Beberapa sampel tanda tangan setiap orang pada umumnya identik namun tidak
|
|
- Yuliani Lesmana
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Identifikasi Tanda Tangan Menggunakan Manhattan Distance dan Sum Square Error dengan Ekstraksi Ciri Dimensi Fraktal Aismika Aigustin1, Sri Setyaningsih1 dan Aries Maesya1 1. Program Studi Ilmu Komputer FMIPA UNPAK BOGOR, Jl. Pakuan, Bogor 16143, Indonesia aishipup@gmail.com Program Studi Ilmu Komputer FMIPA Universitas Pakuan Abstrak Tanda tangan merupakan salah satu bentuk pengenal identitas dari seseorang. Perbedaan tanda tangan dapat dilihat secara manual dari kerumitan pola yang digunakan oleh si pemiliknya. Tanda tangan biasanya digunakan untuk melakukan pengesahan terhadap dokumen formal sebagai bukti verifikasi identitas seseorang, hal tersebut dapat bermasalah atau gagal jika terbukti adanya pemalsuan tanda tangan pada suatu transaksi. Beberapa sampel tanda tangan setiap orang pada umumnya identik namun tidak benarbenar sama. Tanda tangan seseorang dapat berubah setiap waktu, perubahan tersebut biasanya dari segi posisi dan ukuran tanda tangan. Pada umumnya, untuk mengidentifikasi tanda tangan dilakukan manual dengan membandingkan secara langsung data tanda tangan. Ekstraksi ciri merupakan salah satu teknik untuk mendapatkan pola atau penciri suatu citra. Karakteristik dari fraktal adalah dimensinya. Ukuran dimensi pada umumnya merupakan bilangan bulat, akan tetapi dimensi fraktal dapat bernilai pecahan. Dimensi fraktal dapat digunakan sebagai ciri suatu citra dengan metode perhitungan kotak.identifikasi kecocokan pola tanda tangan dapat menggunakan metode Manhattan Disctance dan Sum Square Error untuk mengukur perbedaan antara data yang diperoleh dengan model perkiraan yang telah dilakukan sebelumnya. Kata Kunci : Identifikasi Tanda Tangan, Ekstraksi Ciri, Dimensi Fraktal, Manhattan Distance, Sum Square Error Pendahuluan Tanda tangan merupakan salah satu bentuk pengenal identitas dari seseorang, setiap orang memiliki pola tanda tangan yang berbeda-beda satu sama lainnya. Perbedaan tanda tangan dapat dilihat secara manual dari kerumitan pola yang digunakan oleh si pemiliknya. Tanda tangan biasanya digunakan untuk melakukan pengesahan terhadap dokumen formal sebagai bukti verifikasi identitas seseorang, hal tersebut dapat bermasalah atau gagal jika terbukti adanya pemalsuan tanda tangan pada suatu transaksi. Jika adanya pemalsuan akan merugikan beberapa pihak, maka perlu adanya verifikasi tanda tangan. Beberapa sampel tanda tangan setiap orang pada umumnya identik namun tidak benar-benar sama. Tanda tangan seseorang sering berubah setiap waktu, perubahan tersebut biasanya dari segi posisi dan ukuran tanda tangan. Pada umumnya, untuk mengidentifikasi tanda tangan dilakukan manual dengan membandingkan secara langsung data tanda tangan. Fraktal memiliki karakteristik kesamaan dengan dirinya sendiri, artinya fraktal memiliki sifat-sifat yang sama untuk berbagai skala atau ukuran yang digunakan. Setiap bagian fraktal yang memiliki skala berbeda dan memiliki sifat yang sama dengan keseluruhan fraktal. Karakteristik tersebut
2 menyebabkan fraktal cocok digunakan untuk teknik kompresi. Karakteristik lain dari fraktal adalah dimensinya. Ukuran dimensi pada umumnya merupakan bilangan bulat, akan tetapi dimensi fraktal dapat bernilai pecahan. Dimensi fraktal dapat digunakan sebagai ciri suatu citra dengan metode perhitungan kotak. Jika melakukan cukup banyak verifikasi akan menyebabkan kelelahan bagi pengamat yang melakukannya, sehingga ketepatan hasil yang diharapkan kurang memuaskan. Oleh karena itu, identifikasi kecocokan pola tanda tangan dapat menggunakan metode Manhattan Disctance dan Sum Square Error untuk mengukur perbedaan antara data yang diperoleh dengan model perkiraan yang telah dilakukan sebelumnya. Tujuan dari penelitian ini adalah menerapkan Manhattan Distance dan Sum Square Error sebagai metode identifikasi serta dimensi fraktal sebagai ekstraksi ciri. Manfaat dari penelitian ini adalah menghasilkan penciri citra tanda tangan dan sebagai sistem identifikasi tanda tangan secara otomatis dengan berbasis citra. Metodologi Penelitian START PENGUJIAN Akuisisi Citra Tanda Tangan Citra Tanda Tangan Preprocessing Preprocessing Perancangan Sistem Ekstraksi Citra Uji Ekstraksi Fitur Dimensi Fraktal Klasifikasi Manhattan Distance Dan Sum Square Error Identifikasi Hasil Identifikasi Evaluasi Hasil Identifikasi Cira Tanda Tangan END Gambar 1.TahapanPenelitian Metode penelitian terdiri dari akuisisi citra, praproses, ektraksi fitur menggunakan Dimensi Fraktal, proses identifikasi menggunakan Sum Square Error dan Manhattan Distance. Tahapan penelitian disajikan dalma flowchart pada gambar 1. Entity Relationship Diagram ERD (Entity Relationship Diagram) digunakan sebagai skema perancangan dalam basis data untuk mengelompokkan atribut pada entitas yang berelasi dengan entitas lainnya. Perancangan ERD dapat dilihat pada gambar 2. Gambar 2.Entity Relationship Diagram Akuisisi Citra Tanda Tangan Jenis pola tanda tangan yang digunakan dalam penelitian ini adalah 25 jenis tanda tangan dari responden. 20 citra data latih dirotasi 1800 dan dijadikan data latih, sehingga jumlah data latih masingmasing kelas adalah 40 data (20 citra transform dan 20 citra tanpa transform). 4 citra data uji dirotasi 1800 dan dijadikan data uji, sehingga jumlah data uji masingmasing kelas adalah 8. Total data adalah 1000 data latih dan 200 data uji, sehingga total keseluruhannya adalah 1200 data tanda tangan. Citra tanda tangan di akuisisi dengan cara di scan menggunakan mesin scanner, setelah itu dilakukan croping dengan dimensi piksel yang sama. Hasil dari tahapan ini berupa citra digital. Preprocessing Citra Tanda Tangan Preprocessing terhadap citra pola tanda tangan dilakukan pada tahapan ini, citra diseragamkan ukurannya menjadi 16x16 piksel dan melakukan perubahan
