikembangkan. F. Referensi [1] B. Cahyono, Sukses Budi Daya di Pekarangan dan Perkebunan. Yogyakarta: Lily Publisher, Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 142
15 [2] I. Indarto and Murinto, Deteksi Kematangan Berdasarkan Fitur Warna Citra Kulit Menggunakan Metode Transformasi Ruang Warna HIS ( Banana Fruit Detection Based on Banana Skin Image Features Using HSI Color Space Transformation Method ), JUITA J. Inform., vol. V, no. 1, pp , [3] M. I. I. Saddam, Klasifikasi Perbedaan Jenis Menggunakan Metode Principal Component Analysis, Universitas Nusantara PGRI Kediri, [4] S. F. Kusuma, R. E. Pawening, and R. Dijaya, Otomatisasi Klasifikasi Kematangan Mengkudu Berdasarkan Warna Dan Tekstur. Register. Ilmiah Teknologi Sistem Informasi, Regist. J. Ilm. Teknol. Sist. Inf., vol. 3, no. 1, pp , [5] E. Utama, F. Yapputra, and G. Gasim, Identifikasi Jenis Mangga Berdasarkan Bentuk Menggunakan Fitur HOG dan Jaringan Syaraf Tiruan, J. Ilm. Inform. Glob., vol. 09, no. 01, pp. 1 6, [6] R. Widodo, A. W. Widodo, and A. Supriyanto, No TitlePemanfaatan Ciri Gray Level Co-Occurrence Matrix (GLCM) Citra Jeruk Keprok (Citrus Reliculata Blanco) Untuk Klasifikasi Mutu, J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 11, pp , [7] D. Amputri, S. Nadra, G. Gasim, and M. E. Al Rivan, Perbandingan jarak potret dan resolusi kamera pada tingkat akurasi pengenalan angka KWH meter menggunakan SVM, J. Ilm. Inform. Glob., vol. 8, no. 1, pp. 7 12, [8] R. Nugraha, A. N. Jati, and U. A. Ahmad, Implementasi Histogram Of Oriented Gradient (HOG) Pada Embedded System Untuk Identifikasi Slot Parkir, e- Proceeding of Engineering, 2016, vol. 3, no. 1, pp [9] M. Widyaningsih, Identifikasi Kematangan Apel Dengan Gray Level Co-Occurrence Matrix (GLCM), J. SAINTEKOM, vol. 6, no. 1, pp , [10] V. Vidyashanakara, M. Naveena, and G. H. Kumar, Leaf Classification Based on GLCM Texture and SVM, Int. J. Futur. Revolut. Comput. Sci. Commun. Eng., vol. 4, no. 3, pp , [11] D. Alamsyah, Pengenalan Mobil Pada Citra Digital Menggunakan HOG-SVM. Jurnal Teknik Informatika Dan Sistem Informasi, JATISI, vol. 3, no. 2, pp , [12] H. C. S. Ningrum, Perbandingan Metode Support Vector Machine (SVM) Linear, Radial Basis Function (RBF) Dan Polinomial Kernel Dalam Klasifikasi Bidang Studi Pilihan Alumni UII, Universitas Islam Indonesia, [13] N. Wijaya, H. Irsyad, and A. Taqwiym, Design Verification Using Palmprint, TEKNOMATIKA, vol. 07, no. 02, pp , Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 143
BAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Rancangan Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau informasi
Lebih terperinciIndarto 1, Murinto 2, I. PENDAHULUAN. Kampus III UAD Jl.Dr.Soepomo, Janturan, Yogyakarta
Deteksi Kematangan Buah Pisang Berdasarkan Fitur Warna Citra Kulit Pisang Menggunakan Metode Transformasi Ruang Warna HIS (Banana Fruit Detection Based on Banana Skin Image Features Using HSI Color Space
Lebih terperinciDeteksi Mobil Menggunakan Histogram of Oriented Gradient
Deteksi Mobil Menggunakan Histogram of Oriented Gradient Cahyo Permata 2207100167 Dosen Pembimbing : DR. I Ketut Eddy Purnama, ST.,MT. Muhtadin, ST.,MT.,Msc. Latar Belakang Pemanfaatan teknologi deteksi
