pola-pola yang terdapat pada suatu daerah bagian citra. Tekstur juga dapat membedakan permukaan dari beberapa kelas.
|
|
- Hartono Sanjaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Ruang Lingkup Penelitian Ruang Lingkup penelitian ini adalah: 1. Objek citra adalah data citra daun tumbuhan obat dan citra pohon tanaman hias di Indonesia. 2. Dalam penelitian ini operator MBLBP yang digunakan dalam penggabungan dibatasi paling banyak tiga. Manfaat Penelitian Manfaat dari penelitian ini adalah meningkatkan akurasi identifikasi tumbuhan berbasiskan citra sehingga dapat dilakukan identifikasi secara automatis. Pohon TINJAUAN PUSTAKA Pohon merupakan sesuatu yang penting dalam penggambaran tumbuhan secara keseluruhan. Bagian dari pohon di antaranya daun, batang, bunga, buah, dan akar. Identifikasi tumbuhan melalui pohon dapat diketahui dengan mudah karena pohon menggambarkan keseluruhan bagian pada tumbuhan. Daun Daun merupakan salah satu organ tumbuhan yang umumnya berwarna hijau dan organ vegetatif yang tidak bergantung pada musim. Daun sangat cocok sebagai alat identifikasi tumbuhan karena jumlah daun yang sangat banyak dan dapat ditemui dalam waktu kapan pun, dibandingkan dengan organ lain seperti bunga dan buah. Daun yang ada sangat bervariatif sehingga dapat digunakan sebagai penciri dari tumbuhan. Ciri-ciri daun yang dapat diambil di antaranya morfologi, tekstur, dan bentuk daun. Pengidentifikasian melalui tekstur daun harapannya akan lebih bagus untuk pengenalan tumbuhan. Ekstraksi Fitur Ekstraksi fitur adalah proses memperoleh fitur atau penciri dari suatu citra. Secara umum, fitur citra berupa warna, bentuk, dan tekstur. Acharya dan Ray (2005) mendefinisikan fitur bentuk sebagai pendeskripsi suatu objek yang bebas terhadap posisi, orientasi, dan ukuran. Fitur tekstur didefinisikan sebagai pengulangan pola atau pola-pola yang terdapat pada suatu daerah bagian citra. Tekstur juga dapat membedakan permukaan dari beberapa kelas. Tekstur Tekstur adalah gambaran visual dari sebuah permukaan atau bahan. Tekstur dicirikan dengan variasi intensitas pada sebuah citra. Variasi intensitas dapat disebabkan oleh kekasaran atau perbedaan warna pada suatu permukaan. Selain itu tekstur juga merupakan properti dari area. Properti-properti dari tekstur citra meliputi: keseragaman, kepadatan, kekasaran, keberaturan dan frekuensi. Penampilan tekstur dipengaruhi oleh skala dan arah pandangan, serta lingkungan dan kondisi pencahayaan (Mäenpää 2003). Image Enhancement Prinsip dari perbaikan citra (image enhancement) adalah memproses citra sehingga menghasilkan citra yang lebih baik untuk digunakan daripada citra asli sebelumnya. Perbaikan citra dikategorikan menjadi dua yaitu perbaikan citra pada ruang spasial dan pada ruang frekuensi. Perbaikan citra pada ruang spasial merujuk pada citra tersebut dan pendekatan ini didasarkan pada memanipulasi langsung piksel dalam sebuah citra. Perbaikan citra pada ruang frekuensi didasarkan pada mengubah sebuah citra menggunakan modifikasi Fourier Transform (Gonzales 2002). Gaussian Filtering Gaussian Filtering adalah salah satu proses perbaikan citra bertujuan untuk menormalkan frekuensi distribusi dari suatu citra. Gaussian Filtering dapat diformulasikan sebagai berikut: (,= (1) dengan adalah jarak dari titik pusat pada sumbu horizontal, adalah jarak dari titik pusat ke sumbu vertikal dan adalah standar deviasi dari distribusi Gaussian. Perspektif bentuk dari kurva Gaussian akan diperlihatkan pada Gambar 1. 2
2 Pembobotan yang diperoleh adalah pembobotan biner. Ilustrasi dari MBLBP dapat dilihat pada Gambar 2. Gambar 1 Plot perspektif pada kurva Gaussian. Tujuan dari penggunaan fungsi Gaussian pada perbaikan citra adalah memperhalus distribusi frekuensi yang dimiliki oleh citra. Pada citra wajah manusia Gaussian Filtering dapat digunakan untuk mengurangi garis-garis halus pada kulit dan noda-noda kecil yang akhirnya citra tersebut akan terlihat lebih halus. Gonzales (2002) menyatakan bahwa Gaussian filtering dapat digunakan pada sistem analisis yang mencari untuk mencari fitur yang dominan pada suatu citra. Multi-Block Local Binary Pattern Multi-Block Local Binary Pattern adalah metode mendeskripsikan tekstur pada mode warna grayscale dengan mengkodekan intensitas area persegi dengan LBP operator, dan menghasilkan pola biner yang dapat menggambarkan perbedaan struktur lokal pada citra. Li serta tim penelitinya pertama kali memperkenalkan MBLBP pada tahun 2007 untuk mengkodekan area persegi (subregion) menggunakan Local Binary Pattern (LBP) operator pada proses pengenalan wajah. Dibandingkan