3 bentuk citra ke dalam format grayscale 8 bit ( derajat keabuan). Keabuan nilai 0 (nol) menyatakan intensitas hitam dan 1 untuk menyatakan instensitas putih (Kusumanto et al, 2011). Perancangan Sistem Tahapan perancangan sistem diawali dari perancangan basis data dengan model Entity Relationship Diagram, sedangkan untuk perancangan sistem secara umum menggunakan flowchart sistem untuk mendeskripsikan proses kerja sistem identifikasi tanda tangan. Blok diagram sistem dapat dilihat pada gambar 3. Gambar 3. Blok Diagram Pengembangan Sistem Implementasi Sistem Sistem identifikasi tanda tangan dekembangkan pada tahapan implementasi sistem. Adapun tahapan implementasi sistem diantaranya adalah pembuatan database dan pembuatan sistem identifikasi tanda tangan dengan fitur ekstraksi ciri citra. Esktraksi Ciri Dimensi Fraktal Fraktal dicirikan oleh dimensinya yang berbentuk pecahan. Salah satu metode yang digunakan untuk menghitung dimensi fraktal adalah metode penghitungan kotak (box counting) yang dapat dinyatakan dengan persamaan 1 secara umum (Putra, 2010): ( ) ( / ) Keterangan : N Banyaknya kotak berukuran r yang berisi informasi piksel dari objek D Dimensi fraktal objek r Rasio Adapun langkah-langkah metode box counting adalah sebagai berikut (Putra, 2012): 1. Citra dibagi ke dalam kotak-kotak dengan ukuran r. Nilai r berubah dari 1 sampai 2k, dengan k 0, 1,2, 4, 8, hingga 16. 2k tidak boleh lebih besar dari ukuran citra. Bila citra berukuran 2m x 2m, maka nilaikakanberhenti sampai mseperti ditunjukan pada gambar 4. Gambar 4. Pembagian Citra Menggunakan Box Counting 2. Menghitung banyaknya kotak N(r) yang melingkupi suatu objek dan berisi bagian-bagian objek pada citra. Nilai N(r) sangat tergantung pada r: 3. Menghitung nilai Log(1/r) dan Log(N). 4. Menghitung kemiringan (slope) dari garis lurus dengan persamaan 2 (Bruno et al, 2008). Nilai slope ini merupakan dimensi fraktal dari citra pola tanda tangan. ( ) ( ). ( ) Keterangan : α Banyaknya data yang digunakan X Nilai log(1/ ) Y Nilai log( ) Identifikasi Manhattan Distance Manhattan Distance adalah formula untuk menghitung jarak antara dua titik. Perhitungan Manhattan Distance untuk mencari jarak minimal dari kedua buah titik a (x1, y1) dan b (x2, y2) yang dapat dilakukan dengan menghitng nilai x2 x1 + y2 y1. Perumusan Manhattan Distance secara umumnya dijabarkan dalam persamaan 3. (, ) 1 + dimana : n dimensi data 1 +
4 .. nilai absolut i data uji j data latih Identifikasi Sum Square Error Sum Square Error (SSE) adalah salah satu metode statistik yang dipergunakan untuk mengukur selisih total dari nilai data latih terhadap nilai yang data uji. Istilah SSE disebut juga sebagai Summed Square of Residuals (Hayatunnufus et al, 2013). ( ) Keterangan : x nilai aktual atau nilai data latih y nilai tercapai atau nilai data uji Nilai x dalam penelitian ini merupakan total jumlah intensitas setiap region yang disimpan sebagai data latih, sedangkan nilai y merupakan total jumlah intensitas sebagai data uji. Nilai SSE yang mendekati 0 berarti model tersebut mempunyai komponen kesalahan acak terkecil. Hasil dan Pembahasan Halaman Ekstraksi Ciri Halaman ekstraksi ciri berfungsi untuk mendapatkan penciri citra dengan proses ekstraksi menggunakan metode dimensi fraktal. Tampilan form upload ekstraksi ciri dapat dilihat pada gambar 5. Gambar 5. Tampilan Form Upload Ekstraksi Ciri Halaman Proses Ekstraksi Ciri Halaman proses ekstraksi ciri merupakan halaman hasil proses ekstraksi secara keseluruhan data sampel 40 citra tanda tangan dari masing-masing responden. Tampilan option ekstraksi ciri dapat dilihat pada gambar 6. Gambar 6. Tampilan Option Proses Ekstraksi Ciri Halaman Hasil Ekstraksi Ciri Halaman ekstraksi ciri menampilkan keseluruhan data nilai dimensi fraktal secara global (FD) dan local region (FD00, FD01, FD10, dan FD11) dari masing-masing responden, adapun nilai yang ditampilkan merupakan nilai yang telah dirata-ratakan sesuai dengan jumlah data sample masing-masing responden. Tampilan hasil ekstraksi ciri setelah dirata-ratakan dapat dilihat pada gambar 7. Gambar 7. Tampilan Hasil Ekstraksi Ciri Setelah Dirata-ratakan Halaman Identifikasi Tanda Tangan Halaman identifikasi tanda tangan berfungsi untuk mengidentifikasi citra tanda tangan yang akan diupload sebagai data uji. Citra yang diupload akan melalui proses preprocessing dan ekstraksi ciri. Pada halaman ini ditampilkan citra dengan kemiripan tertinggi ditinjau dari nilai dimensi fraktal yang telah dirataratakan, dan ditampilkan perbandingan nilai kecocokan MD dan SSE dengan keseluruhan tanda tangan. Tampilan form upload identifikasi dapat dilihat pada gambar 8.
