Sistem Pendeteksi Orang Tergeletak berbasis sebuah Kamera Pengawas dengan menggunakan metode Template Matching
|
|
- Surya Cahyadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Sistem Pendeteksi Orang Tergeletak berbasis sebuah Kamera Pengawas dengan menggunakan metode Template Matching Jemmy Kusuma Candra Ivanna K. Timotius Iwan Setyawan ABSTRAK Tulisan ini membahas pengembangan suatu sistem yang dapat mendeteksi orang tergeletak memanfaatkan sebuah kamera pengawas. Model pendeteksi orang tergeletak ini dapat dikembangkan sebagai sistem peringatan dini untuk orang tergeletak sehingga orang tersebut bisa mendapat pertolongan secepatnya. Sistem ini dirancang untuk lingkungan dalam ruangan (indoor) menggunakan kamera yang terhubung ke komputer sebagai devais masukan citra. Setiap citra masukan kamera tersebut akan diolah dengan metode background subtraction, thresholding, median filtering, hole-filling, segmentasi objek dan template matching. Pengujian sistem menunjukkan bahwa hasil pendeteksian terbaik (Hit 65.28%, Miss Detection 34.72%, Correct Rejection 54.48%, dan False Alarm 45.52%) didapatkan dari parameter ambang thresholding (tb) dan ambang segmentasi (tv) berturutturut sebesar dan 5, serta penggunaan hole-filling dan median filter berukuran 5 5. Dengan parameter yang sama didapat rata-rata aritmetik akurasi sistem (Ameans) sebesar 59.88%. Kata Kunci background subtraction, hole-filling, median filtering, segmentasi objek, template matching. 1. PENDAHULUAN Sistem yang dapat mendeteksi orang tergeletak dapat sangat bermanfaat untuk memberi peringatan dini pada saat seseorang tergeletak. Hal ini berguna untuk mencegah timbulnya dampak lebih buruk bagi orang tergeletak tersebut. Salah satu contoh penerapan sistem seperti ini adalah peringatan dini adanya seorang manula yang tergeletak di panti jompo. Pada contoh tersebut, pendeteksian dini adanya seorang manula yang tergeletak dapat merupakan permasalahan antara hidup dan mati bagi manula tersebut (Wang, dkk., 2011). Beberapa cara telah dikembangkan untuk mendeteksi orang tergeletak. Salah satu cara yang telah dikembangkan yaitu dengan menggunakan pendeteksi orang tergeletak menggunakan akselerometer dan/atau gyroscope (Liyanage, 2008 dan Willems, 2009). Kendati telah dikembangkan dalam berbagai desain yang stylish dan nyaman, masih terdapat kelemahan yang menjadi masalah dari penggunaan pendeteksi orang tergeletak jenis ini, karena pendekatan ini mengharuskan pengguna untuk selalu membawa atau memasangnya di badan agar pendeteksian dapat bekerja (Liyanage, 2008). Hal ini akan tidak efektif bagi pengguna yang lupa/lalai membawa alat tersebut. Cara lain yang telah dikembangkan adalah dengan menggunakan sensor akustik, yang mampu mengenali bunyi orang terjatuh (Perry, dkk., 2009). Penggunaan kamera juga merupakan salah satu alternatif yang dapat digunakan dalam pengembangan sistem pendeteksi orang tergeletak (Perry, dkk., 2009). Pendeteksi orang tergeletak berbasis kamera menjadi alternatif yang dapat digunakan karena tidak memerlukan alat yang terpasang ke badan. Pada tulisan ini, penulis merancang-bangun prototip suatu sistem pendeteksian orang tergeletak menggunakan sebuah kamera pengawas sebagai devais masukan citra, selanjutnya diolah dengan metode background subtraction (Porikli, 2005 dan Piccardi, 2004), thresholding (Jain, 1989), median filtering (Gonzalez, 2008), hole-filling (Gonzalez, 2008), segmentasi objek (Maillet dkk., 2000) dan template matching (Theodoridis dkk., 2009, Brunelli, 2009 dan Jurie dkk., 2002). Pendeteksi orang tergeletak yang dirancang berfungsi sebagai sistem peringatan dini untuk orang tergeletak, mulai dari mendeteksi keberadaan orang tergeletak dan kemudian meneruskan informasi tersebut kepada orang lain yang berkepentingan (misalnya dokter atau perawat) di sekitar lokasi tersebut. Template matching dipilih sebagai metode pendeteksian orang tergeletak karena metode ini merupakan salah satu cara yang dapat digunakan dalam aplikasi pendeteksian objek (Brunelli, 2009). Pada bagian 2 dari tulisan ini membahas prototip sistem yang dirancang-bangun, bagian 3 membahas pengujian kinerja sistem dan bagian 4 berisi kesimpulan. 2. PERANCANGAN SISTEM Sistem pendeteksi orang tergeletak ini menggunakan kamera pengawas yang terpasang tetap pada bagian atas ruangan (sudut pandang, letak dan ketinggian pemasangan sudah diatur). Citra yang ditangkap kamera pengawas diolah menggunakan enam metode secara berurutan, seperti ditunjukkan pada Gambar Background Subtraction Proses background subtraction pada tulisan ini diterapkan dengan pengurangan setiap frame masukan dari kamera (grayscale) dengan suatu citra background (grayscale) (Piccardi, 2004) (yang berukuran sama) seperti yang tercantum pada Persamaan (1). Citra background ini berupa citra ruangan saat tidak ada orang di dalamnya dan akan di-update secara manual oleh operator. S(n) = F(n) B (1) Pada Persamaan (1), F(n) merupakan frame ke-n dari video masukan, B merupakan citra background dan S(n) adalah citra selisih ke-n. Citra F(n), S(n), dan B ditunjukkan pada Gambar 2. Jurnal Cybermatika Vol. 1 No. 2 Desember 2013 Artikel 1 1