dengan LBP asli yang dihitung berdasarkan 3x3 piksel ketetanggaan, MBLBP dapat mengambil struktur skala yang lebih luas yang mungkin menjadi fitur yang dominan dari struktur suatu citra (Huang et al. 2009). Pada MBLBP perbandingan antara single piksel LBP digantikan oleh nilai rata-rata dari sub-regions. Sub-regions merupakan hasil rata-rata dari single piksel yang berbentuk persegi. LBP mendefinisikan setiap piksel citra dan menggunakan 3x3 nilai piksel ketetanggaan dengan piksel pusat sebagai thresholding. Nilai single piksel dari MBLBP akan digantikan oleh nilai rata-rata piksel dari blok sub-regions. Pembobotan MBLBP diperoleh dengan membandingkan nilai subregion piksel pusat ( dengan ketetanggaan sub-regions yang lain,,. Gambar 2 Ilustrasi dari MBLBP fitur. Pada Gambar 2 nilai threshold dari subregions yang pertama sebesar 6.67, setelah dilakukan thresholding akan menghasilkan pola MBLBP yaitu yang akan dikalikan dengan pembobotan biner sesuai dengan posisi piksel ketetanggaan tersebut berada maka nilai MBLBP sebesar 60. Nilai dari MBLBP dari diformulasikan sebagai berikut: = ( 2 (2) 1, 0 (= 0, 0 (3) dengan adalah nilai rata-rata dari piksel pusat blok sub-region, (=0,,8 adalah ketetanggaan sub-regions dan adalah sign (kode biner). Gambar 2 menunjukkan operasi dasar MBLBP. Nilai MBLBP dapat dihasilkan dengan mengalikan nilai piksel yang telah melalui proses thresholding dan pembobotan biner sesuai dengan posisi piksel ketetanggan tersebut berada. Pola-pola biner pada MBLBP merepresentasikan berbagai struktur pola citra seperti pola tepi, titik, garis, flat areas, dan corner, pada lokasi dan skala yang berbeda. Selanjutnya kode MBLBP direpresentasikan melalui histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai MBLBP. Ukuran citra NxM. 3
3 Setelah mendapatkan nilai MBLBP pada satiap ketetanggaan (blok(,)), keseluruhan tekstur citra direpresentasikan dengan membentuk histogram dengan formula sebagai berikut: (= ((,,, 0, (4) (,= 1,= 0, (5) dengan K merupakan nilai MBLBP terbesar. MBLBP bekerja menggunakan delapan ketetanggan yang tersebar melingkar (circular neighborhoods) dengan pusat piksel berada di tengah seperti ditunjukkan oleh Gambar 3. Notasi merupakan nilai grey-level dari subregion piksel ketetanggaan. expression analysis dan berbagai macam aplikasi lainnya. LBP bekerja menggunakan delapan ketetanggaan yang tersebar secara melingkar (circular neighborhoods) dengan pusat piksel berada di tengah. Rataan seluruh piksel (piksel ketetanggaan dan piksel pusat) digunakan sebagai nilai ambang batas (threshold). Nilai LBP dihasilkan dengan mengalikan nilai piksel yang telah melalui tahap pemotongan dengan pembobotan biner sesuai posisi piksel ketetanggaan tersebut berada. Gambar 5 Contoh operasi pada LBP. Gambar 3 Circular neighborhood delapan ketetanggaan. Terdapat berbagai macam operator MBLBP dengan berbagai ukuran sampling points dan radius yang ditunjukkan pada Gambar 4. Beragamnya operator ini digunakan untuk membuat ukuran lokal tekstur yang berbeda-beda. Selanjutnya notasi (P,R) akan digunakan untuk piksel ketetanggaan dengan P merupakan sampling points yang melingkar dan R merupakan radius. (8,1) (16,2) (8,2) Gambar 4 Berbagai macam ukuran sampling points dan radius. Local Binary Pattern Local Binary Pattern (LBP) merupakan metode ekstraksi dengan menjumlahkan struktur lokal pada citra yang bekerja pada mode warna grayscale. LBP pertama kali diperkenalkan pada tahun 1996 oleh Timo Ojala. LBP digunakan untuk mencari polapola tekstur lokal pada citra (texture in local neighborhood) (Mäenpää 2003). LBP banyak diterapkan pada banyak aplikasi di antaranya pada image retrieval, face detection, facial Gambar 5 menunjukkan operasi dasar LBP. Perbedaan mendasar di antara MBLBP dengan LBP adalah struktur lokal pada MBLBP direpresentasikan oleh nilai rata-rata dari setiap sub-regions, sedangkan pada LBP struktur lokal direpresentasikan oleh nlai single piksel. Pola-pola biner LBP merepesentasikan bermacam-macam pola tepi, titik, flat areas, dan sebagainya. Nilai LBP menunjukkan kode local binary pattern. LBP dapat diformulasikan sebagai berikut: LBP, (, = ( µ2 (6) (= <0 (7) dengan dan adalah koordinat pusat piksel ketetanggaan, adalah circular sampling points, adalah banyaknya sampling points, adalah nilai keabuan dari, μ adalah nilai rata-rata piksel ketetanggaan dan piksel pusat, dan adalah sign (kode biner). Kode LBP direpresentasikan melalui histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai LBP. Ukuran citra adalah NxM. Setelah mendapatkan nilai LBP pada setiap neighborhood (blok,), keseluruhan tekstur citra direpresentasikan dengan membentuk histogram: 4