5 Gambar 8. Tampilan Form Upload Identifikasi Tanda Tangan Perhitungan ManualEkstraksi Ciri Dimensi Fraktal Hasil ekstraksi dari citra pola tanda tangan dengan dimensi fraktal menghasilkan lima parameter dimensi fraktal yaitu satu parameter yang diperoleh dari citra keseluruhan dan empat parameter yang diperoleh dari citra setiap local region. Pembagian citra global dan localregion dapat dilihat pada gambar 9. Gambar 9.(a)Pembagian Citra Global (b)pembagian Citra Local Region Langkah perhitungan menggunakan metode dimensi fraktal global untuk citra pola tanda tangan: 1. Membagi citra tanda tangan ke dalam kotak-kotak dengan ukuran r (rasio) dengan N (banyaknya kotak berukuran r yang berisi informasi piksel dari objek). r16, r4, r2, r8, r1, N4 N10 N30 N94 N1 Gambar 10. Citra Tanda Tangan Globaldengan Ukuran r Langkah-langkah pembagian citra tanda tangan pada Local Region 00, 01, 10, dan 11 sama seperti pembagian pada citra global. 2. Mengidentifikasi Nilai r dan N. Tabel 1. Identifikasi Nilai r dan N pada Citra Global Parameter Rasio Cita (P) N (Global) N (00) N (01) N (10) N (11) Rasio terkecil bernilai 1 pada setiap citra global dikarenakan belumnya ada pembagian box counting, rasio terbesar bernilai 95 yang dihasilkan dari citra Local Region 10 dikarenakan banyaknya nilai N (kotak yang terisi pola). Nilai dimensi fraktal pada citra global akurasinya lebih rendah dibandingkan dengan nilai yang dihasilkan dari keempat Local Region, dikarenakan pada citra global rasionya hanya Menghitung nilai Log(1/r) dan Log(N). Tabel 2. Perhitungan Nilai X dan Y pada Local Region 10 Log(1/r) P G Mengitung nilai kemiringan garis sebagai dimensi fraktal. Tabel 3. Perhitungan Nilai X dan Y pada Citra Global n X Y XY X2 Y Menghitung nilai dimensi fraktal dengan perumusan ( ). ( ) ( ) (5) (5) Perhitungan nilai dimensi fraktal pada α00, α01, α10 dan α11 sama seperti perhitungan untuk mencari nilai dimensi fraktal pada citra global.
6 5. Menetapkan nilai Dimensi Fraktal pada citra tanda tangan. Ekstraksi fitur citra pola tanda tangan dengan dimensi fraktal menghasilkan lima nilai dimensi fraktal. Nilai yang pertama dihasilkan dari ekstraksi citra secara keseluruhan (global), sedangkan keempat nilai yang lainnya dihasilkan dari ekstraksi local region (00, 01, 10, 11). Nilai dimensi fraktal berbentuk pecahan dan berkisar antara 1hingga mendekati2. FD. FD 00 FD 01 FD 10 FD Gambar 11. Fraktal pada Pola Tanda TanganGlobal dan Local Region Perhitungan Identifikasi Citra Identifikasi citra menggunakan metode Manhattan Distance dan Sum Square Error untuk mengukur kemiripan antara data uji dan data training. Perhitungan menggunakan Manhattan Distance dan Sum Square Error membutuhkan nilai training dan nilai uji. Nilai uji didapatkan dari proses upload citra tanda tangan yang diidentifikasi, sedangkan nilai training didapatkan dari tabel hasil_ekstraksi_fd. Data citra latih yang disajikan pada tabel 4 hanya mengambil sampel dari kelas ttd-14 hingga ttd-16, maka dilakukan perhitungan iterasi sebagai sampel dari iterasi ke-14 hingga 16. Tabel citra latih dapat dilihat pada tabel 4 dan untuk data citra uji dapat dilihat pada tabel 5. Tabel 4. Data Citra Latih Tabel 5. Data Citra Uji FD FD00 FD01 FD10 FD Identifikasi menggunakan Manhattan Distance (, ) Iterasi , Iterasi , Iterasi Identifikasi menggunakan Sum Square Error ( ) Iterasi 14 ( )2+( )2+( )2+( )2+( ) Iterasi 15 ( )2+( )2+ ( )2+( )2+( ) Iterasi 16 ( )2+( )2+( )2+( )2+( )
7 2. Kesimpulan Hasil Identifikasi Kesimpulan hasil perhitungan dari ketiga iterasi menggunakan metode Manhattan Distance (MD) dan Sum Square Error (SSE), hasil perhitungan iterasi ke-15 yang nilai error nyaterkecil, maka citra tanda tangan sebagai citra uji diklasifikasikan menjadi kelas ttd-15. Pada hasil identifikasi dapat saja terjadi kesamaan maupun perbedaan yang dihasilkan oleh MD san SSE, meskipun kedua metode merupakan algoritma perhitungan jarak namun keduanya memiliki perumusan yang berbeda. Pada tampilan halaman identifikasi tanda tangan setelah citra uji di upload maka akan tampil citra dengan kemiripan tertinggi menggunakan MD dan SSE, hasil identifikasi tergantung dengan nilai yang terdekat antara nilai dimensi fraktal dari citra uji dengan citra latih. Tampilan hasil identifikasi citra dengan kemiripan tertinggi dapat dilihat pada gambar 11. Gambar 12. Tampilan Identifikasi Citra dengan Kemiripan Tertinggi Halaman identifikasi citra menyajikan sejumlah informasi, seperti halnya nilai dimensi fraktal dari citra yang di upload, nilai identifikasi yang dihasilkan dari perhitungan Manhattan Distance dan Sum Square Error, banyaknya citra yang muncul