2 Citra Background Citra Masukan Background Subtraction Thresholding Median Filtering Hole Filling Segmentasi Objek Template Matching Hasil Deteksi Gambar 1. Diagram Kotak Sistem (c) Gambar 2. Background subtraction: citra background B, frame masukan kamera F(n), (c) citra selisih S(n) 2.2 Thresholding Thresholding pada sistem yang dirancang digunakan untuk mengubah citra berwarna atau citra grayscale menjadi citra biner atau citra yang hanya memiliki dua macam nilai piksel, yaitu 0 untuk hitam dan 1 untuk putih (Gonzalez, 2008). Pada metode thresholding, piksel yang memiliki nilai keabuan lebih kecil dari ambang thresholding yang ditentukan (tb) akan diberikan nilai 0, sementara piksel yang memiliki nilai keabuan yang lebih besar dari ambang thresholding (tb) akan diubah menjadi bernilai 1. Thresholding pada sistem ini dilakukan dengan cara mengubah daerah citra yang terdeteksi sebagai obyek menjadi warna putih dan daerah citra yang terdeteksi sebagai bukan obyek menjadi warna hitam seperti yang ditunjukkan pada Gambar 3a. (c) Gambar 3. Contoh hasil keluaran thresholding, median filtering dan hole-filling : citra hasil thresholding dari citra selisih, citra hasil median filtering dari, (c) citra hasil hole-filling dari. 2.3 Median Filtering Median filter adalah salah satu filter non-linear yang banyak digunakan untuk memperhalus dan mengurangi derau pada citra (derau pada sistem yang dirancang berbentuk bintik putih). Timbulnya derau pada suatu citra dapat disebabkan oleh pencahayaan, suhu, transmisi data atau jenis kamera yang berbeda (Gonzalez, 2008). Secara matematis, median filtering dapat dirumuskan pada persamaan berikut :,,,, g x y Median f x i y j i j w (2) dimana g(x,y) merupakan citra yang dihasilkan dari citra f(x,y) dengan w sebagai window yang ditempatkan pada bidang citra dan (i, j) elemen dari window tersebut. Hasil proses median filtering ditunjukkan pada Gambar 3b. 2.4 Pengisian Lubang (Hole-Filling) Algoritma hole-filling disebut juga dilasi bersyarat (conditional dilation) (Gonzalez, 2008). Persamaan hole-filling ini tercantum pada Persamaan (3). Algoritma ini digunakan untuk mengisi lubang (hole) yang terletak di dalam objek dengan melakukan dilasi pada piksel yang berada dalam batas-batas tepian objek. Hole pada citra biner didefinisikan sebagai daerah background citra yang dikelilingi oleh tepi-tepi dari objek dalam citra (Gonzalez, 2008). X X B A c k k1 k = 1,2,3,.. (3) dimana B merupakan structuring element berbentuk bujursangkar berukuran 3 3 pixel, A merupakan citra masukan dengan objek berlubang dan Xk adalah keluaran proses pada iterasi ke-k. Hasil proses hole-filling ditunjukkan pada Gambar 3c. 2.5 Segmentasi Objek Pada bagian segmentasi objek, banyaknya piksel putih dari citra hasil hole-filling diproyeksikan secara horisontal dan vertikal (Maillet dkk., 2000) seperti pada Gambar 4. Proyeksi vertikal dan horisontal banyaknya piksel putih ini digunakan untuk mencari daerah atau lokasi dari batas setiap objek (atas-bawah, kanan-kiri) dari citra biner (Liyanage, 2008). Pada proyeksi tersebut diukur lebar proyeksi setiap objek baik secara vertikal 2 Jemmy Kusuma Candra, Ivanna K. Timotius, Iwan Setyawan
3 maupun horisontal (x1 & x2 pada proyeksi horisontal dan y1 & y2 pada proyeksi vertikal). Proyeksi terlebar (x2 & y2 untuk contoh pada Gambar 3) dipilih untuk menjadi batas segmentasi objek yang akan diproses lebih lanjut pada metode template matching. dalam setiap citra. Contoh citra template dapat dilihat pada Gambar 6. Gambar 6. Contoh template yang ada dalam dataset citra template. Gambar 4. Proyeksi jumlah titik putih secara vertikal dan horisontal 2.6 Template Matching (Pendeteksian Orang Tergeletak) Template matching digunakan sebagai metode pendeteksian keberadaan orang tergeletak dalam ruangan. Pada template matching ini digunakan dataset citra template posisi orang tergeletak untuk dicari nilai korelasi silangnya dengan citra objek yang didapat dari bagian segmentasi objek. Dataset citra template dihasilkan dari pengolahan dataset citra posisi tergeletak (contoh pada seperti Gambar 5) yang diperoleh dari dari 30 responden (15 pria dan 15 wanita). Perincian dataset tersebut dapat dilihat pada Tabel 1. Kriteria untuk orang yang menjadi responden pembuatan dataset citra posisi tergeletak ini merupakan orang yang memiliki tinggi badan minimal 150 cm dan maksimal 180 cm, dengan Indeks Massa Tubuh (IMT) kategori normal = 18,5 24,99 (kg/m 2 ) (WHO, 2012). Pembuatan dataset citra posisi tergeletak ini dilakukan dalam kondisi pencahayaan yang cukup. Gambar 5. Enam macam posisi orang tergeletak (dari kiri ke kanan): telungkup, telentang, tergeletak menghadap ke kiri, tergeletak menghadap ke kanan, telungkup dengan variasi posisi tangan, telentang dengan variasi posisi tangan. Dataset citra posisi tergeletak di atas akan diolah menjadi dataset citra template untuk digunakan oleh sistem. Setiap citra pada dataset citra posisi tergeletak ini diolah melalui metode background subtraction beserta thresholding, median filtering, hole-filling (pengisian lubang) seperti yang dijelaskan pada bagian 2.1 sampai dengan 2.4, kemudian objek dari hasil citra yang didapat akan diambil melalui cropping untuk mendapatkan template bentuk posisi tergeletak orang yang ada Tabel 1. Jenis, Variasi, dan Jumlah Dataset Template Jenis Dataset Citra Variasi Jumlah Citra Citra posisi telentang Citra posisi telungkup Citra posisi telentang dengan variasi posisi tangan Citra posisi telungkup dengan variasi posisi tangan Citra posisi tergeletak menghadap ke kiri Citra posisi tergeletak menghadap ke kanan Total 2160 Pada sistem ini, nilai korelasi silang antara objek dengan dataset citra template yang ada dihitung melalui Persamaan (4). Semakin besar nilai korelasi antara citra template dan obyek, semakin cocok (match) citra template dengan obyek. m1 j1 cx, y w( s, t) O( x s, y t) (4) s0 t0 Pada persamaan ini, w(s,t) merupakan citra template, O(x+s,y+t) merupakan citra objek dan c(x,y) adalah nilai korelasi kedua citra tersebut pada koordinat (x,y). Jika nilai korelasi w dan O belum melebihi ambang tergeletak, maka sistem akan melanjutkan perhitungan korelasi antara citra obyek dan citra template selanjutnya. Ketika nilai korelasi w dan O melebihi ambang tergeletak (orang tergeletak terdeteksi), sistem akan menghentikan template matching lalu mengeluarkan bunyi melalui speaker komputer serta menampilkan pesan pada monitor sebagai tanda peringatan agar orang lain di sekitar tempat korban tergeletak dapat mengetahui bahwa ada orang yang tergeletak di ruang yang diawasi. 3. PENGUJIAN SISTEM Sistem pendeteksi orang tergeletak direalisasikan dan diuji menggunakan komputer yang menggunakan prosesor Intel Core2Duo 2.93GHz dan memory sebesar 3 GB DDR2. Sistem diuji pada sebuah kamar tidur yang memiliki ukuran (3,5 4) meter seperti yang terlihat pada Gambar 2a. Sistem diuji menggunakan 3120 citra uji yang terdiri dari 2160 citra orang tergeletak dan 960 citra orang tidak tergeletak. Citra Jurnal Cybermatika Vol. 1 No. 2 Desember 2013 Artikel 1 3