4 =,,,, 0, (8) 1, =,= 0, (9) dengan K merupakan nilai LBP terbesar. Operator LBP mengalami perkembangan dengan dimodelkannya operator menggunakan berbagai ukuran sampling points dan radius. Beragamnya operator ini digunakan untuk membuat ukuran lokal tekstur yang berbeda-beda. Selanjutnya notasi (P,R) akan digunakan untuk piksel ketetanggaan dengan P merupakan sampling points yang melingkar dan R merupakan radius. LBP pada dasarnya hanya dapat mengkodekan pola mikrostruktur dari suatu citra. Hal tersebut mengakibatkan citra tanaman yang memiliki daun yang jarang sulit dikenali, karena makrokstuktur dari suatu citra belum dapat teridentifikasi dengan baik. Multi-Block Local Binary Pattern (MBLBP) merupakan suatu metode ekstraksi ciri dengan mengkodekan area persegi citra dengan LBP operator untuk mengetahui pola makrostrukstur dari suatu citra. Rotation Invariant Struktur piksel ketetanggaan LBP berbentuk melingkar, untuk itu dibuat suatu cara agar pola-pola LBP tidak sensitif terhadap perubahan rotasi. Istilah ini dinamakan rotation invariant. Contoh: LBP = = 15 dapat direpresentasikan dengan circular neighborhood pada Gambar 6. Gambar 6 Rotation Invariant LBP. Rotation invariant didefinisikan sebagai nilai minimum dari rotasi () -bit biner yang dilakukan sebanyak kali:, =min,, =0,1,, 1 } dengan menunjukkan rotation invariant. (10) Nilai dan pola-pola LBP pada Gambar 6 dapat berbeda-beda, tetapi memiliki struktur rotasi yang sama. Setiap pola LBP akan mempunyai pola yang berbeda jika dirotasi searah jarum jam ataupun berlawanan arah jarum jam (Pietikäinen 2000). Uniform Patterns Pola-pola LBP mencerminkan suatu karakteristik dari sebuah tekstur. Pola-pola yang memiliki informasi penting ini dinamakan uniform patterns. Suatu pola dikatakan uniform jika struktur melingkar pola-pola binernya paling banyak terdiri atas dua transisi bit dari 0 ke 1 atau sebaliknya. Sebagai contoh (0 transisi), (1 transisi), (2 transisi), dan (2 transisi) merupakan uniform patterns, sedangkan (4 transisi) dan (6 transisi) bukan merupakan uniform patterns atau disebut nonuniform patterns. Uniform patterns berfungsi untuk mengidentifikasi noda (spot), flat area atau dark spot, sudut, dan tepi (Ojala et al. 2002). Spot Spot/flat Line end Edge Corner Gambar 7 Tekstur uniform patterns. Gambar 7 menunjukkan definisi dari polapola uniform. Untuk mengidentifikasi uniform patterns digunakan formulasi sebagai berikut:, = + (11) dengan, merupakan uniform patterns dari P banyaknya sampling points dan radius R, adalah circular sampling points, adalah nilai keabuan dari, dan adalah nilai keabuan rata-rata seluruh piksel neighborhood. Rotation Invariant Uniform Patterns, ) Penggabungan antara uniform patterns dengan rotation invariant dilambangkan,. Notasi ri menunjukkan rotation invariant dan u2 untuk uniform patterns pada sampling points P dan radius R., merupakan ukuran ketidaksensitifan (invariant) terhadap perubahan grayscale., merupakan ukuran yang digunakan untuk menggambarkan pola spasial. Jumlah pola yang dihasilkan uniform patterns adalah 1+2 bins. Ketika uniform patterns 5
5 dirotasi sampai ke nilai minimum yang dimilikinya, jumlah pola yang dihasilkan menjadi +1 bins. Rotation invariant uniform patterns diformulasikan sebagai berikut:, =,, 2 +1, (12) Jika pola yang diidentifikasi termasuk uniform patterns, akan dihitung banyaknya bit satu pada pola tersebut yang menentukan letak bin uniform patterns berada. Jika banyaknya sampling points sama dengan delapan, nilai, adalah nol sampai dengan sembilan. Jika non uniform patterns akan masuk ke dalam bin terakhir, yaitu bin ke-sembilan yang merupakan single bin non uniform patterns (Mäenpää 2003). Rotation Invariant Variance Measure (VAR), tidak mendefinisikan lokal kontras tekstur dalam perhitungannya VAR merupakan suatu descriptor untuk mengukur lokal kontras tekstur pada suatu citra. VAR tidak sensitif terhadap perubahan grayscale. VAR berhubungan dengan kondisi pencahayaan suatu citra. Untuk mengukur lokal kontras tekstur pada suatu citra digunakan rotation invariant local variance dengan formula sebagai berikut:, = g µ dengan μ= g (13) (14) dengan merupakan rata-rata sampling points circular neighborhood. Hasil perhitungan VAR menghasilkan nilai continuous yang perlu dikuantisasi berdasarkan persebaran pola tekstur (Guo et al. 2009). LBP Variance (LBPV) LBPV descriptor secara sederhana menggabungkan distribusi frekuensi nilai LBP dan lokal kontras. Variance berhubungan dengan fitur tekstur. Pada umumnya frekuensi