Lebih terperinciBAB 3 METODOLOGI. melakukan pengamatan dan analisis dari gambar yang didapat. Untuk bisa mendapatkan
BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah 3.1.1 Analisis Kebutuhan Dalam melakukan analisa gambar mammogram, biasanya dokter secara langsung melakukan pengamatan dan analisis dari gambar yang
Lebih terperinciIdentifikasi Jenis Buah Jeruk Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Jenis Buah Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit Reni Resita *1, Juratminingsih *2, Gasim 3 1,2 STMIK GI MDP; Jl. Rajawali
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 terperinciIdentifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Data Citra
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 3 Nomor 1 halaman 1-8 ISSN: 2089-6026 Identifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Data Citra Wood Type
Lebih terperinciKLASIFIKASI JENIS KUALITAS KEJU DENGAN MENGGUNAKAN METODE GRAY LEVEL COOCCURRENCE MATRIX (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) PADA CITRA DIGITAL
e-proceeding of Engineering : Vol.4, No.2 Agustus 207 Page 2035 KLASIFIKASI JENIS KUALITAS KEJU DENGAN MENGGUNAKAN METODE GRAY LEVEL COOCCURRENCE MATRIX (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) PADA CITRA
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 terperinciPERBANDINGAN TINGKAT AKURASI JENIS CITRA KEABUAN, HSV, DAN L*a*b* PADA IDENTIFIKASI JENIS BUAH PIR
PERBANDINGAN TINGKAT AKURASI JENIS CITRA KEABUAN, HSV, DAN L*a*b* PADA IDENTIFIKASI JENIS BUAH PIR Mulia Octavia 1), Jesslyn K 2), Gasim 3) 1), 2),3) Program Studi Teknik Informatika STMIK GI MDP Jl. Rajawali
Lebih terperinciDeteksi Mobil pada Citra Digital Menggunakan C-HOG dan Support Vector Machine
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Deteksi Mobil pada Citra Digital Menggunakan C-HOG dan Support Vector Machine Frans Irawan 1, Ardi Purnomo 2, Derry Alamsyah 3 1,2 STMIK GI MDP;
Lebih terperinciBAB I PENDAHULUAN. penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi.
BAB I PENDAHULUAN A. LATAR BELAKANG Buah-buahan merupakan salah satu kelompok komoditas pertanian yang penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi. Permintaan domestik terhadap
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
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 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 terperinciDeteksi Mobil Menggunakan Histogram of Oriented Gradient
1 Deteksi Mobil Menggunakan Histogram of Oriented Gradient Cahyo Permata,I Ketut Eddy Purnama dan Muhtadin Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS)
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 terperinciEKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX. Abstrak
EKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX Karina Auliasari, Bastian, Bella Fardani, Zulkifli, Ivandi Jurusan Teknik Informatika Fakultas Teknik
Lebih terperinciBAB 1 PENDAHULUAN Latar belakang masalah
BAB 1 PENDAHULUAN 1.1. Latar belakang masalah Saluran pernapasan pada manusia terdiri dari rongga hidung, faring, laring, trakea, percabangan bronkus dan paru-paru (bronkiolus, alveolus). Paru-paru merupakan
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