4 orang tidak tergeletak terdiri dari citra orang berdiri (240 citra), citra orang membungkuk (360 citra), dan citra orang duduk bersila (360 citra). Empat jenis hasil pendeteksian didapatkan dari pengujian sistem, yaitu : Hit, Miss, False Alarm, dan Correct Rejection (Duda, 2001), yang didefinisikan sebagai berikut. Hit adalah jumlah citra orang tergeletak yang dapat dideteksi dengan benar. Miss adalah jumlah citra orang tergeletak yang tidak dapat dideteksi. False Alarm (FA) adalah jumlah citra orang tidak tergeletak yang terdeteksi sebagai citra orang tergeletak. Correct Rejection (CR) adalah jumlah citra orang tidak tergeletak yang tidak terdeteksi sebagai citra orang tergeletak. Rata-rata aritmetik akurasi sistem (Ameans) dapat dihitung melalui persamaan : A means 1 Hit CR (%) 100% 2Hit Miss FA CR Gambar 7 menunjukkan grafik hasil pengujian sistem dengan berbagai ambang thresholding (tb). Ambang thresholding (tb) sebesar 0.03 dan 0.06 berturut-turut menghasilkan persentase Hit (PH) yang tinggi sebesar 97.3% dan 86.2%, tetapi persentase False Alarm (PFA) juga tinggi yaitu sebesar 98.4% dan 71.3% sehingga dapat dikatakan sistem tidak dapat membedakan pendeteksian orang tergeletak atau orang bukan tergeletak karena hampir semua hasil pendeteksian dianggap tergeletak. Sebaliknya pada tb sebesar 0.15, sistem memberikan PFA yang rendah sebesar 6.6% dan PH sebesar 15.7% yang juga menandakan sistem tidak dapat membedakan pendeteksian orang tergeletak dan orang bukan tergeletak, namun dalam hal ini, hampir semua hasil pendeteksian dianggap sebagai tidak tergeletak. Dari hasil ini penulis menyimpulkan bahwa tb sebesar merupakan pilihan terbaik karena menghasilkan Ameans yang paling tinggi serta selisih antara PH dan PFA & selisih antara persentase Correct Rejection (PCR) dan persentase Miss (PM) yang lebih tinggi dibandingkan tb lain. (5) penggunaan hole-filling membuat PH meningkat dibanding tanpa penggunaan hole-filling karena objek yang didapatkan lebih utuh (seperti ditunjukkan pada Gambar 3b & 3c) sehingga dapat menghasilkan nilai korelasi silang yang lebih tinggi. Berdasarkan pengujian segmentasi objek yang telah dilakukan, terlihat bahwa semakin besar ambang segmentasi (tv) PH dan PFA akan semakin rendah (seperti ditunjukkan pada Tabel 2). Hal ini dikarenakan semakin besar ambang segmentasi, detail citra objek semakin berkurang karena terjadi cropping (segmentasi) yang terlalu ketat di sekeliling objek. Hal ini ditunjukkan pada Gambar 10. Gambar 8. Grafik hasil pengujian pengaruh perubahan ukuran median filter pada sistem dengan tb = 0,07. Gambar 7. Grafik hasil pengujian perubahan ambang thresholding pada sistem Gambar 8 menunjukkan hasil pengujian median filtering dengan tb sebesar. Dari sini dapat dilihat bahwa semakin besar ukuran median filter maka PM dan PCR akan semakin tinggi, sebaliknya PH dan PFA akan semakin rendah. Hal ini disebabkan oleh bintik putih dan detail objek yang semakin berkurang saat ukuran median filter meningkat. Dari percobaan, diperoleh hasil bahwa detail citra yang buruk terlihat saat digunakan ukuran median filter lebih besar dari 5 5. Hasil pengujian pengaruh penggunaan hole-filling ditunjukkan pada Gambar 9. Pada pengujian ini digunakan median filter dengan ukuran 5 5. Dari Gambar 9 dapat disimpulkan bahwa Gambar 9. Grafik hasil pengujian metode hole-filling pada sistem dengan : median filter 5 5 tanpa hole-filling; median filter 5 5 menggunakan hole-filling. Nilai tv 3 Tabel 2. Hasil Pengujian Pengaruh Perubahan Ambang Segmentasi (tv), Ambang Thresholding (tb) dan Ukuran Median Filter pada Sistem Nilai tb Ukuran Median Filter PHit PM PCR PFA A means (%) (%) (%) (%) (%) Jemmy Kusuma Candra, Ivanna K. Timotius, Iwan Setyawan
5 Gambar 10. Contoh citra objek hasil perubahan nilai tv pada segmentasi objek: tv = 3, tv = 5, (c) tv = 10, (d) tv = KESIMPULAN Tulisan ini menyajikan rancang-bangun suatu prototip sistem yang dapat mendeteksi orang tergeletak berbasis sebuah kamera pengawas. Prototip sistem telah diuji dengan melibatkan 30 orang responden dan beberapa kombinasi parameter. Berdasarkan pengujian didapatkan hasil bahwa pendeteksian terbaik (PH 65.28%, PM 34.72%, PCR 54.48%, dan PFA 45.52%) dihasilkan dari parameter ambang thresholding (tb) dan ambang segmentasi (tv) berturut-turut sebesar dan 5, serta penggunaan hole-filling dan median filter berukuran 5 5. Dengan parameter yang sama didapat rata-rata aritmetik akurasi sistem (Ameans) sebesar 59.88%. Meskipun nilai akurasi sistem yang dihasilkan menggunakan kombinasi parameter di atas belum terlalu tinggi, akan tetapi hasil ini masih merupakan hasil yang terbaik dibandingkan kombinasi parameter lainnya, karena kombinasi parameter ini menghasilkan kompromi terbaik antara PH dan PFA. Sistem yang dirancang sering mengalami kesulitan membedakan antara posisi orang berdiri dan posisi orang tergeletak jika sumbu lateral orang tersebut sejajar dengan sumbu y citra yang dihasilkan kamera. Hal ini disebabkan karena sistem yang dirancang-bangun hanya menggunakan satu buah kamera pengawas. Penggunaan dua buah kamera daerah pandang (field of view) saling tegak lurus dapat mengurangi permasalahan ini. Sistem yang dirancang-bangun pada makalah ini belum mampu membedakan antara seseorang yang jatuh tergeletak dengan seseorang yang dengan sengaja berbaring di lantai. Oleh karena itu, pada penelitian selanjutnya kami berencana untuk menerapkan pendeteksi gerak misalnya menggunakan algoritma Motion History of Images (MHI). Penerapan algoritma ini akan memberikan kemampuan sistem membedakan seseorang yang jatuh atau sengaja berbaring berdasarkan perbedaan karakteristik gerakan masing-masing kasus (Bradski, dkk., 2000). 