tekstur region yang tinggi akan mempunyai variance yang lebih tinggi dan variance tersebut lebih berkontribusi terhadap perbedaan tekstur suatu citra (Guo et al. 2009). Oleh karena itu, variance, dapat digunakan sebagai bobot yang dapat beradaptasi untuk mengatur kontribusi nilai LBP pada perhitungan histogram. Histogram LBPV dihitung menggunakan formula sebagai berikut:, (=, (,,, 0. dengan (15),,,=,,,,,= 0, Penggabungan Operator (16) Penggabungan beberapa N operator dengan nilai sampling points P dan radius R yang bervariasi adalah salah satu cara untuk memperbesar dukungan area spasial dari MBLBP. Penggabungan operator yang digunakan adalah dengan menggunakan concatenation (Guo et al. 2009). Cara kerja concatenation yaitu pada awalnya histogram dari N operator dihitung secara terpisah, kemudian histogram dari masing-masing operator dirangkaikan menjadi satu buah histogram. Pada penggabungan dengan menggunakan concatenation banyaknya bin histogram yang dihasilkan mengalami peningkatan secara linear terhadap pertumbuhan P atau sampling point. Sebagai contoh penggabungan, dengan,, akan menghasilkan histogram dengan panjang bin 10 dijumlahkan dengan 18 bin yaitu sebesar 28 bin. Probabilistic Neural Network (PNN) PNN merupakan Artificial Neural Network (ANN) yang menggunakan teorema probabilitas klasik (pengklasifikasian Bayes). PNN diperkenalkan oleh Donald Specht pada tahun PNN menggunakan pelatihan (training) supervised. Pelatihan data pada PNN mudah dan cepat. Bobot bukan merupakan hasil pelatihan melainkan nilai yang dimasukkan (tersedia). Menurut Wu et al. (2007) PNN memiliki struktur sederhana dan pelatihan data yang cepat karena tidak perlu memperbaharui bobot. Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/keluaran. Lapisan masukan merupakan objek yang terdiri atas nilai ciri yang akan diklasifikasikan pada kelas. Struktur PNN ditunjukkan pada Gambar 8. Proses-proses yang terjadi setelah lapisan masukan adalah: 6
6 dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan. Setiap node pola merupakan selisih antara vektor masukan yang akan diklasifikasikan dengan vektor bobot, yaitu =, kemudian dibagi dengan bias tertentu (σ) dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu (=exp (. Dengan demikian, persamaan yang digunakan pada lapisan pola adalah. (= ( ( (17) 2. Lapisan penjumlahan (summation layer) Menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah: 1 (= 2 exp 2 (18) 3. Lapisan keluaran (output layer) Menentukan kelas dari input yang diberikan. Input x akan masuk ke Y jika nilai paling besar dibandingkan kelas lainnya. METODE PENELITIAN Penelitian ini dilakukan dalam beberapa tahap. Tahap-tahap tersebut diselesaikan Citra yang digunakan diperoleh dari pemotretan tiga puluh jenis citra pohon yang terdapat di Kebun Raya Bogor serta tiga puluh jenis citra daun, depan dan belakang (masingmasing kelas 48 citra) yang terdapat di kebun Biofarmaka IPB Cikabayan dan rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan IPB. Citra yang digunakan berformat JPG. Total citra pohon yang digunakan 300 citra yang terdiri atas 30 kelas masing-masing kelas terdiri atas 10 citra yang dapat dilihat pada Lampiran 1 serta total citra daun yang digunakan sebanyak citra yang terdiri atas 30 kelas, depan dan belakang (masing-masing kelas 48 citra) dapat dilihat pada Lampiran 2. Praproses Pada tahap awal praproses, dilakukan perbaikan data pohon dengan memotong citra untuk mendapatkan objek tanaman dan memperkecil ukuran citra menjadi 270x210 piksel. Citra tersebut diperoleh dari hasil cropping dengan bertujuan agar citra focus kepada objek dari citra itu sendiri. Pada data daun dilakukan praproses data dengan mengambil objek setiap satu daun dan memperkecil ukuran citra menjadi 270x240 piksel. Kemudian mode warna citra diubah menjadi grayscale untuk proses ekstraksi selanjutnya. Image Enhancement dengan Gaussian Proses perbaikan citra menggunakan fungsi Gaussian. Sebelum masuk ke tahap ekstraksi, citra diubah ke dalam mode warna grayscale. Tahap selanjutnya citra diproses dengan mengalikan fungsi Gaussian yang ditunjukkan pada persamaan (1) bertujuan untuk memperhalus distribusi frekuensi citra. Ekstraksi Tekstur dengan Local Binary Pattern Ekstraksi tektur pada citra daun hanya dilakukan pada piksel yang menyusun citra tersebut. Citra dikonversi ke mode warna grayscale. Selanjutnya membagi citra ke dalam beberapa local region sesuai dengan sampling points dan radius yang digunakan. 7
dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan
dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan.