3.1 Persiapan Data BAB III ANALISA DAN PERANCANGAN SISTEM Dalam pengerjaan tugas akhir ini data yang digunakan adalah kalimat tanya Berbahasa Indonesia, dimana kalimat tanya tersebut diambil dari soal-soal
Lebih terperinciKlasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor
Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor Puspa Rizky Trisnaningtyas 1, Maimunah 2 Program Studi Teknik Komputer Universitas Islam 45 Bekasi, Indonesia
Lebih terperinciScientific Journal of Informatics Vol. 2, No. 1, Mei 2015
Scientific Journal of Informatics Vol. 2, No. 1, Mei 2015 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 JUDUL ARTIKEL Identifikasi Kualitas Beras dengan Citra Digital Arissa
Lebih terperinciANALYSIS PERFORMANCE FITUR BENTUK, WARNA DAN TEKSTUR CITRA PADA PENELUSURAN INFORMASI ASET BERBASIS CBIR
ANALYSIS PERFORMANCE FITUR BENTUK, WARNA DAN TEKSTUR CITRA PADA PENELUSURAN INFORMASI ASET BERBASIS CBIR Jumi¹ ), Achmad Zaenuddin 1) 1 Jurusan Administrasi Bisnis, Politeknik Negeri Semarang jumimail06@gmail.com
Lebih terperinciDeteksi Senyum Menggunakan Fitur Gabor dan Histograms of Oriented Gradients pada Bagian Mulut, Hidung, dan Mata
Deteksi Senyum Menggunakan Fitur Gabor dan Histograms of Oriented Gradients pada Bagian Mulut, Hidung, dan Mata Berty Chrismartin Lumban Tobing Fakultas Ilmu Komputer Universitas Indonesia Depok berty.chrismartin@ui.ac.id
Lebih terperinciPerbandingan Metode Ekstraksi Ciri Histogram dan PCA untuk Mendeteksi Stoma pada Citra Penampang Daun Freycinetia
Tersedia secara online di: http://journal.ipb.ac.id/index.php.jika Volume 2 Nomor 1 halaman 20-28 ISSN: 2089-6026 Perbandingan Metode Ekstraksi Ciri Histogram dan PCA untuk Mendeteksi Stoma pada Citra
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 5, No. 1 (2016) 158-163 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone IDENTIFIKASI JENIS PENYAKIT DAUN TEMBAKAU MENGGUNAKAN METODE GRAY LEVEL
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Bab ini membahas langkah-langkah dari implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi aktivitas menggunakan algoritma k-nearest neighbor
Lebih terperinciABSTRAK. Kata kunci : CBIR, GLCM, Histogram, Kuantisasi, Euclidean distance, Normalisasi. v Universitas Kristen Maranatha
ABSTRAK Content-Based Image Retrieval (CBIR) adalah proses untuk mendapatkan suatu citra berdasarkan konten-konten tertentu, konten yang dimaksud dapat berupa tekstur, warna, bentuk. CBIR pada dasarnya
Lebih terperinciDETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ. Muhammad Imron Rosadi 1
DETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ Muhammad Imron Rosadi 1 Prodi Teknik Informatika, Universitas Yudharta Pasuruan Purwosari 67162 Pasuruan Jawa Timur 1 Email : Imron_uyp@yahoo.com ABSTRAK
Lebih terperinciARTIKEL APLIKASI KLASIFIKASI JENIS JENIS BUAH JERUK MENGGUNAKAN METODE K-NEAREST NEIGHBOR
ARTIKEL APLIKASI KLASIFIKASI JENIS JENIS BUAH JERUK MENGGUNAKAN METODE K-NEAREST NEIGHBOR Oleh: RIDHO ARY SUMARNO 13.1.03.02.0092 Dibimbing oleh : 1. Hermin Istiasih M.T., M.M. 2. Mochammad Bilal S.kom.,
Lebih terperinciPEMBUATAN WEB SERVICE SEBAGAI LAYANAN PENDETEKSI KONTEN PORNOGRAFI PADA CITRA DIGITAL DENGAN METODE IMAGE ZONING