5. REFERENSI Bradski, G., dan Davis, J., Motion Segmentation and Pose Recognition with Motion History Gradients, IEEE Workshop on Applications of Computer Vision, Desember Brunelli, R., Template Matching Techniques in Computer Vision: Theory and Practice, 1 st ed., Wiley, Duda, R.O., Hart, P.E dan Stork, D.G., Pattern Classification, 2 nd ed., Wiley-Interscience, Gonzalez, R. dan Woods, R., Digital Image Processing, 3 rd ed., Prentice-Hall, New Jersey, Jain, A. K., Fundamentals of Digital Image Processing, Prentice-Hall, Jurie F. dan Dhome M., Real-Time Robust Template Matching, British Machine Vision Conference (BMVC 2002), Cardiff, Inggris (2-5 September 2002). Liyanage, C De Silva, Audiovisual Sensing Of Human Movements for Home-Care and Security in a Smart Environment, International Journal On Smart Sensing & Intelligent Systems, Vol. 1, No. 1, Maret 2008, h Maillet, S., dan Sharaiha, Y., Binary Digital Image Processing: A Discrete Approach, 1 st ed, Academic Press, London, Perry, J.T., Kellog, S., Vaidya, S.M., Youn, J-H., Ali, H., dan Sharif, H., Survey and Evaluation of Real-Time Fall Detection Approaches, 6 th International Symposium on High-Capacity Optical Networks and Enabling Technologies (HONET), Alexandria, Desember 2009, h Piccardi, M., Background subtraction techniques: a review, in Proc. of IEEE SMC 2004 International Conference on Systems, Man and Cybernetics, The Hague, Belanda (Oktober 2004). Porikli, F., Multiplicative Background-Foreground Estimation Under Uncontrolled Illumination using Intrinsic Images, Workshop on Motion and Video Computing, Breckenridge, Colorado (Januari 2005). Theodoridis, S., dan Koutroumbas, K., Pattern Recognition, 4 th ed., Academic Press, Wang, S., Zabir, S., dan Leibe, B., Lying Pose Recognition for Elderly Fall Detection, Proceedings of Robotics: Science and Systems VII, Los Angeles, Amerika Serikat (Juni 2011) Willems, J., How to detect human fall in video? An overview, Positioning and Context-Awareness International Conference (POCA 2009), Antwerp, Belgia (Mei 2009). World Health Organization, Body Mass Index Classification, (diakses tanggal 5 April 2012) Jurnal Cybermatika Vol. 1 No. 2 Desember 2013 Artikel 1 5
BAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan sistem pendeteksi orang tergeletak mulai dari : pembentukan citra digital, background subtraction, binerisasi, median filtering,
Lebih terperinciDETEKSI DAN SEGMENTASI OTOMATIS DERET PADA CITRA METERAN AIR
DETEKSI DAN SEGMENTASI OTOMATIS DERET PADA CITRA METERAN AIR Naser Jawas STIKOM Bali Jl. Raya Puputan, No.86, Renon, Denpasar, Bali Email: naser.jawas@gmail.com ABSTRAK Meter air adalah sebuah alat yang
Lebih terperinciIMPLEMENTASI PENTERJEMAH KODE ISYARAT TANGAN MENGGUNAKAN ANALISIS DETEKSI TEPI PADA ARM 11 OK6410B
IMPLEMENTASI PENTERJEMAH KODE ISYARAT TANGAN MENGGUNAKAN ANALISIS DETEKSI TEPI PADA ARM 11 OK6410B Heri Setiawan, Iwan Setyawan, Saptadi Nugroho IMPLEMENTASI PENTERJEMAH KODE ISYARAT TANGAN MENGGUNAKAN
Lebih terperinciOleh: Riza Prasetya Wicaksana
Oleh: Riza Prasetya Wicaksana 2209 105 042 Pembimbing I : Dr. I Ketut Eddy Purnama, ST., MT. NIP. 196907301995121001 Pembimbing II : Muhtadin, ST., MT. NIP. 198106092009121003 Latar belakang Banyaknya
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Akhir akhir ini teknologi yang berbasis " Sound and Video Capture Device " telah banyak berkembang. Para ilmuwan ataupun perusahaan yang bergerak di bidang IT memanfaatkan
Lebih terperinciSISTEM PENGENAL ARAH PANDANG MATA PADA PENGENDARA MOBIL
SISTEM PENGENAL ARAH PANDANG MATA PADA PENGENDARA MOBIL Deny Christian, Ivanna K. Timotius, Iwan Setyawan SISTEM PENGENAL ARAH PANDANG MATA PADA PENGENDARA MOBIL Deny Christian 1, Ivanna K. Timotius 2,
Lebih terperinciPENGARUH PEMAKAIAN EDGE DETECTION PADA SISTEM PENGENALAN HURUF KAPITAL TULISAN TANGAN
Jurnal Teknik dan Ilmu Komputer PENGARUH PEMAKAIAN EDGE DETECTION PADA SISTEM PENGENALAN HURUF KAPITAL TULISAN TANGAN (The Influence of Edge Detection Use on Capital Letter Hand Writing Recognition System)
Lebih terperinciBAB III PERANCANGAN SISTEM. Pada dewasa sekarang ini sangat banyak terdapat sistem dimana sistem tersebut
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Pada dewasa sekarang ini sangat banyak terdapat sistem dimana sistem tersebut sudah terintegrasi dengan komputer, dengan terintegrasinya sistem tersebut
Lebih terperinciTraffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel
1 Traffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel Andi Muhammad Ali Mahdi Akbar, Arief Kurniawan, Ahmad Zaini Jurusan Teknik Elektro, Fakultas Teknik Industri Institut
Lebih terperinciPemanfaatan Metode Template Matching untuk Face Tracking secara Real Time di Ruang Tertutup
Pemanfaatan Metode Template Matching untuk Face Tracking secara Real Time di Ruang Tertutup Efraim Anggriyono 1, Iwan Setyawan 2, Ivanna K. Timotius 3 Program Studi Teknik Elektro, Fakultas Teknik Elektronika
Lebih terperinciModifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-5 1 Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram Shabrina Mardhi Dalila, Handayani Tjandrasa, dan Nanik
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 terperinciKlasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt
Klasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt Ardi Satrya Afandi Fakultas Teknologi Industri Universitas Gunadarma Depok, Indonesia art_dhi@yahoo.com Prihandoko,
Lebih terperinciPENGGUNAAN METODE TEMPLATE MATCHING UNTUK MENDETEKSI CACAT PADA PRODUKSI PELURU
PENGGUNAAN METODE TEMPLATE MATCHING UNTUK MENDETEKSI CACAT PADA PRODUKSI PELURU Oleh: Amilia Khoiro Masruri 1210 100 029 Dosen Pembimbing: Dr. Budi Setiyono, S.Si, MT JURUSAN MATEMATIKA FAKULTAS MATEMATIKA
Lebih terperinciSEGMENTASI CITRA DIGITAL DENGAN MENGGUNAKAN ALGORITMA WATERSHED DAN LOWPASS FILTER SEBAGAI PROSES AWAL ( November, 2013 )
SEGMENTASI CITRA DIGITAL DENGAN MENGGUNAKAN ALGORITMA WATERSHED DAN LOWPASS FILTER SEBAGAI PROSES AWAL ( November, 2013 ) Pramuda Akariusta Cahyan, Muhammad Aswin, Ir., MT., Ali Mustofa, ST., MT. Jurusan