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Indonesia merupakan negara tropis yang memiliki + 30.000 spesies tumbuh-tumbuhan ([Depkes] 2007). Tumbuh-tumbuhan tersebut banyak yang dibudidayakan sebagai tanaman hias. Seiring
Lebih terperinciEKSTRAKSI TEKSTUR CITRA MENGGUNAKAN GAUSSIAN DAN MULTI-BLOCK LOCAL BINARY PATTERN UNTUK IDENTIFIKASI TUMBUHAN OBAT FANNY RISNURAINI
EKSTRAKSI TEKSTUR CITRA MENGGUNAKAN GAUSSIAN DAN MULTI-BLOCK LOCAL BINARY PATTERN UNTUK IDENTIFIKASI TUMBUHAN OBAT FANNY RISNURAINI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUANN ALAM
Lebih terperinciPanjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan,
Panjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan, misalnya penggabungan, +, maka panjang bin yang dihasilkan sebesar 28 bin. 2. Penggabungan operator dengan, Setiap histogram
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 1 Operator descriptor
Tabel 1 Operator descriptor Operator (P, R) Ukuran Blok (piksel) Kuantisasi Sudut (8, 1) 3 x 3 45 derajat (8, 2) 5 x 5 45 derajat (16, 2) 5 x 5 22.5 derajat (24, 3) 7 x 7 15 derajat Penentuan ukuran blok
Lebih terperinciIDENTIFIKASI JENIS AGLAONEMA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK ADITYA DWI GUSADHA
1 IDENTIFIKASI JENIS AGLAONEMA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK ADITYA DWI GUSADHA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 IDENTIFIKASI
Lebih terperinciIdentifikasi Citra Daun Menggunakan Morfologi, Local Binary Patterns dan Convex Hulls
ISSN : 2442-8337 Identifikasi Citra Daun Menggunakan Morfologi, Local Binary Patterns dan Convex Hulls Desta Sandya Prasvita Program Studi Sistem Informasi, STIMIK ESQ Jl. TB Simatupang Kavling 1, Cilandak,
Lebih terperinciPENGGABUNGAN FITUR LOCAL BINARY PATTERNS UNTUK IDENTIFIKASI CITRA TUMBUHAN OBAT IYOS KUSMANA
PENGGABUNGAN FITUR LOCAL BINARY PATTERNS UNTUK IDENTIFIKASI CITRA TUMBUHAN OBAT IYOS KUSMANA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ABSTRACT
Lebih terperinciGambar 15 Contoh pembagian citra di dalam sistem segmentasi.
dalam contoh ini variance bernilai 2000 I p I t 2 = (200-150) 2 + (150-180) 2 + (250-120) I p I t 2 = 28400. D p (t) = exp(-28400/2*2000) D p (t) = 8.251 x 10-4. Untuk bobot t-link {p, t} dengan p merupakan
Lebih terperinciEKSTRASI TEKSTUR CITRA MENGGUNAKAN LOCAL BINARY PATTERN UNTUK IDENTIFIKASI PENYAKIT TANAMAN PADI DAN ANTHURIUM BERBASIS WEBSITE TOMY KURNIAWAN
EKSTRASI TEKSTUR CITRA MENGGUNAKAN LOCAL BINARY PATTERN UNTUK IDENTIFIKASI PENYAKIT TANAMAN PADI DAN ANTHURIUM BERBASIS WEBSITE TOMY KURNIAWAN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
Lebih terperinciAPLIKASI MOBILE UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN LOCAL BINARY PATTERN DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK
APLIKASI MOBILE UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN LOCAL BINARY PATTERN DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK INTISARI Pauzi Ibrahim Nainggolan 1, Yeni Herdiyeni 2 1 Mahasiswa Departemen
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Indonesia merupakan negara megabiodiversity yang kaya akan tumbuhan obat yang sangat potensial untuk dikembangkan. Untuk keanekaragaman tanaman, Indonesia memiliki lebih dari
Lebih terperinciPENGGABUNGAN FITUR MORFOLOGI, LOCAL BINARY PATTERN VARIANCE, DAN COLOR MOMENTS UNTUK APLIKASI MOBILE IDENTIFIKASI CITRA TUMBUHAN OBAT
PENGGABUNGAN FITUR MORFOLOGI, LOCAL BINARY PATTERN VARIANCE, DAN COLOR MOMENTS UNTUK APLIKASI MOBILE IDENTIFIKASI CITRA TUMBUHAN OBAT MAYANDA MEGA SANTONI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
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 terperinciBAB I 1 PENDAHULUAN. 1.1 Latar Belakang
BAB I 1 PENDAHULUAN 1.1 Latar Belakang Bidang komputer merupakan suatu bidang yang tidak akan pernah berhenti dan selalu berkembang kegunaanya hingga sekarang ini. Teknologi baru dan aplikasi baru selalu
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 terperinciNurul Ilmi 1 1 Fakultas Informatika, Universitas Telkom, Bandung
Pengenalan Angka Tulisan Tangan dengan Menggunakan Local Binary Pattern Variance dan Klasifikasi K-Nearest Neighbour Handwriting Digit Recognition with Use Local Binary Pattern Variance and K-Nearest Neighbour
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Menginterprestasi sebuah citra untuk memperoleh diskripsi tentang citra tersebut melalui beberapa proses antara lain preprocessing, segmentasi citra, analisis
Lebih terperinciANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR
ANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR Gibtha Fitri Laxmi 1, Puspa Eosina 2, Fety Fatimah 3 1,2,3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas
Lebih terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciBAB 3 IMPLEMENTASI SISTEM
BAB 3 IMPLEMENTASI SISTEM Bab ini akan membahas mengenai proses implementasi dari metode pendeteksian paranodus yang digunakan dalam penelitian ini. Bab ini terbagai menjadi empat bagian, bagian 3.1 menjelaskan
Lebih terperinciSuatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara.