PEMBUATAN WEB SERVICE SEBAGAI LAYANAN PENDETEKSI KONTEN PORNOGRAFI PADA CITRA DIGITAL DENGAN METODE IMAGE ZONING Oleh: Lourensius Bisma (5210100155) Dosen Pembimbing: Dr.Eng. Febriliyan Samopa, S.Kom.,
Lebih terperinciPENGENALAN JENDER BERBASIS TEKSTUR PADA CITRA WAJAH FOTO DIGITAL ABSTRAK
PENGENALAN JENDER BERBASIS TEKSTUR PADA CITRA WAJAH FOTO DIGITAL Cucun Very Angkoso Jurusan Teknik Informatika Fakultas Teknik Universitas Trunojoyo Madura cucunvery@if.trunojoyo.ac.id ABSTRAK Perkembangan
Lebih terperinciPemrosesan Citra Digital untuk Klasifikasi Mutu Buah Pisang Menggunakan Jaringan Saraf Tiruan
IJEIS, Vol.4, No.1, April 2014, pp. 57~68 ISSN: 2088-3714 57 Pemrosesan Citra Digital untuk Klasifikasi Mutu Buah Pisang Menggunakan Jaringan Saraf Tiruan Yanuar Putu Wiharja* 1, Agus Harjoko 2 1 Program
Lebih terperinciEkstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Ekstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE) I Gusti Rai Agung Sugiartha
Lebih terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
Lebih terperinciKLASIFIKASI MOTIF KAIN TRADISIONAL BATIK BOMBA KAILI BERDASARKAN FITUR TEKSTUR CITRA DIGITAL
KLASIFIKASI MOTIF KAIN TRADISIONAL BATIK BOMBA KAILI BERDASARKAN FITUR TEKSTUR CITRA DIGITAL Nuraedah 1), Muhammad Bakri 2) 1) Jurusan Pendidikan Sejarah, Fakultas Ilmu Pendidikan dan Keguruan, Universitas
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 terperinciImplementasi Metode R-HOG dan Support Vector Machine (SVM) Untuk Smile Detection
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Implementasi Metode R-HOG dan Support Vector Machine (SVM) Untuk Smile Detection M.Abrar Al Hafis 1, Andrie Safoean M.K 2, Derry Alamsyah 3, Siska
Lebih terperinciIDENTIFIKASI NOMOR POLISI KENDARAAN BERMOTOR MENGGUNAKAN JARINGAN SYARAF TIRUAN SELF ORGANIZING MAPS (SOMS)
Powered by TCPDF (www.tcpdf.org) IDENTIFIKASI NOMOR POLISI KENDARAAN BERMOTOR MENGGUNAKAN JARINGAN SYARAF TIRUAN SELF ORGANIZING MAPS (SOMS) Inung Wijayanto¹, Iwan Iwut Tritoasmoro², Koredianto Usman³
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciPENERAPAN ALGORITMA PRINCIPLE COMPONENT ANALYSIS (PCA) DAN FITUR RGB UNTUK PELACAKAN JENIS DAN WARNA BUAH
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 PENERAPAN ALGORITMA PRINCIPLE COMPONENT ANALYSIS (PCA) DAN FITUR RGB UNTUK PELACAKAN JENIS DAN WARNA BUAH 1 Suta Wijaya, 2 Hendri, 3 Gasim Jurusan
Lebih terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
Lebih terperinciKLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA
KLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA Arina Diori (0722107) Jurusan Teknik Elektro email: arinadiorisinaga@yahoo.com ABSTRAK Buah
Lebih terperinciKlasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra
Jurnal Ilmiah Ilmu Komputer, Vol 15 No. 2, Desember 2010 : 38-41 Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra Vera Yunita, Yeni Herdiyeni Departemen Ilmu
Lebih terperinciVerifikasi Tanda Tangan Dengan Algoritma K-Nearest Neighbor dan Ekstraksi Ciri Harris Corner
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Verifikasi Tanda Tangan Dengan Algoritma K-Nearest Neighbor dan Ekstraksi Ciri Harris Corner Andi Kartono *1, Derry Alamsyah 2 1 STMIK GI MDP; Jl.