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN
44 BAB 3 ANALISA DAN PERANCANGAN 3.1 Analisa Analisa yang dilakukan terdiri dari : a. Analisa terhadap permasalahan yang ada. b. Analisa pemecahan masalah. 3.1.1 Analisa Permasalahan Pengenalan uang kertas
Lebih terperinciDETEKSI WAJAH BERBASIS SEGMENTASI WARNA KULIT MENGGUNAKAN RUANG WARNA YCbCr & TEMPLATE MATCHING
DETEKSI WAJAH BERBASIS SEGMENTASI WARNA KULIT MENGGUNAKAN RUANG WARNA YCbCr & TEMPLATE MATCHING Rony Wijanarko *, Nugroho Eko Fakultas Teknik Universitas Wahid Hasyim Semarang Jl. Menoreh Tengah X/22 Semarang
Lebih terperinci1 BAB I PENDAHULUAN. Pengajaran yang diperoleh dari sekolah adalah pengenalan dan pemahaman akan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Sejak lahir, balita masih belum mengenal apapun yang dilihatnya. Dalam pertumbuhannya, balita mulai dapat mengenali sesuatu. Proses pengenalan pada balita dengan
Lebih terperinciJURNAL TEODOLITA. VOL. 14 NO. 1, Juni 2013 ISSN DAFTAR ISI
JURNAL TEODOLITA VOL. 14 NO. 1, Juni 2013 ISSN 1411-1586 DAFTAR ISI Perpaduan Arsitektur Jawa dan Sunda Pada Permukiman Bonokeling Di Banyumas, Jawa Tengah...1-15 Wita Widyandini, Atik Suprapti, R. Siti
Lebih terperinciAPLIKASI WEBCAM UNTUK MENJEJAK PERGERAKAN MANUSIA DI DALAM RUANGAN
APLIKASI WEBCAM UNTUK MENJEJAK PERGERAKAN MANUSIA DI DALAM RUANGAN Kuncoro Adi D, Lukas B. Setyawan, F. Dalu Setiaji APLIKASI WEBCAM UNTUK MENJEJAK PERGERAKAN MANUSIA DI DALAM RUANGAN Kuncoro Adi D 1,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA 2.1 Dasar Teori Citra Digital
4 BAB 2 TINJAUAN PUSTAKA 2.1 Dasar Teori Bab ini berisi tentang teori yang mendasari penelitian ini. Terdapat beberapa dasar teori yang digunakan dan akan diuraikan sebagai berikut. 2.1.1 Citra Digital
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dewasa ini masalah obesitas dan kekurangan gizi menjadi salah satu masalah kesehatan yang penting. Menurut WHO (2000) diperkirakan lebih dari 700 juta orang dewasa
Lebih terperinciAplikasi Metoda Random Walks untuk Kontrol Gerak Robot Berbasis Citra
Abstrak Aplikasi Metoda Random Walks untuk Kontrol Gerak Robot Berbasis Citra R. Febriani, Suprijadi Kelompok Keahlian Fisika Teoritik Energi Tinggi dan Instrumentasi Fakultas Matematika dan Ilmu Pengetahuan
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 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 terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. Dalam pengerjaan tugas akhir ini memiliki tujuan untuk mengektraksi
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Model Pengembangan Dalam pengerjaan tugas akhir ini memiliki tujuan untuk mengektraksi fitur yang terdapat pada karakter citra digital menggunakan metode diagonal
Lebih terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh. NamaMhs NIM: XX.YY.ZZZ. Kepada
SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh NamaMhs NIM: XX.YY.ZZZ Kepada JURUSAN TEKNIK INFORMATIKA STMIK STIKOM BALIKPAPAN LEMBAR PERSETUJUAN Proposal Skripsi
Lebih terperinciRancang Bangun Sistem Pengujian Distorsi Menggunakan Concentric Circle Method Pada Kaca Spion Kendaraan Bermotor Kategori L3 Berbasis Edge Detection
JURNAL TEKNIK POMITS Vol., No., (22) -6 Rancang Bangun Sistem Pengujian Distorsi Menggunakan Concentric Circle Method Pada Kaca Spion Kendaraan Bermotor Kategori L3 Berbasis Edge Detection Muji Tri Nurismu
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Metode Perancangan Perancangan sistem didasarkan pada teknologi computer vision yang menjadi salah satu faktor penunjang dalam perkembangan dunia pengetahuan dan teknologi,
Lebih terperinciBy Emy. 2 of By Emy
2 1 3 Kompetensi Mampu menjelaskan dan operasi morfologi Mampu menerapkan konsep morfologi untuk memperoleh informasi yang menyatakan deskripsi dari suatu benda pada citra mampu membangun aplikasi untuk
Lebih terperinciModifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram
Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram Shabrina Mardhi Dalila (5109100049) Dosen Pembimbing 1 Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D. Dosen
Lebih terperinciOPTIMASI ALGORITMA IDENTIFIKASI STRABISMUS
OPTIMASI ALGORITMA IDENTIFIKASI STRABISMUS PADA MATA MANUSIA BERBASIS IMAGE PROCESSING DENGAN EUCLIDEAN DISTANCE PADA SISTEM MEKANIKAL AUTOMATED OPTICAL INSPECTION (AOI) AHMAD RIFA I RIF AN NRP. 2106 100
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pada saat ini pengamatan atau pemantauan suatu kondisi tempat ataupun ruangan melalui video sudah banyak diterapkan. Pengembangan dari sistem pengamatan berbasis video
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Meteran Air Meteran air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor, unit penghitung,
Lebih terperinciKOMBINASI METODE MORPHOLOGICAL GRADIENT DAN TRANSFORMASI WATERSHED PADA PROSES SEGMENTASI CITRA DIGITAL
KOMBINASI METODE MORPHOLOGICAL GRADIENT DAN TRANSFORMASI WATERSHED PADA PROSES SEGMENTASI CITRA DIGITAL Rudy Adipranata Universitas Kristen Petra Jl. Siwalankerto 121-131, Surabaya. Telp. (031) 8439040
Lebih terperinciIP TRAFFIC CAMERA PADA PERSIMPANGAN JALAN RAYA MENGGUNAKAN METODE LUASAN PIKSEL
IP TRAFFIC CAMERA PADA PERSIMPANGAN JALAN RAYA MENGGUNAKAN METODE LUASAN PIKSEL OLEH : ANDI MUHAMMAD ALI MAHDI AKBAR Pembimbing 1: Arief Kurniawan, ST., MT Pembimbing 2: Ahmad Zaini, ST., M.Sc. Page 1
Lebih terperinciRepresentasi Citra. Bertalya. Universitas Gunadarma
Representasi Citra Bertalya Universitas Gunadarma 2005 Pengertian Citra Digital Ada 2 citra, yakni : citra kontinu dan citra diskrit (citra digital) Citra kontinu diperoleh dari sistem optik yg menerima
Lebih terperinciSegmentasi Dan Pelabelan Pada Citra Panoramik Gigi
Segmentasi Dan Pelabelan Pada Citra Panoramik Gigi Nur Nafi iyah 1, Yuliana Melita, S.Kom, M.Kom 2 Program Pascasarjana Sekolah Tinggi Teknik Surabaya Email: nafik_unisla26@yahoo.co.id 1, ymp@stts.edu
Lebih terperinciSYSTEMIC Vol. 1, No. 1, Agustus 2015, PENGENALAN CATATAN PENJUALAN MENGGUNAKAN PENGENALAN ANGKA BERBASIS KORELASI.