dengan kemiripan yang sama, dan prosentasi kemiripan citra uji dan citra latih. Tampilan identifikasi citra beserta penjelasannya dapat dilihat pada gambar 12. Gambar 13. Tampilan Identifikasi Citra Hasil Ekstraksi Citra Dimensi Fraktal Pada halaman ekstraksi ciri akan ditampilkan nilai dimensi fraktal secara global, local region 00, 01, 10, dan 11 dengan rasio 1 sampai 16. Jika pada hasil ekstraksi ciri ada nilai FD yang bernilai NAN (Not A Number) maka proses upload citra harus diulang dengan citra yang baru. Nilai dimensi fraktal untuk satu citra tanda tangan dapat dilihat pada gambar 13. Gambar 14. Nilai Dimensi Fraktal untuk Satu Citra Tanda Tangan Hasil Vektor Ciri Dimensi Fraktal Vektor ciri dimensi fraktal ditampilkan untuk mengetahui rentang nilai antara citra global dan local region dalam bentuk pola grafik. Pola vektor ciri dimensi fraktal untuk satu citra tanda tangan dapat dilihat pada gambar 14. Gambar 15. Pola Vektor Dimensi Fraktal untuk Satu Citra Tanda Tangan Hasil Rata-Rata Ekstraksi Ciri Setiap kelas terdiri dari 40 data hasil perhitungan dimensi fraktal, dari data tersebut kemudian dirata-ratakan jumlah dimensi fraktal global maupun local region nya, sehingga pada halaman rata-rata ekstraksi ciri merupakan nilai rata-rata yang diperoleh dari masingmasing kelas responden. Evaluasi Hasil Identifikasi ManhattanDistance Hasil identifikasi dengan Manhattan Distance dievaluasi hasil data yang valid, jumlah citra data uji adalah 200 citra (8 citra dikali 25 responden). Setelah dilakukan pengujian identifikasi terhadap sistem menggunakan metode Manhattan
8 Distance validasi : diperoleh nilai presentase 100% % % dari citra uji. Berdasarkan perhitungan validasi, maka didapat kesimpulan bahwa sistem identifikasi menggunakan Manhattan Distance memiliki prosentase 86% dari tingkat keberhasilan untuk mengidentifikasi tanda tangan dari pengujian data latih. Tabel 6. Hasil Identifikasi Citra Uji Manhattan Distance Berdasarkan perhitungan validasi, maka didapat kesimpulan bahwa sistem identifikasi menggunakan Sum Square Error memiliki prosentase 89% dari tingkat keberhasilan untuk mengidentifikasi tanda tangan dari pengujian data latih. Hasil identifikasi Sum Square Error 3% lebih tinggi akurasinya dibandingkan dengan hasil identifikasi menggunakan Manhattan Distance. Pada tabel 17 data yang valid berada di area diagonal sedangkan nilai yang berada diluar area diagonal merupakan data yang non-valid. Hasil pengujian identifikasi dapat dilihat pada tabel 7. Tabel 7. Hasil Identifikasi Citra Uji Sum Square Error Tabel 6 merupakan tabel hasil pengujian identifikasi menggunakan Manhattan Distance untuk citra sisi horizontal. Hasil identifikasi citra yang telah dirotasi 180 derajat memiliki akurasi yang sama yaitu 86% dari citra uji. Evaluasi Hasil Identifikasi Keseluruhan SumSquaresError Hasil identifikasi dengan Sum Squares Error menggunakan perumusan yang sama seperti halnya Manhattan Distance, jumlah citra data uji adalah 200 citra (8 citra dikali 25 responden). Setelah dilakukan pengujian identifikasi terhadap sistem menggunakan metode Sum Square Error diperoleh nilai presentase validasi : ℎ ℎ 100% % % dari citra uji. Nilai yang terdapat pada area diagonal tabel merupakan nilai valid hasil pengujian identifikasi, sedangkan nilai yang berada di luar area diagonal tabel merupakan nilai non-valid. Hasil Identifikasi Satu Kelas Dari hasil pengujian identifikasi menggunakan Manhattan Distance dan Sum Square Error dapat diketahui jumlah data valid yang terkecil dan terbesar dari dari semua kelas. Berdasarkan pengelompokan data yang valid identifikasi Manhattan Distance yang validasinya 100% (dari semua citra uji yang valid) data yang muncul mencapai 60% dari data uji. Sedangkan pengelompokan data yang valid sebesar 75% (hanya 3 citra uji yang valid) data yang muncul mencapai 28% dari citra uji. Pengelompokan data yang valid 50% (hanya 2 citra uji yang valid) dan 25%
9 (hanya 1 citra uji yang valid) hanya mencapai 8% dan 4% dari citra uji. Sedangkan berdasar pengelompokan data yang valid menggunakan identifikasi Sum Square Error yang validasinya 100% (dari semua citra uji valid) data yang muncul mencapai 68%. Sedangkan pengelompokan data yang valid sebesar 75% (hanya 3 citra uji yang valid) data yang muncul mencapai 20% dari citra uji. Pengelompokan data yang valid 50% (hanya 2 citra uji yang valid) dan 25% (hanya 1 citra uji yang valid) hanya mencapai 12% dan 0% dari citra uji. Hasil Identifikasi dengan Validasi Terkecil Hasil identifikasi dengan jumlah validasi terkecil yaitu pada kelas ttd-25, hasil prosentase data valid menggunakan identifikasi Manhattan