Image Enhancement Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang bisa dilakukan misalnya dengan fungsi transformasi, operasi matematis,
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur maupun metode
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2. Penelitian Terdahulu Beberapa penelitian mengenai pengenalan tulisan tangan telah banyak dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur
Lebih terperinciANALISIS TEKSTUR UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN KLASIFIKASI SUPPORT VECTOR MACHINE
Analisis Tekstur untuk Identifikasi Tumbuhan Hani ANALISIS TEKSTUR UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN KLASIFIKASI SUPPORT VECTOR MACHINE Hani Zulfia Zahro Prodi Teknik Informatika, Fakultas Teknologi
Lebih terperinciTeknik pengenalan wajah berbasis fitur local binary pattern (LBP)
Teknik pengenalan wajah berbasis fitur local binary pattern (LBP) Oleh: Eko Wahyudi NRP. 2208 100 629 Dosen Pembimbing: Dr. Ir. Wirawan, DEA Ir. Hendra Kusuma, M.Eng Latar Belakang ( Permasalahan Sistem
Lebih terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
Lebih terperinciANALISIS KINERJA SUPPORT VECTOR MACHINE
ANALISIS KINERJA SUPPORT VECTOR MACHINE (SVM) DAN PROBABILISTIC NEURAL NETWORK (PNN) PADA SISTEM IDENTIFIKASI TUMBUHAN OBAT DAN TANAMAN HIAS BERBASIS CITRA DEWI KANIA WIDYAWATI SEKOLAH PASCASARJANA INSTITUT
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan metode penelitian sebagai berikut: 1) Pengumpulan Data Tahap ini dilakukan sebagai langkah awal dari suatu penelitian. Mencari
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 Kemiripan Citra Tanaman Anggrek Menggunakan Metode Support Vector Machine (SVM) Kernel Linear
Jurnal Ilmiah ESAI Volume 8, No.3, Juli 214 ISSN No. 1978-634 Detecting Resemblance Of Orchid Plant Image Through Support Vector Machine (SVM) Of Kernel Linear Method Deteksi Kemiripan Citra Tanaman Anggrek
Lebih terperinciStudi Kuantisasi Bin Terhadap Metode Local Binary Pattern dan Local Binary Pattern Variance pada Deteksi Citra Asap
Studi Kuantisasi Bin Terhadap Metode Local Binary Pattern dan Local Binary Pattern Variance pada Deteksi Citra Asap Maya Muthia #1, Khairul Munadi #2, Fitri Arnia #3 # Program Pascasarjana, Magister Teknik
Lebih terperinciUNIVERSITAS BINA NUSANTARA PENGENALAN UANG KERTAS DOLLAR AMERIKA DENGAN METODE TEMPLATE MATCHING
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 PENGENALAN UANG KERTAS DOLLAR AMERIKA DENGAN METODE TEMPLATE MATCHING MEITA SETIAWAN / 0700709224
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih terperinci1. PENDAHULUAN. 1.1 Latar Belakang. 1.2 Perumusan masalah
1. PENDAHULUAN 1.1 Latar Belakang Formulir C1 Komisi Pemilihan Umum (KPU) merupakan dokumen hasil perolehan suara pemilu di setiap Tempat Pemungutan Suara (TPS). Formulir C1 kemudian dikumpulkan dan dilakukan
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 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 3 METODE PERANCANGAN
BAB 3 METODE PERANCANGAN 3.1 Konsep dan Pendekatan Tujuan utama yang ingin dicapai dalam pengenalan objek 3 dimensi adalah kemampuan untuk mengenali suatu objek dalam kondisi beragam. Salah satu faktor
Lebih terperinciBAB 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 terperinciModel Citra (bag. 2)
Model Citra (bag. 2) Ade Sarah H., M. Kom Resolusi Resolusi terdiri dari 2 jenis yaitu: 1. Resolusi spasial 2. Resolusi kecemerlangan Resolusi spasial adalah ukuran halus atau kasarnya pembagian kisi-kisi
Lebih terperinciPENGENALAN WAJAH DENGAN MENGGUNAKAN METODE DISCRIMINATIVE LOCAL DIFFERENCE PATTERNS
PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE DISCRIMINATIVE LOCAL DIFFERENCE PATTERNS Widyawan Tarigan NRP : 0222062 email : widyawan_tarigan@yahoo.com ABSTRAK Pada sistem pengenalan wajah, merancang deskriptor
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciBAB 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 terperinciSISTEM IDENTIFIKASI KAYU RAMIN BERBASIS CITRA MENGGUNAKAN LOCAL BINARY PATTERN DAN PROBABILISTIC NEURAL NETWORK CANGGIH TRISYANTO
SISTEM IDENTIFIKASI KAYU RAMIN BERBASIS CITRA MENGGUNAKAN LOCAL BINARY PATTERN DAN PROBABILISTIC NEURAL NETWORK CANGGIH TRISYANTO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciPENERAPAN METODE SOBEL DAN GAUSSIAN DALAM MENDETEKSI TEPI DAN MEMPERBAIKI KUALITAS CITRA
PENERAPAN METODE SOBEL DAN GAUSSIAN DALAM MENDETEKSI TEPI DAN MEMPERBAIKI KUALITAS CITRA HASNAH(12110738) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan Jl. Sisingamangaraja No. 338
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 terperinciBab III ANALISIS&PERANCANGAN
3.1 Analisis Masalah Bab III ANALISIS&PERANCANGAN Pada penelitian sebelumnya yaitu ANALISIS CBIR TERHADAP TEKSTUR CITRA BATIK BERDASARKAN KEMIRIPAN CIRI BENTUK DAN TEKSTUR (A.Harris Rangkuti, Harjoko Agus;
Lebih terperinciGambar 2 Prinsip pencarian: (a) struktur dan area-area pencarian, (b) jumlah dari garis-garis sampling (Sumber: (Kirchgeβner et al. 2002).