SYSTEMIC Vol. 1, No. 1, Agustus 2015, 14-19 PENGENALAN CATATAN PENJUALAN MENGGUNAKAN PENGENALAN ANGKA BERBASIS KORELASI Ahmad Yusuf 1) 1) Fakultas Sains dan Teknologi, Universitas Islam Negeri Sunan Ampel
Lebih terperinciPEMAKAIAN KAMERA CCTV SEBAGAI SENSOR POSISI
PEMAKAIAN KAMERA CCTV SEBAGAI SENSOR POSISI Erdhi Widyarto Nugroho Teknik Elektro Universitas Katolik Soegijapranata Semarang e-mail : Erdhi@unika.ac.id ABSTRACT Kamera CCTV adalah suatu kamera yang secara
Lebih terperinciSISTEM PENGKLASIFIKASIAN KUALITAS KERAMIK DENGAN MENGGUNAKAN METODE LOG DAN PREWITT
SISTEM PENGKLASIFIKASIAN KUALITAS KERAMIK DENGAN MENGGUNAKAN METODE LOG DAN PREWITT Ardi Satrya Afandi art_dhi@yahoo.com Jurusan Teknik Informatika Fakultas Teknologi Industri Universitas Gunadarma Jl.
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 terperinciRancang Bangun Sistem Penghitung Laju dan Klasifikasi Kendaraan Berbasis Pengolahan Citra
Rancang Bangun Sistem Penghitung Laju dan Klasifikasi Kendaraan Berbasis Pengolahan Citra M Agus Taksiono, Dr. Ronny Mardiyanto, ST., MT.dan Ir. Joko Purwanto M.Eng, Ph.d Jurusan Teknik Elektro, Fakultas
Lebih terperinciTRACKING ARAH GERAKAN TELUNJUK JARI BERBASIS WEBCAM MENGGUNAKAN METODE OPTICAL FLOW
TRACKING ARAH GERAKAN TELUNJUK JARI BERBASIS WEBCAM MENGGUNAKAN METODE OPTICAL FLOW Ubaidillah Umar, Reni Soelistijorini, B. Eng, MT, Haryadi Amran Darwito, S.ST Jurusan Teknik Telekomunkasi - Politeknik
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
48 BAB IV HASIL DAN PEMBAHASAN 4.1 Analisis Sistem Sistem yang akan dibangun dalam penelitian ini adalah Implementasi Algoritma Template Matching dan Feature Extraction untuk Pengenalan Pola Angka Untuk
Lebih terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
Lebih terperinciFACE TRACKING DAN DISTANCE ESTIMATION PADA REALTIME VIDEO MENGGUNAKAN 3D STEREO VISION CAMERA
FACE TRACKING DAN DISTANCE ESTIMATION PADA REALTIME VIDEO MENGGUNAKAN 3D STEREO VISION CAMERA Edy Winarno¹, Agus Harjoko² ¹ Program Studi Teknik Informatika FTI Universitas Stikubank (UNISBANK) Semarang
Lebih terperinci1. BAB I PENDAHULUAN Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang kwh-meter merupakan alat yang digunakan untuk mengukur besarnya pemakaian energi listrik pada suatu bangunan atau gedung [1]. Berdasarkan sistem pembayarannya,
Lebih terperinciImplementasi Metode Hough Transform Pada Citra Skeletonisasi Dengan Menggunakan MATLAB 7.6. Intan Nur Lestari
Implementasi Metode Hough Transform Pada Citra Skeletonisasi Dengan Menggunakan MATLAB 7.6 Intan Nur Lestari Fakultas Teknologi Industri Universitas Gunadarma Jl. Margonda Raya, 100, Pondok Cina, Depok
Lebih terperinciIDENTIFIKASI TANDA TANGAN DENGAN DETEKSI TEPI DAN KOEFISIEN KORELASI
IDENTIFIKASI TANDA TANGAN DENGAN DETEKSI TEPI DAN KOEFISIEN KORELASI Harry Santoso Program Studi Teknik Informatika, Unika Soegijapranata Semarang harrysantoso888@gmail.com Abstract Signature is a proof
Lebih terperinciTRACKING OBJECT MENGGUNAKAN METODE TEMPLATE MATCHING BERBASIS STEREO VISION
TRACKING OBJECT MENGGUNAKAN METODE TEMPLATE MATCHING BERBASIS STEREO VISION Indra Pramana, M Zen Hadi Samsono, Setiawardhana Jurusan Telekomunkasi - Politeknik Elektronika Negeri Surabaya Institut Teknologi
Lebih terperinciOne picture is worth more than ten thousand words
Budi Setiyono One picture is worth more than ten thousand words Citra Pengolahan Citra Pengenalan Pola Grafika Komputer Deskripsi/ Informasi Kecerdasan Buatan 14/03/2013 PERTEMUAN KE-1 3 Image Processing
Lebih terperinciDAFTAR ISI. Lembar Pengesahan Penguji... iii. Halaman Persembahan... iv. Abstrak... viii. Daftar Isi... ix. Daftar Tabel... xvi
DAFTAR ISI Halaman Judul... i Lembar Pengesahan Pembimbing... ii Lembar Pengesahan Penguji... iii Halaman Persembahan... iv Halaman Motto... v Kata Pengantar... vi Abstrak... viii Daftar Isi... ix Daftar
Lebih terperinciALGORITMA IMAGE THINNING
ALGORITMA IMAGE THINNING Oleh Zurnawita dan Zulharbi Suar Staf Pengajar Teknik Elektro Politeknik Negeri Padang ABSTRACT Using image thinning algorithm, various example of application is processing image
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah
BAB 3 METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Prosesor Intel (R) Atom (TM) CPU N550
Lebih terperinciJURNAL TEODOLITA. VOL. 15 NO. 1, Juni 2014 ISSN DAFTAR ISI
JURNAL TEODOLITA VOL. 15 NO. 1, Juni 2014 ISSN 1411-1586 DAFTAR ISI Mesjid Saka Tunggal Sebagai Ruang Ritual Komunitas Islam ABOGE di Desa Cikakak Banyumas.. 1-11 Wita Widyandini, Yohana Nursruwening Analisa
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra digital merupakan sebuah fungsi intensitas cahaya, dimana harga x dan y merupakan koordinat spasial dan harga fungsi f tersebut pada setiap titik merupakan
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Perancangan sistem dimulai dari penempatan posisi kamera dengan posisi yang
23 BAB 3 PERANCANGAN SISTEM 3.1 Deskripsi Sistem Perancangan sistem dimulai dari penempatan posisi kamera dengan posisi yang sesuai kemudian dihubungkan dengan komputer yang akan mengolah gambar seperti