Lebih terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciBAB II LANDASAN TEORI. titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
BAB II LANDASAN TEORI 2. Citra/Image Citra atau yang lebih sering dikenal dengan gambar merupakan kumpulan dari titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
Lebih terperinciPengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya
Pengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya 1 Hafidz Surahman 1, Aisyah Fuja 2, Ir.Rubandi 3, Willy 4 1,2 STMIK GI MDP; Jalan Rajawali No.14 Palembang,
Lebih terperinciUCAPAN TERIMAKASIH. Denpasar, Agustus Penulis
UCAPAN TERIMAKASIH Segenap puja dan puji syukur penulis panjatkan kehadapan Ida Sang Hyang Widhi Wasa sebagai sumber dari segala sumber pengetahuan, karena atas asung kertha wara nugrahanya Tesis yang
Lebih terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL
1 SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (Human Face Detection System on Digital Images) Setyo Nugroho 1, Agus Harjoko 2 Program Studi Ilmu Komputer Program Pascasarjana Universitas Gadjah
Lebih terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
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 terperinciTemu Kembali Citra Makanan Menggunakan Representasi Multi Texton Histogram
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-368 Temu Kembali Citra Makanan Menggunakan Representasi Multi Texton Histogram Imagine Clara Arabella, Nanik Suciati, dan Dini
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Kayu merupakan salah satu komoditi yang dapat digunakan untuk beberapa keperluan, seperti bahan bangunan, furniture, dll. Setiap jenis kayu memiliki karakteristik
Lebih terperinciPENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR
PENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR Angga Lisdiyanto (1), Lukman Zaman P.C.S.W (2) Teknik Informatika, Universitas Islam Lamongan (1) Teknik Informatika, Sekolah
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer Vision didefinisikan sebagai salah satu cabang ilmu pengetahuan yang mempelajari bagaimana computer dapat mengenali obyek yang diamati. Computer Vision
Lebih terperinciAPLIKASI PENGKLASIFIKASIAN MOTIF BATIK TULIS LASEM MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM) DAN SUPPORT VECTOR MACHINE (SVM)
APLIKASI PENGKLASIFIKASIAN MOTIF BATIK TULIS LASEM MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Sebagai Salah Satu Syarat Untuk Memperoleh
Lebih terperinciOptimasi Conjugate Gradient Pada Backpropagation Neural Network untuk Deteksi Kualitas Daun Tembakau
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Optimasi Conjugate Gradient Pada Backpropagation Neural Network untuk Deteksi Kualitas Daun Tembakau Yuslena Sari 1, Finki
Lebih terperinciBAB 1 PENDAHULUAN. tanaman tembakau yang termasuk dalam genus Nicotiana. Secara umum
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Tembakau adalah hasil produk pertanian yang diproses dari daun tanaman tembakau yang termasuk dalam genus Nicotiana. Secara umum masyarakat hanya mengetahui
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
Lebih terperinciAPLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira 50408896 Dr. Karmilasari Kanker Latar Belakang Kanker
Lebih terperinciBAB I PENDAHULUAN. ukuran, dan warna ketika suatu citra digambarkan meskipun dalam ruang 2D (dua
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Suatu citra memiliki beragam bentuk tekstur dan warna yang berbeda. Citra dapat dikenali dengan mudah oleh manusia dikarenakan manusia sudah memiliki persepsi atau
Lebih terperinciJURNAL KLASIFIKASI PERBEDAAN JENIS BUAH PISANG MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