6 kebanyakan informasi tentang suatu garis tepi objek akan berada pada frekuensi rendah dari transformasi Fourier diskret (Petković & Krapac 2002). Pada penerapan ekstraksi venasi daun, inisialisasi parameter
Lebih terperinciPERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT)
PERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT) DAN MULTISCALE LOCAL BINARY PATTERN (MLBP) DALAM PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH Yuwono (0922013) Jurusan Teknik
Lebih terperinciMKB3383 TEKNIK PENGOLAHAN CITRA Pemrosesan Citra Biner
MKB3383 TEKNIK PENGOLAHAN CITRA Pemrosesan Citra Biner Dosen Pengampu: Muhammad Zidny Naf an, M.Kom. Genap 2016/2017 Definisi Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai derajat
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 I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Tanaman padi ( Oryzasativa,sp ) termasuk kelompok tanaman pangan yang sangat penting dan bermanfaat bagi kehidupan masyarakat Indonesia. Sampai saat ini, lebih dari
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Biometrik adalah ilmu untuk menetapkan identitas seseorang berdasarkan ciri fisik, kimia, ataupun tingkah laku dari orang tersebut. Dewasa ini, biometrik telah menjadi suatu
Lebih terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN NEURAL NETWORK DAN PEMROSESAN AWAL THINNING ZHANG SUEN
PENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN NEURAL NETWORK DAN PEMROSESAN AWAL THINNING ZHANG SUEN Chairisni Lubis 1) Yuliana Soegianto 2) 1) Fakultas Teknologi Informasi Universitas Tarumanagara Jl. S.Parman
Lebih terperinciPendekatan Statistik Pada Domain Spasial dan Frekuensi untuk Mengetahui Tampilan Citra Yustina Retno Wahyu Utami 1)
ISSN : 1693 1173 Pendekatan Statistik Pada Domain Spasial dan Frekuensi untuk Mengetahui Tampilan Citra Yustina Retno Wahyu Utami 1) Abstrak Mean, standard deviasi dan skewness dari citra domain spasial
Lebih terperinciBAB II Tinjauan Pustaka
BAB II Tinjauan Pustaka Pada bab ini dibahas mengenai konsep-konsep yang mendasari ekstraksi unsur jalan pada citra inderaja. Uraian mengenai konsep tersebut dimulai dari ekstraksi jalan, deteksi tepi,
Lebih 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 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 terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciBAB II TEORI PENUNJANG
BAB II TEORI PENUNJANG 2.1 Computer Vision Komputerisasi memiliki ketelitian yang jauh lebih tinggi bila dibandingkan dengan cara manual yang dilakukan oleh mata manusia, komputer dapat melakukan berbagai
Lebih terperinci1. BAB I PENDAHULUAN Latar Belakang
1 1. BAB I PENDAHULUAN Latar Belakang Iris mata merupakan salah satu organ internal yang dapat di lihat dari luar. Selaput ini berbentuk cincin yang mengelilingi pupil dan memberikan pola warna pada mata
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Pada bab ini akan dibahas mengenai teori pendukung dan penelitian sebelumnya yang berhubungan dengan metode ekstraksi fitur, serta metode klasifikasi Support Vector Machine dalam
Lebih terperinciDETEKSI LOCAL TAMPERING PADA VIDEO MENGGUNAKAN ALGORITMA LBP-TOP
Jurnal Teknik Komputer Unikom Komputika Volume 3, No.2-2014 DETEKSI LOCAL TAMPERING PADA VIDEO MENGGUNAKAN ALGORITMA LBP-TOP Febryanti Sthevanie Program Studi S1 Teknik Informatika, Fakultas Informatika
Lebih terperinciBAB II DASAR TEORI. 2.1 Meter Air. Gambar 2.1 Meter Air. Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus
BAB II DASAR TEORI 2.1 Meter Air Gambar 2.1 Meter Air Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Pengolahan Citra Pengolahan Citra Digital adalah teknologi menerapkan sejumlah algoritma komputer untuk memproses gambar digital. Hasil dari proses ini dapat berupa gambar atau
Lebih terperinciCreated with Print2PDF. To remove this line, buy a license at:
BAB III Pelaksanaan Penelitian Pada bab ini dibahas pelaksanaan ekstraksi unsur jalan secara otomatis yang terdiri dari tahap persiapan dan pengolahan data. Tahap persiapan yang terdiri dari pengambilan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah
BAB IV HASIL DAN PEMBAHASAN A. Data Sampel Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah sampel beras B, 1 buah sampel beras C, dan 2 buah sampel beras D. 1. Data Pengujian Mutu Beras
Lebih terperinciProses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer
Pengolahan Citra / Image Processing : Proses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer Teknik pengolahan citra dengan mentrasformasikan citra menjadi citra lain, contoh
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab landasan teori ini akan diuraikan mengenai teori-teori yang terkait dengan Content Based Image Retrieval, ekstraksi fitur, Operator Sobel, deteksi warna HSV, precision dan
Lebih terperinci(IMAGE ENHANCEMENT) Peningkatan kualitas citra di bagi menjadi dua kategori yaitu :