Lebih terperinciIDENTIFIKASI SEL DARAH BERBENTUK SABIT PADA CITRA SEL DARAH PENDERITA ANEMIA
IDENTIFIKASI SEL DARAH BERBENTUK SABIT PADA CITRA SEL DARAH PENDERITA ANEMIA IMAM SUBEKTI 2209106021 Dosen Pembimbing: Prof. Dr. Ir. Mauridhi Hery Purnomo, M.Eng. Dr. I Ketut Eddy Purnama, ST, MT. Latar
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6 1
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6 1 Identifikasi Cacat Peluru dengan Menggunakan Pengolahan Citra Digital Berbasis Learning Vector Quantization (LVQ) Angger Gusti Z dan Dwi Ratna S
Lebih terperinciBab II Teori Dasar 2.1 Representasi Citra
Bab II Teori Dasar 2.1 Representasi Citra Citra dapat direpresentasikan sebagai kumpulan picture element (pixel) pada sebuah fungsi analog dua dimensi f(x,y) yang menyatakan intensitas cahaya yang terpantul
Lebih terperinciPertemuan 3 Perbaikan Citra pada Domain Spasial (1) Anny Yuniarti, S.Kom, M.Comp.Sc
Pertemuan 3 Perbaikan Citra pada Domain Spasial (1), S.Kom, M.Comp.Sc Tujuan Memberikan pemahaman kepada mahasiswa mengenai berbagai teknik perbaikan citra pada domain spasial, antara lain : Transformasi
Lebih terperinciFitur Matriks Populasi Piksel Untuk Membedakan Frame-frame Dalam Deteksi Gerakan
Fitur Matriks Populasi Piksel Untuk Membedakan Frame-frame Dalam Deteksi Gerakan Teady Matius Surya Mulyana tmulyana@bundamulia.ac.id, teadymatius@yahoo.com Teknik Informatika Universitas Bunda Mulia Abstrak
Lebih terperinci3 BAB III METODE PENELITIAN
20 3 BAB III METODE PENELITIAN 3.1 Metode penelitian Penenelitian ini merupakan penelitian eksperimen, dengan melalui beberapa tahapan sebagai berikut : 1. Pengumpulan data Tahapan ini merupakan langkah
Lebih terperinciPENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR
PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR Ardilla Ayu Dewanti Ridwan, Ivanna K. Timotius, Iwan Setyawan PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 IMPLEMENTASI DETEKSI TITIK POTONG PEMBULUH DARAH PADA CITRA FUNDUS RETINA MENGGUNAKAN ALGORITMA COMBINED CROSS POINT NUMBER Kata Kunci: Citra Fundus Retina, Segmentasi Citra,
Lebih terperinciAnalisa Perbandingan Metode Edge Detection Roberts Dan Prewitt
Analisa Perbandingan Metode Edge Detection Roberts Dan Prewitt Romindo Polikteknik Ganesha Medan Jl. Veteran No. 190 Pasar VI Manunggal romindo4@gmail.com Nurul Khairina Polikteknik Ganesha Medan Jl. Veteran
Lebih terperinciPEMANFAATAN KAMERA CCTV SEBAGAI ALAT BANTU TRAFFIC SURVEY BIDANG : TRAFFIC ENGINEERING. Ressi Dyah Adriani NPP
PEMANFAATAN KAMERA CCTV SEBAGAI ALAT BANTU TRAFFIC SURVEY BIDANG : TRAFFIC ENGINEERING Ressi Dyah Adriani NPP 10529 ressi.adriani@jasamarga.co.id ABSTRAK Data kepadatan lalu-lintas merupakan kebutuhan
Lebih terperinciPERBANDINGAN METODE ROBERTS DAN SOBEL DALAM MENDETEKSI TEPI SUATU CITRA DIGITAL. Lia Amelia (1) Rini Marwati (2) ABSTRAK
PERBANDINGAN METODE ROBERTS DAN SOBEL DALAM MENDETEKSI TEPI SUATU CITRA DIGITAL Lia Amelia (1) Rini Marwati (2) ABSTRAK Pengolahan citra digital merupakan proses yang bertujuan untuk memanipulasi dan menganalisis
Lebih terperinci1. PENDAHULUAN Bidang perindustrian merupakan salah satu bidang yang juga banyak menggunakan kecanggihan teknologi, walaupun pada beberapa bagian, mas
PENGKLASIFIKASIAN KUALITAS KERAMIK BERDASARKAN EKSTRAKSI FITUR TEKSTUR STATISTIK Yogi Febrianto yoefanto@gmail.com Jurusan Teknik Informatika Fakultas Teknologi Industri Universitas Gunadarma Jl. Margonda
Lebih terperinciPENGENALAN ABJAD SISTEM ISYARAT BAHASA INDONESIA (SIBI) BERBASIS KAMERA DEPTH
ISSN 1858-4667 JURNAL LINK VOL 24/No. 1/Februari 2016 PENGENALAN ABJAD SISTEM ISYARAT BAHASA INDONESIA (SIBI) BERBASIS KAMERA DEPTH Cucun Very Angkoso 1, Muhammad Fuad 2, Dian Rusydi Hadiwineka 3 Program
Lebih terperinciBINERISASI CITRA DOKUMEN DENGAN FILTERISASI HOMOMORPHIC
BINERISASI CITRA DOKUMEN DENGAN FILTERISASI HOMOMORPHIC Naser Jawas STMIK STIKOM BALI naser.jawas@stikom-bali.ac.id Abstrak Binerisasi citra dokumen adalah sebuah langkah awal yang sangat penting dalam
Lebih terperinciPENGARUH PENCAHAYAAN TERHADAP KINERJA SEGMENTASI
PENGARUH PENCAHAYAAN TERHADAP KINERJA SEGMENTASI Iman H. Kartowisatro Computer Engineering Department, Faculty of Engineering, BINUS University Jln. K.H. Syahdan No. 9, Palmerah, Jakarta Barat 11480 imanhk@binus.edu
Lebih terperinciKONTROL ROBOT MOBIL PENJEJAK GARIS BERWARNA DENGAN MEMANFAATKAN KAMERA SEBAGAI SENSOR
KONTROL ROBOT MOBIL PENJEJAK GARIS BERWARNA DENGAN MEMANFAATKAN KAMERA SEBAGAI SENSOR Thiang, Felix Pasila, Agus Widian Electrical Engineering Department, Petra Christian University 121-131 Siwalankerto,
Lebih terperinci3.2.1 Flowchart Secara Umum
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui dan memahami permasalahan dari suatu sistem yang akan dibuat. Dalam aplikasi menghilangkan derau
Lebih terperinciPengenalan Benda di Jalan Raya dengan Metode Kalman Filter. Roslyn Yuniar Amrullah
Pengenalan Benda di Jalan Raya dengan Metode Kalman Filter Roslyn Yuniar Amrullah 7406040026 Abstrak Computer Vision merupakan disiplin ilmu perpanjangan dari pengolahan citra digital dan kecerdasan buatan.