Distance hanya mencapai 25% dari citra uji, sedangkan data valid menggunakan Sum Square Error mencapai 50% dari citra uji. Jumlah nilai validasi yang kecil dapat disebabkan oleh faktor tidak konsistennya pola tanda tangan responden ataupun proses akuisisi citra yang dikerjakan secara manual dan belum adanya proses normalisasi. Hasil identifikasi dengan nilai validasi terkecil dapat dilihat pada gambar 16. Gambar 16. Hasil Identifikasi Satu Kelas dengan Validasi Terkecil Pada baris (Σ) menunjukkan banyaknya hasil validasi dari identifikasi, kolom (T25) merupakan kolom validasi untuk data yang valid bahwa seharusnya hasil identifikasi berada pada kolom tersebut. Citra yang valid menggunakan identifikasi Manhattan Distance hanya 1 citra, sedangkan menggunakan identifikasi Sum Square Error menghasilkan 2 citra valid. Pengujian yang sama dilakukan terhadap citra yang telah dirotasi 180 derajat, hasil validasinya sama dengan citra yang belum dirotasi. Hasil Identifikasi Satu Kelas dengan Validasi Terbesar Hasil identifikasi dengan jumlah validasi terbesar salah satunya yaitu pada kelas ttd-2. Hasil identifikasi yang maksimal dikarenakan pola tanda tangan responden dapat dikatakan cukup stabil dan konsisten, selain itu proses cropping gambar yang konsisten juga dapat menentukan validnya terhadap data uji. Hasil identifikasi dengan nilai validasi terbesar dapat dilihat pada gambar 17. Gambar 17. Hasil Identifikasi Satu Kelas dengan Validasi Terbesar Kolom (T2) merupakan kolom validasi untuk data yang valid bahwa seharusnya hasil identifikasi berada pada kolom tersebut. Hasil uji terhadap citra yang dirotasi sama dengan hasil identifikasi terhadap citra yang belum dirotasi. Maka dapat disimpulkan kelas ttd-2 tingkat validasi nya sebesar 100% terhadap data uji. Kesimpulan Penerapan metode yang digunakan untuk ekstraksi ciri citra pada sistem identifikasi tanda tangan adalah dimensi fraktal, dan menggunakan dua algortima perhitungan jarak yaitu Manhattan Distance dan Sum Square Error untuk identifikasi. Jumlah keseluruhan data adalah 1200 data citra tanda tangan, 100 data
10 merupakan data latih citra dengan 2 posisi dan 200 data uji. Hasil evaluasi sistem menggunakan ekstraksi dimensi fraktal dengan identifikasi Manhattan Distance menghasilkan tingkat validasi memperoleh prosentase 86% dari citra uji, sedangkan tingkat validasi yang dihasilkan dari identifikasi Sum Square Error memperoleh prosentase sebesar 89% dari citra uji. Hasil uji coba keakuratan sistem menggunakan metode uji validitas, untuk identifikasi Manhattan Distance mencapai 92.70% dari citra latih, sedangkan untuk identifikasi Sum Squar eerror hanya mencapai 91.99% dari citra latih. Berdasarkan perbandingan prosentase hasil identifikasi kedua metode dapat ditarik kesimpulan bahwa hasil evaluasi dengan metode dimensi fraktal menggunakan Sum Square Error hasilnya lebih tinggi dibandingkan dengan yang dihasilkan Manhattan Distance. Sedangkan akurasi sistem atau uji validasi berbanding terbalik dengan hasil evaluasi sistem. Saran Berdasarkan hasil pengujian dan analisa data, sistem identifikasi tanda tangan menggunakan dimensi fraktal yang telah dilakukan dapat diperoleh beberapa saran untuk penelitian selanjutnya, yaitu perlu dilakukan proses pengolahan data yang lebih kompleks untuk akuisisi citra. Disarankan juga agar dalam merepresentasi objek citra tanda tangan hendaknya dicoba menggunakan metode lainnya sehingga dapat menjadi bahan perbandingan hasil akurasi, dan dapat diketahui metode manakah yang lebih baik dalam merepresentasikan suatu objek berbentuk citrasehingga kesalahan pengenalan akibat perbedaan posisi dapat diminimalisir. DaftarPustaka Hayatunnufus, dkk (2013). Pendeteksi dan Verifikasi Tanda Tangan Menggunakan Metode Image Domain Spasial. Padang. Hidayatno, dkk (2008). Identifikasi Tanda Tangan Menggunakan Jaringan Saraf Tiruan Perambatan Balik (Backpropagation). Semarang. Kamus Besar Bahasa Indonesia Edisi Jakarta: Gramedia Pustaka Utama. Lubis, dkk (2010). Pengenalan Tanda Tangan Dengan Menggunakan Neural Network dan Pemrosesan Awal Thinning Zhang Suen. Jakarta. Mulyana, Iyan Identifikasi Tumbuhan Obat Berbasis Fraktal Menggunakan Klasifikasi Fuzzy CMeans. Bogor. Murti, Prof Validitas dan Reabilitas Pengukuran. Universitas Sebelas Maret. Prahasta, Eddy RemoteSensing. Bandung: Informatika. Putra, Darma PengolahanCitraDigital. Yogyakarta: Penerbit Andi. Santi (2008). Identifikasi Biometri Sidik Jari dengan Metode Fraktal. Semarang. Susanti (2012). Penggabungan Dimensi Fraktal dan Kode Fraktal untuk Identifikasi Tumbuhan Obat Indonesia Menggunakan Probabilistic Neural Network. Bogor.
Identifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur
Identifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur Cahya Hijriansyah 1, Achmad Solichin 2 1,2 Program Studi Teknik Informatika
Lebih terperinciPENDETEKSI DAN VERIFIKASI TANDA TANGAN MENGGUNAKAN METODE IMAGE DOMAIN SPASIAL. Abstrak
PENDETEKSI DAN VERIFIKASI TANDA TANGAN MENGGUNAKAN METODE IMAGE DOMAIN SPASIAL Annisa Hayatunnufus [1], Andrizal,MT [2], Dodon Yendri,M.Kom [3] Jurusan Sistem Komputer Fakultas Teknologi Informasi Universitas
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Dewasa ini pengolahan citra digital telah mengalami perkembangan pesat dengan semakin banyak penelitian tentang pengenalan objek dari sebuah citra. Pengenalan suatu
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sistem parkir khususnya untuk parkir mobil di tempat-tempat pusat perbelanjaan di Indonesia pada umumnya sudah menerapkan sistem otomatis. Setiap mobil yang
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih 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 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 terperinciAPLIKASI PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN ALGORITMA HAMMING DISTANCE
APLIKASI PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN ALGORITMA HAMMING DISTANCE Matheus Supriyanto Rumetna 1*, Marla Pieter, Monica Manurung 1 1 Fakultas Ilmu Komputer dan Manajemen, Universitas Sains
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 terperinciJURNAL PENGENALAN POLA KAKI O DAN KAKI X MENGGUNAKAN METODE BRAY-CURTIS DISTANCE
JURNAL PENGENALAN POLA KAKI O DAN KAKI X MENGGUNAKAN METODE BRAY-CURTIS DISTANCE Recognition pattern of foot o and foot x using method bray-curtis distance Oleh: FATHUL MU ARIF 12.1.03.02.0091 Dibimbing
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih 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 terperinciJURNAL SISTEM IDENTIFIKASI CITRA TANDA TANGA MENGGUNAKAN METODE 2D-PCA (TWO DIMENSIONAL PRINCIPAL COMPONENT ANALISYS)
JURNAL SISTEM IDENTIFIKASI CITRA TANDA TANGA MENGGUNAKAN METODE 2D-PCA (TWO DIMENSIONAL PRINCIPAL COMPONENT ANALISYS) SIGNATURE RECOGNITION USING 2D-PCA (TWO DIMENSIONAL PRINCIPAL COMPONENT ANALISYS) Oleh:
Lebih terperinci1. Pendahuluan. 1.1 Latar belakang
1. Pendahuluan 1.1 Latar belakang Keamanan data pribadi merupakan salah satu hal terpenting bagi setiap orang yang hidup di era dimana Teknologi Informasi (TI) berkembang dengan sangat pesat. Setiap orang
Lebih terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciBAB 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 III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Pengerjaan tugas akhir ini ditunjukkan dalam bentuk blok diagram pada gambar 3.1. Blok diagram ini menggambarkan proses dari sampel citra hingga output
Lebih terperinciPENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN. Disusun oleh : Mario Herryn Tambunan ( )
PENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN Disusun oleh : Mario Herryn Tambunan (1022056) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem
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 terperinciPERANCANGAN SISTEM PENGENAL DIGIT ANGKA METER AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN KOHONEN
PERANCANGAN SISTEM PENGENAL DIGIT ANGKA METER AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN KOHONEN Teguh Triantoro, F. Rizal Batubara, Fahmi Konsentrasi Teknik Komputer, Departemen Teknik Elektro Fakultas Teknik
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
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 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 IV HASIL PENELITIAN DAN PEMBAHASAN
35 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Implementasi GUI GUI diimplementasikan sesuai dengan program pengolah citra dan klasifikasi pada tahap sebelumya. GUI bertujuan untuk memudahkan pengguna mengidentifikasi
Lebih terperinciPENGEMBANGAN APLIKASI PERHITUNGAN JUMLAH OBJEK PADA CITRA DIGITAL DENGAN MENGGUNAKAN METODE MATHEMATICAL MORPHOLOGY
PENGEMBANGAN APLIKASI PERHITUNGAN JUMLAH OBJEK PADA CITRA DIGITAL DENGAN MENGGUNAKAN METODE MATHEMATICAL MORPHOLOGY DAN TEKNIK CONNECTED COMPONENT LABELING Oleh I Komang Deny Supanji, NIM 0815051052 Jurusan
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 terperinci5. IDENTIFIKASI JENIS TANAMAN. Pendahuluan
5. IDENTIFIKASI JENIS TANAMAN Pendahuluan Tujuan aplikasi berbasis sensor adalah melakukan penyemprotan dengan presisi tinggi berdasarkan pengamatan real time, menjaga mutu produk dari kontaminasi obat-obatan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Pada bab analisa dan perancangan ini akan mengulas tentang tahap yang digunakan dalam penelitian pembuatan aplikasi implementasi kompresi gambar menggunakan metode
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 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 terperinciDAFTAR ISI. BAB II... Error! Bookmark not defined.
DAFTAR ISI SKRIPSI... Error! Bookmark not defined. HALAMAN PERSETUJUAN SKRIPSI... Error! Bookmark not defined. PENGESAHAN DEWAN PENGUJI... Error! Bookmark not defined. PERNYATAAN KEASLIAN TUGAS AKHIR...