(IMAGE ENHANCEMENT) Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagi cara. Tujuannya adalah untuk memproses citra yang dihasilkan lebih baik daripada
Lebih terperinciKLASIFIKASI CITRA BATIK MENGGUNAKAN METODE EKSTRAKSI CIRI YANG INVARIANT TERHADAP ROTASI
JUTI - Volume 12, Nomer 2, Juli 2014: 48-60 KLASIFIKASI CITRA BATIK MENGGUNAKAN METODE EKSTRAKSI CIRI YANG INVARIANT TERHADAP ROTASI Arrie Kurniawardhani 1), Nanik Suciati 2), dan Isye Arieshanti 3) 1,
Lebih terperinciPercobaan 1 Percobaan 2
direpresentasikan dengan histogram. Perlakuan pertama terhadap data-data penelitian ini adalah menghitung histogramnya. Kemudian dari interval antara 0-255 akan dibagi menjadi interval-interval bagian
Lebih terperinciPENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT
PENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT Riza Agung Firmansyah 1), Djoko Purwanto 2), Ronny Mardiyanto 3) 1), 2),3) Teknik Elektro
Lebih terperinciImplementasi Deteksi Mata Otomatis Menggunakan Pemfilteran Intensitas dan K-Means Clustering
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Deteksi Mata Otomatis Menggunakan Pemfilteran Intensitas dan K-Means Clustering Ahmad Kadiq, Arya Yudhi Wijaya,
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 terperinciPENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT
PENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT Riza Agung Firmansyah1) Djoko Purwanto2) Ronny Mardiyanto3) 1) 2)3) Teknik Elektro Institut
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengenalan Wajah Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem keamanan selain pengenalan retina mata, pengenalan sidik jari
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 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 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 terperinciDETEKSI KERUSAKAN PERMUKAAN BAN PADA ANGKUTAN UMUM DENGAN METODE LOCAL BINARY PATTERN DAN KLASIFIKASI NEAREST NEIGHBOR
DETEKSI KERUSAKAN PERMUKAAN BAN PADA ANGKUTAN UMUM DENGAN METODE LOCAL BINARY PATTERN DAN KLASIFIKASI NEAREST NEIGHBOR Adham Nurjati 1, Rita Magdalena², I Nyoman Apraz Ramatryana³ Prodi S1 Teknik Telekomunikasi,Fakultas
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
Lebih terperinciPengolahan Citra Digital: Peningkatan Mutu Citra Pada Domain Spasial
Pengolahan Citra Digital: Peningkatan Mutu Citra Pada Domain Spasial Dr. Aniati Murni (R.1202) Dina Chahyati, M.Kom (R.1226) Universitas Indonesia DC - OKT 2003 1 Tujuan Peningkatan Mutu Citra Sumber Pustaka:
Lebih terperinciOPTIMASI PEMILIHAN THRESHOLD DAN OPERATOR FUZZY LOCAL BINARY PATTERN MENGGUNAKAN MULTI OBJECTIVE GENETIC ALGORITHM GIBTHA FITRI LAXMI
OPTIMASI PEMILIHAN THRESHOLD DAN OPERATOR FUZZY LOCAL BINARY PATTERN MENGGUNAKAN MULTI OBJECTIVE GENETIC ALGORITHM GIBTHA FITRI LAXMI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012 ii iii PERNYATAAN
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan penelitian yang dilaksanakan ditunjukan pada Gambar 6. Akusisi Citra INPUT Citra Query Preprocessing Citra Pre processing Citra Ekstraksi Fitur
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 terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Pemfilteran Citra; Sharpening, Blurring dan Noise Reduction 5 UNIV KRISTEN DUTA WACANA GENAP 1213 Pemfilteran Citra (Image Filtering) Pada
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 terperinciOperasi-operasi Dasar Pengolahan Citra Digital
Operasi-operasi Dasar Pengolahan Citra Digital Pendahuluan Citra digital direpresentasikan dengan matriks. Operasi pada citra digital pada dasarnya adalah memanipulasi elemen- elemen matriks. Elemen matriks
Lebih terperinciAPLIKASI MOBILE UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN LOCAL BINARY PATTERN DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK
APLIKASI MOBILE UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN LOCAL BINARY PATTERN DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK PAUZI IBRAHIM NAINGGOLAN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Kerangka Pikir Pengenalan wajah merupakan suatu teknologi dalam dunia kecerdasan buatan agar komputer dapat meniru kemampuan otak manusia dalam mendeteksi dan mengenali
Lebih terperinciALGORITMA SOBEL UNTUK DETEKSI KARAKTER PADA PLAT NOMOR KENDARAAN BERMOTOR
Pengolahan citra digital by Jans Hry / S2 TE UGM 09 ALGORITMA SOBEL UNTUK DETEKSI KARAKTER PADA PLAT NOMOR KENDARAAN BERMOTOR Edge atau tepi merupakan representasi dari batas objek dalam citra. Hal ini
Lebih terperinciSesi 3 Operasi Pixel dan Histogram. : M. Miftakul Amin, S. Kom., M. Eng.
Sesi 3 Operasi Pixel dan Histogram Materi Kuliah Dosen : Pengolahan Citra Digital : M. Miftakul Amin, S. Kom., M. Eng. Pokok Bahasan Konversi RGB ke Gray Scale Konversi Gray Scale ke Biner Konversi Gray
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 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 terperinci