Lebih terperinciIMPLEMENTASI PERHITUNGAN KECEPATAN OBJEK BERGERAK BERBASIS WEBCAM DAN PENGOLAHAN CITRA DIGITAL
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2009 IMPLEMENTASI PERHITUNGAN KECEPATAN OBJEK BERGERAK BERBASIS WEBCAM DAN PENGOLAHAN CITRA DIGITAL Bambang Hermanto¹, Koredianto Usman², Iwan Iwut Tirtoasmoro³
Lebih terperinciAplikasi Pengolahan Citra Dalam Pengenalan Pola Huruf Ngalagena Menggunakan MATLAB
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Aplikasi Pengolahan Citra Dalam Pengenalan Pola Huruf Ngalagena Menggunakan MATLAB Dani Rohpandi 1), Asep Sugiharto 2),
Lebih terperinciCOMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA
Seminar Nasional Teknologi Terapan SNTT 2013 (26/10/2013) COMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA Isnan Nur Rifai *1 Budi Sumanto *2 Program Diploma Elektronika & Instrumentasi Sekolah
Lebih terperinciSISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING
SISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING Mohamad Aditya Rahman, Ir. Sigit Wasista, M.Kom Jurusan Teknik Elektronika, Politeknik Elektronika Negeri Surabaya
Lebih terperinciEFEK HIGH PASS FILTERING DENGAN KOEFESIEN NOL PADA CITRA BINER
EFEK HIGH PASS FILTERING DENGAN KOEFESIEN NOL PADA CITRA BINER 1 1 Program Studi Teknik Informatika, Universitas Bunda Mulia Jakarta tmulyana@bundamulia.ac.id ABSTRAK Filtering akan melakukan penapisan
Lebih terperinciModel Sistem Akses Tempat Parkir Berdasarkan Pengenalan Plat Nomor Kendaraan. Andry Jonathan ( )
Model Sistem Akses Tempat Parkir Berdasarkan Pengenalan Plat Nomor Kendaraan Andry Jonathan (1122041) Email: andry.jonathan1234@gmail.com Jurusan Teknik Elektro, Fakultas Teknik Jl. Prof. Drg. Suria Sumantri
Lebih terperinciDETEKSI TEPI MENGGUNAKAN OPERATOR ISOTROPIK DENGAN PENGOLAHAN AWAL MENGGUNAKAN PENGATURAN INTENSITAS
MAKALAH SEMINAR TUGAS AKHIR DETEKSI TEPI MENGGUNAKAN OPERATOR ISOTROPIK DENGAN PENGOLAHAN AWAL MENGGUNAKAN PENGATURAN INTENSITAS Sulistono*, Achmad Hidayatno**, R. Rizal Isnanto** Abstrak Kadangkala hasil
Lebih terperinciBAB III KALIBRASI DAN VALIDASI SENSOR KAMERA UNTUK PENGEMBANGAN RUMUS POSISI TIGA DIMENSI OBYEK
BAB III KALIBRASI DAN VALIDASI SENSOR KAMERA UNTUK PENGEMBANGAN RUMUS POSISI TIGA DIMENSI OBYEK A. Pendahuluan Latar Belakang Perhitungan posisi tiga dimensi sebuah obyek menggunakan citra stereo telah
Lebih terperinciPERBANDINGAN ALGORITMA TEMPLATE MATCHING DAN FEATURE EXTRACTION PADA OPTICAL CHARACTER RECOGNITION
Jurnal Komputer dan Informatika (KOMPUTA) 29 PERBANDINGAN ALGORITMA TEMPLATE MATCHING DAN FEATURE EXTRACTION PADA OPTICAL CHARACTER RECOGNITION Raden Sofian Bahri 1, Irfan Maliki 2 1,2 Program Studi Teknik
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 terperinciSegmentasi Bagian Paru-Paru di Citra 2D CT-Scan
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Segmentasi Bagian Paru-Paru di Citra 2D CT-Scan Naser Jawas STIKOM Bali Jl. Raya Puputan no.86 Renon Denpasar e-mail: naser.jawas@stikom-bali.ac.id
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 terperinciROBOT MOBIL DENGAN SENSOR KAMERA UNTUK MENELUSURI JALUR PADA MAZE
ROBOT MOBIL DENGAN SENSOR KAMERA UNTUK MENELUSURI JALUR PADA MAZE Lauw Lim Un Tung, Resmana Lim, Budiman Lewa Electrical Engineering Dept., PETRA Christian University Jl. Siwalankerto 121-131, Surabaya
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini mulai dilaksanakan pada bulan September 2011 s/d bulan Februari
48 III. METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini mulai dilaksanakan pada bulan September 2011 s/d bulan Februari 2012. Pembuatan dan pengambilan data dilaksanakan di Laboratorium
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 terperinciSEMINAR TUGAS AKHIR M. RIZKY FAUNDRA NRP DOSEN PEMBIMBING: Drs. Daryono Budi Utomo, M.Si
APLIKASI FILTER LOG GABOR PADA SISTEM PENGENALAN IRIS MATA (Application Log-Gabor Filter in Iris Recognition System ) SEMINAR TUGAS AKHIR M. RIZKY FAUNDRA NRP 1206100051 DOSEN PEMBIMBING: Drs. Daryono
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 terperinciMuhammad Zidny Naf an, M.Kom. Gasal 2015/2016
MKB3383 - Teknik Pengolahan Citra Pengolahan Citra Digital Muhammad Zidny Naf an, M.Kom. Gasal 2015/2016 CITRA Citra (image) = gambar pada bidang 2 dimensi. Citra (ditinjau dari sudut pandang matematis)
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 terperinciPENGHITUNG JUMLAH ORANG LEWAT DENGAN METODE NORMALIZED SUM- SQUARED DIFFERENCES (NSSD)
PENGHITUNG JUMLAH ORANG LEWAT DENGAN METODE NORMALIZED SUM- SQUARED DIFFERENCES (NSSD) Nama Mahasiswa : Enggar Nilamsari NRP : 1206 100 721 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Dr. M. Isa
Lebih terperinciIDENTIFIKASI DAN TRACKING OBJEK BERBASIS IMAGE PROCESSING SECARA REAL TIME
IDENTIFIKASI DAN TRACKING OBJEK BERBASIS IMAGE PROCESSING SECARA REAL TIME Hendy Mulyawan, M Zen Hadi Samsono, Setiawardhana Jurusan Telekomunkasi - Politeknik Elektronika Negeri Surabaya Institut Teknologi
Lebih terperinciTEKNIK PEMOTONGAN CITRA KROMOSOM TUMPANG TINDIH ATAU BERSENTUHAN
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN: 107-5022 TEKNIK PEMOTONGAN CITRA KROMOSOM TUMPANG TINDIH ATAU BERSENTUHAN Moechammad Sarosa Teknik Elektro, Politeknik Negeri Malang
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Citra Citra menurut kamus Webster adalah suatu representasi atau gambaran, kemiripan, atau imitasi dari suatu objek atau benda, contohnya yaitu foto seseorang dari kamera yang
Lebih terperinciUJI COBA THRESHOLDING PADA CHANNEL RGB UNTUK BINARISASI CITRA PUPIL ABSTRAK
UJI COBA THRESHOLDING PADA CHANNEL RGB UNTUK BINARISASI CITRA PUPIL I Gusti Ngurah Suryantara, Felix, Ricco Kristianto gusti@bundamulia.ac.id Teknik Informatika Universitas Bunda Mulia ABSTRAK Beberapa
Lebih terperinci