JURNAL KLASIFIKASI PERBEDAAN JENIS BUAH PISANG MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS CLASSIFICATION OF DIFFERENT TYPES OF BANANAS USING METHODS PRINCIPAL COMPONENT ANALYSIS Oleh: Moh. Ilham Ibnu
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 terperinciPENENTUAN KUALITAS IKAN BANDENG MENGGUNAKAN ALGORITMA NAIVE BAYES BERDASARKAN TEKSTUR PADA CITRA ABSTRAK
PENENTUAN KUALITAS IKAN BANDENG MENGGUNAKAN ALGORITMA NAIVE BAYES BERDASARKAN TEKSTUR PADA CITRA Rahmanika Ratna Sari 1, Hanny Haryanto 2 1,2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian
Lebih terperinciESTIMASI FUNGSI SPASIAL PADA IDENTIFIKASI FITUR WAJAH
ESTIMASI FUNGSI SPASIAL PADA IDENTIFIKASI FITUR WAJAH Akhyar 1*, Risanuri Hidayat 1, Bimo Sunarfri Hantono 1 1 Department of Electrical Engineering and Information Technology, Universitas Gadjah Mada *
Lebih terperinciSegmentasi Citra menggunakan Support Vector Machine (SVM) dan Ellipsoid Region Search Strategy (ERSS) Arimoto Entropy berdasarkan Ciri Warna dan Tekstur Lukman Hakim 1, Siti Mutrofin 2, Evy Kamilah Ratnasari
Lebih 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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih terperinciPENGENALAN HURUF TULISAN TANGAN MENGGUNAKAN METODE ZONING DAN SUPPORT VECTOR MACHINE
PENGENALAN HURUF TULISAN TANGAN MENGGUNAKAN METODE ZONING DAN SUPPORT VECTOR MACHINE Christyawan Ridanto Pitoyo, Tjut Awaliyah Zuraiyah, Arie Qur ania Email : christyawan.ridanto@gmail.com Program Studi
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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Digital [3] Citra atau gambar didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y), di mana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap
Lebih terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Peningkatan yang pesat dalam jumlah kendaraan dikota besar memiliki dampak terhadap kebutuhan parkir di tempat-tempat umum seperti di rumah sakit, kantor, pusat perbelanjaan,
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 terperinciBAB III METODE PENELITIAN. tangan dengan menggunakan metode Support Vector Machine (SVM).
BAB III METODE PENELITIAN 3.1 Desain Penelitian Di dalam desain penelitian ini akan menggambarkan proses pengenalan tulisan tangan dengan menggunakan metode Support Vector Machine (SVM). Praproses Input
Lebih 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 Mobil pada Citra Digital Menggunakan HOG-SVM
162 ISSN: 1978-1520 Pengenalan Mobil pada Citra Digital Menggunakan HOG-SVM Derry Alamsyah STMIK GI MDP Palembang derry@mdp.ac.id Abstract The image data on a highway has been available on several online
Lebih terperinci2.Landasan Teori. 2.1 Konsep Pemetaan Gambar dan Pengambilan Data.
6 2.Landasan Teori 2.1 Konsep Pemetaan Gambar dan Pengambilan Data. Informasi Multi Media pada database diproses untuk mengekstraksi fitur dan gambar.pada proses pengambilan, fitur dan juga atribut atribut
Lebih 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 terperinciKLASIFIKASI JENIS MOBIL BERDASARKAN TRANSFORMASI WAVELET MULTI SCALE DAN METODE K NEAREST NEIGHBOR
Powered by TCPDF (www.tcpdf.org) KLASIFIKASI JENIS MOBIL BERDASARKAN TRANSFORMASI WAVELET MULTI SCALE DAN METODE K NEAREST NEIGHBOR Bertha Yulizar¹, Bambang Hidayat², Tody Ariefianto Wibowo³ ¹Teknik Telekomunikasi,,
Lebih terperinciPENERAPAN METODE HISTOGRAM OF ORIENTED GRADIENT (HOG) PADA OBJECT COUNTING BERBASIS RASBERRY PI
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 PENERAPAN METODE HISTOGRAM OF ORIENTED GRADIENT (HOG) PADA OBJECT COUNTING BERBASIS RASBERRY PI Eko Nopyanto 1, Hikma Taufik 2, Dedy Hermanto 3 Eka