Lebih terperinciPENERAPAN METODE MOST SIGNIFICANT BIT UNTUK PENYISIPAN PESAN TEKS PADA CITRA DIGITAL
Pelita Informatika Budi Darma, Volume : IV, Nomor:, Agustus 23 ISSN : 23-9425 PENERAPAN METODE MOST SIGNIFICANT BIT UNTUK PENYISIPAN PESAN TEKS PADA CITRA DIGITAL Harry Suhartanto Manalu (9259) Mahasiswa
Lebih terperinciBab III ANALISIS&PERANCANGAN
3.1 Analisis Masalah Bab III ANALISIS&PERANCANGAN Pada penelitian sebelumnya yaitu ANALISIS CBIR TERHADAP TEKSTUR CITRA BATIK BERDASARKAN KEMIRIPAN CIRI BENTUK DAN TEKSTUR (A.Harris Rangkuti, Harjoko Agus;
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. fold Cross Validation, metode Convolutional neural network dari deep learning
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Program P rinsip kerja program yaitu dengan melakukan pra pengolahan citra terhadap foto fisik dari permukaan buah manggis agar ukuran seluruh data
Lebih 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 terperinciSistem Identifikasi Smartcard-Rfid dan Pengenalan Tanda Tangan Menggunakan Metode Backpropagation Dengan Kohonen Sebagai Pembanding
Sistem Identifikasi Smartcard-Rfid dan Pengenalan Tanda Tangan Menggunakan Metode Backpropagation Dengan Kohonen Sebagai Pembanding Johannes Putra Abri Sipahutar (1), Setiawardhana (2), Dwi Kurnia Basuki
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi perangkat lunak dewasa ini tidak terlepas dari berkembangnya studi mengenai kecerdasan buatan. Ada dua hal yang termasuk dari kecerdasan buatan
Lebih terperincidengan 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 terperinciPERANCANGAN APLIKASI PENGURANGAN NOISE PADA CITRA DIGITAL MENGGUNAKAN METODE FILTER GAUSSIAN
PERANCANGAN APLIKASI PENGURANGAN NOISE PADA CITRA DIGITAL MENGGUNAKAN METODE FILTER GAUSSIAN Warsiti Mahasiswi Program Studi Teknik Informatika STMIK Budi Darma Medan Jl. Sisingamangaraja No. 338 Sp. Limun
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciBAB 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 3 ANALISA DAN PERANCANGAN SISTEM
BAB 3 ANALISA DAN PERANCANGAN SISTEM 3.1 Analisa Program Aplikasi Dalam proses identifikasi karakter pada plat nomor dan tipe kendaraan banyak menemui kendala. Masalah-masalah yang ditemui adalah proses
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Penggunaan citra yang semakin meningkat menimbulkan kebutuhan retrival citra yang juga semakin meningkat. Diperlukan suatu metode retrival citra yang efektif
Lebih terperinciBAB 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang !! "(!
"( BAB I PENDAHULUAN 1.1 Latar Belakang Tanda tangan (signature) adalah sebuah tanda (sign) atau symbol yang merupakan versi miniatur dari pemiliknya. Tanda tangan bukanlah sembarang tanda atau symbol,
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Tahap 1 : Identifikasi Permasalahan Mencari literatur-literatur yang berhubungan dengan bahan penelitian. Tahap 2 : Pengambilan Data Training : Testing 5 : 1 150 : 30 Dari 10 responden
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Segmentasi citra (image segmentation) merupakan langkah awal pada proses analisa citra yang bertujuan untuk mengambil informasi yang terdapat di dalam suatu citra.
Lebih terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
Lebih terperinciWatermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital
JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2014) 1-6 1 Watermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital Latifatul Machbubah, Drs. Soetrisno, MI.Komp Jurusan Matematika, Fakultas
Lebih terperinciSISTEM PENGENALAN BUAH MENGGUNAKAN METODE DISCRETE COSINE TRANSFORM dan EUCLIDEAN DISTANCE
SISTEM PENGENALAN BUAH MENGGUNAKAN METODE DISCRETE COSINE TRANSFORM dan EUCLIDEAN DISTANCE Bagus Aditya *), Achmad Hidayatno, and Ajub Ajulian Zahra Jurusan Teknik Elektro, Universitas Diponegoro Semarang
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Biometrik adalah salah satu teknologi cangih yang banyak dipakai untuk menjadi bagian dari system keamanan di berbagai bidang. Biometrik ini bahkan sudah digunakan
Lebih terperinciPENGENALAN KEASLIAN DAN NILAI UANG KERTAS RUPIAH UNTUK TUNA NETRA MENGGUNAKAN METODE INTEGRAL PROYEKSI DAN CANNY
PENGENALAN KEASLIAN DAN NILAI UANG KERTAS RUPIAH UNTUK TUNA NETRA MENGGUNAKAN METODE INTEGRAL PROYEKSI DAN CANNY Yesi Diah Rosita Mahasiswa Pasca Sarjana Teknologi Informasi STTS Surabaya Contact Person:
Lebih terperinciBAB III METODE PENELITIAN. Tujuan tugas akhir ini akan membangun suatu model sistem yang
BAB III METODE PENELITIAN 3.1 Model Pengembangan Tujuan tugas akhir ini akan membangun suatu model sistem yang melakukan proses data mulai dari pengolahan citra otak hingga menghasilkan output analisa
Lebih terperinciPerancangan Sistem Identifikasi Barcode Untuk Deteksi ID Produk Menggunakan Webcam
Perancangan Sistem Identifikasi Barcode Untuk Deteksi ID Menggunakan Webcam Albert Haryadi [1], Andrizal,MT [2], Derisma,MT [3] [1] Jurusan Sistem Komputer Fakultas Teknologi Informasi Universitas Andalas,
Lebih terperinciSISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON
30 BAB IV SISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON 4.1 Gambaran Umum Sistem Diagram sederhana dari program yang dibangun dapat diilustrasikan dalam diagram konteks berikut. Gambar
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM PROGRAM APLIKASI HANDS RECOGNIZER
BAB 3 ANALISIS DAN PERANCANGAN SISTEM PROGRAM APLIKASI HANDS RECOGNIZER Dalam analisis dan perancangan sistem program aplikasi ini, disajikan mengenai analisis kebutuhan sistem yang digunakan, diagram
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciBAB I PENDAHULUAN. 1 Universitas Kristen Maranatha
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Perkembangan dunia digital, terutama dengan berkembangnya internet, menyebabkan informasi dalam berbagai bentuk dan media dapat tersebar dengan cepat tanpa
Lebih terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih 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 III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Dalam penelitian ini diperlukan sebuah desain dan metode penelitian agar dalam pelaksanaaannya dapat menjadi lebih teratur dan terurut. 3.1. Desain Penelitian Bentuk dari desain
Lebih terperinciPenerapan Kohonen Self Organized Map Dalam Kuantisasi Vektor Pada Kompresi Citra Bitmap 24 Bit
Penerapan Kohonen Self Organized Map Dalam Kuantisasi Vektor Pada Kompresi Citra Bitmap 24 Bit Gadis Fransiska Yulianti Tae, Sri Suwarno, Widi Hapsari Fakultas Teknologi Informasi, Program Studi Teknik
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan
BAB IV IMPLEMENTASI DAN EVALUASI Implementasi dan Evaluasi yang dilakukan penulis merupakan implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan perangkat lunak dari sistem secara keseluruhan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem yaitu dengan melakukan pengambilan data berupa foto fisik dari permukaan buah manggis kemudian melakukan sampling data
Lebih terperinciDAFTAR ISI. DAFTAR ISI... vii. DAFTAR GAMBAR... x. DAFTAR TABEL... xii I. PENDAHULUAN Latar Belakang Rumusan Masalah...