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 terperinciDedi Argya Nugroho Effendi 1,Erna Zuni Astuti 2 1,2
37 Pengelompokan Jenis Tekstur Kayu Menggunakan K- Nearest Neighbor dan Ekstraksi Fitur Histogram Wood Texture Classification Using K-Nearest Neighbor and Histogram Feature Extraction Dedi Argya Nugroho
Lebih terperinciDETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL
DETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL Muhammad Affandes* 1, Afdi Ramadani 2 1,2 Teknik Informatika UIN Sultan Syarif Kasim Riau Kontak Person : Muhammad
Lebih terperinciIDENTIFIKASI PLAT NOMOR MOBIL MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)
IDENTIFIKASI PLAT NOMOR MOBIL MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) Yudil Taufik Umar¹, Heroe Wijanto², Rita Magdalena³ ¹Teknik Telekomunikasi,, Universitas Telkom Abstrak Untuk kepentingan pengenalan
Lebih terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
Lebih terperinciKLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS
Ikhwan Ruslianto KLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS IKHWAN RUSLIANTO Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan
Lebih terperinciDETEKSI PENYAKIT KULIT MENGUNAKAN FILTER 2D GABOR WAVELET DAN JARINGAN SARAF TIRUAN RADIAL BASIS FUNCTION
1.1 Latar Belakang BAB I PENDAHULUAN Kulit merupakan pelindung tubuh kita pertama kali dari benda asing yang masuk ke dalam tubuh. Kulit terdiri dari lapisan epidermis berupa lapisan kulit mati dan dermis
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.
Lebih terperinciLEMBAR PENGESAHAN TUGAS AKHIR...
DAFTAR ISI HALAMAN SAMPUL... i HALAMAN JUDUL... ii PERNYATAAN... iii LEMBAR PENGESAHAN TUGAS AKHIR... iv BERITA ACARA TUGAS AKHIR... v KATA PENGANTAR... vi ABSTRAK... vii ABSTRACT... viii DAFTAR ISI...
Lebih terperinciKLASIFIKASI KUALITAS BIJI KOPI DENGAN RADIAL BASIS FUNCTION SKRIPSI MEWATI PANJAITAN
KLASIFIKASI KUALITAS BIJI KOPI DENGAN RADIAL BASIS FUNCTION SKRIPSI MEWATI PANJAITAN 111402022 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
Lebih terperinciImplementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector Machine
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-346 Implementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector
Lebih terperinciPERBANDINGAN TINGKAT AKURASI PENGENALAN OBJEK ANTARA FITUR HOG DAN C-HOG UNTUK JARAK POTRET DAN RESOLUSI KAMERA
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 PERBANDINGAN TINGKAT AKURASI PENGENALAN OBJEK ANTARA FITUR HOG DAN C-HOG UNTUK JARAK POTRET DAN RESOLUSI KAMERA Erfin Sandrio 1, Yupiter 2, Gasim
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 terperinciFace Detection System Menggunakan Metode Histogram of Oriented Gradients (HOG) dan Support Vector Machine (SVM)
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 5038 Face Detection System Menggunakan Metode Histogram of Oriented Gradients (HOG) dan Support Vector Machine (SVM) Face Dtection
Lebih terperinciPERBANDINGAN JARAK POTRET DAN RESOLUSI KAMERA PADA TINGKAT AKURASI PENGENALAN ANGKA KWH METERMENGGUNAKAN SVM
PERBANDINGAN JARAK POTRET DAN RESOLUSI KAMERA PADA TINGKAT AKURASI PENGENALAN ANGKA KWH METERMENGGUNAKAN SVM Dini Amputri 1), Siti Nadra 2), Gasim *3), M. Ezar Al Rivan 4) 1), 2), 3),4) Program Studi Teknik
Lebih terperinciIMPLEMENTASI APLIKASI PENGENALAN JENIS KELAMIN BERDASARKAN CITRA WAJAH DENGAN METODE SUPPORT VECTOR MACHINE SECARA REAL TIME
IMPLEMENTASI APLIKASI PENGENALAN JENIS KELAMIN BERDASARKAN CITRA WAJAH DENGAN METODE SUPPORT VECTOR MACHINE SECARA REAL TIME Implementation of Gender Recognition Applications Based on Face Image with Support
Lebih terperinci