DAFTAR ISI Halaman DAFTAR ISI... vii DAFTAR GAMBAR... x DAFTAR TABEL... xii I. PENDAHULUAN... 1 1.1 Latar Belakang... 1 1.2 Rumusan Masalah... 2 1.3 Batasan Masalah... 2 1.4 Tujuan... 3 1.5 Manfaat...
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 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 terperinciPENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL
Makalah Nomor: KNSI-472 PENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL Barep Wicaksono 1, Suryarini Widodo 2 1,2 Teknik Informatika, Universitas Gunadarma 1,2 Jl.
Lebih terperinciDETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ. Muhammad Imron Rosadi 1
DETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ Muhammad Imron Rosadi 1 Prodi Teknik Informatika, Universitas Yudharta Pasuruan Purwosari 67162 Pasuruan Jawa Timur 1 Email : Imron_uyp@yahoo.com ABSTRAK
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masin-masing komponen perangkat.
Lebih terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB II TEORI DASAR PENGOLAHAN CITRA DIGITAL
BAB II TEORI DASAR PENGOLAHAN CITRA DIGITAL 2.1 Citra Secara harafiah, citra adalah representasi (gambaran), kemiripan, atau imitasi pada bidang dari suatu objek. Ditinjau dari sudut pandang matematis,
Lebih terperinciBAB 1 PENDAHULUAN. Sistem penglihatan manusia merupakan suatu system yang sangat kompleks,
BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG PERMASALAHAN Sistem penglihatan manusia merupakan suatu system yang sangat kompleks, tetapi sangat dapat diandalkan. Sistem ini memberikan sarana pengenalan obyek yang
Lebih terperinciAplikasi Dimensi Fraktal pada Bidang Biosains
Prosiding Seminar Nasional Matematika, Universitas Jember, 19 November 2014 299 Aplikasi Dimensi Fraktal pada Bidang Biosains Arum Andary Ratri 1, Kosala Dwidja Purnomo 2, Rafi ulfath R. Riwansia 3 1,2,3
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan sistematika tahapan yang dilaksanakan selama pembuatan penelitian tugas akhir. Secara garis besar metodologi penelitian tugas akhir ini dapat
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Plat nomor kendaraan bermotor merupakan ciri atau tanda pengenal suatu kendaraan yang diberikan oleh kepolisian. Setiap plat nomor kendaraan memiliki kombinasi
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Seiring dengan perkembangan zaman yang secara tidak disadari diikuti oleh perkembangan teknologi sangat banyak memberi pengaruh terhadap perkembangan ilmu
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi di bidang informasi spasial dan fotogrametri menuntut sumber data yang berbentuk digital, baik berformat vektor maupun raster. Hal ini dapat
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang 1.2. Rumusan Masalah
BAB I Pendahuluan 1 BAB I PENDAHULUAN 1.1. Latar Belakang Pemalsuan identitas sering kali menjadi permasalahan utama dalam keamanan data, karena itulah muncul teknik-teknik pengamanan data seperti penggunaan
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM
ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Dalam mengetahui suatu bahan jenis kulit cukup sulit karena bahan jenis kulit memeliki banyak jenis. Setiap permukaan atau tekstur dari setiap jenisnya
Lebih terperinciIMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH
IMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH Fitri Afriani Lubis 1, Hery Sunandar 2, Guidio Leonarde Ginting 3, Lince Tomoria Sianturi 4 1 Mahasiswa Teknik Informatika, STMIK Budi Darma
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 terperinciBAB I PENDAHULUAN. telinga, wajah, infrared, gaya berjalan, geometri tangan, telapak tangan, retina,
BAB I PENDAHULUAN 1.1 Latar Belakang Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia. Sidik jari, tanda tangan, DNA, telinga, wajah, infrared,
Lebih terperinciALGORITMA LEARNING VECTOR QUANTIZATION UNTUK PENGENALAN BARCODE BUKU DI PERPUSTAKAAN UNIVERSITAS GALUH CIAMIS
ALGORITMA LEARNING VECTOR QUANTIZATION UNTUK PENGENALAN BARCODE BUKU DI PERPUSTAKAAN UNIVERSITAS GALUH CIAMIS Egi Badar Sambani 1), Neneng Sri Uryani 2), Rifki Agung Kusuma Putra 3) Jurusan Teknik Informatika,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pengenalan kata dalam dunia teknologi informasi merupakan suatu permasalahan yang tidak asing dalam bidang kecerdasan buatan. Pengenalan kata dalam bidang kecerdasan
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 terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
Lebih terperinciYOGI WARDANA NRP
PENGEMBANGAN ALGORITMA SISTEM IDENTIFIKASI MATA MANUSIA BERBASIS PENGOLAHAN CITRA DENGAN METODE GABOR PADA PERALATAN AOI ( AUTOMATED OPTICAL INSPECTION ) YOGI WARDANA NRP. 2107 100 115 JURUSAN TEKNIK MESIN
Lebih terperinci