PENDAHULUAN. Latar Belakang
|
|
- Yohanes Pranoto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Latar Belakang PENDAHULUAN Indonesia merupakan negara megabiodiversity yang kaya akan tumbuhan obat yang sangat potensial untuk dikembangkan. Untuk keanekaragaman tanaman, Indonesia memiliki lebih dari spesies tanaman (Bappenas 2003). Sampai tahun 2001 Laboratorium Konservasi Tumbuhan, Fakultas Kehutanan IPB telah mendata dari berbagai laporan penelitian dan literatur tidak kurang dari 2039 spesies tumbuhan obat berasal dari hutan Indonesia (Zuhud 2009). Menurut hasil penelitian, dari sekian banyak jenis tumbuhan obat baru 20-22% yang dibudidayakan, sedangkan sekitar 78% diperoleh melalui pengambilan langsung (eksplorasi) dari hutan. Potensi tumbuhan obat di Indonesia, termasuk tumbuhan obat kehutanan, apabila dikelola dengan baik akan sangat bermanfaat dari segi ekonomi, sosial budaya maupun lingkungan (Masyhud 2010). Proses pengidentifikasian tumbuhan obat bisa dilakukan dengan berbagai cara, di antaranya melalui taksonom, dengan bantuan herbarium, dan text book mengenai taksonomi/ dendrologi. Jika identifikasi tersebut dilakukan langsung di hutan secara manual, dengan membandingkan ciri dari herbarium atau text book terhadap objek aslinya, memerlukan waktu yang lama dan cukup merepotkan. Oleh karena itu perlu dibuat suatu sistem yang dapat mengidentifikasi tumbuhan obat secara otomatis. Berdasarkan penelitian yang sudah dilakukan pada citra daun kelas Dicotyledonae, untuk ekstraksi fitur bentuk menggunakan Fourier (Ramadhani 2009) dan ekstraksi morfologi menggunakan ciri dasar dan turunan morfologi daun (Annisa 2009). Hasil rata-rata presisi yang diperoleh kedua fitur ini adalah 31.75% untuk bentuk dan 27.22% untuk morfologi. Selain itu, telah dilakukan penelitian untuk fitur ekstraksi tekstur menggunakan Local Binay Patterns Variance (LBPV) pada citra pohon tanaman hias (Kulsum 2010) dengan akurasi maksimumnya mencapai 73.33%. Untuk mempermudah proses identifikasi, maka hasil ekstraksi fitur ini kemudian dilakukan proses klasifikasi menggunakan klasifikasi Probabilistic Neural Network (PNN) berdasarkan penelitian Nurafifah (2010). Pada penelitian ini dilakukan proses identifikasi pada tumbuhan obat menggunakan ketiga fitur ekstraksi citra (morfologi, tekstur, dan bentuk) dan menggunakan PNN sebagai metode klasifikasinya. Tujuan Tujuan penelitian ini adalah mengembangkan sistem identifikasi tumbuhan obat dengan menggabungkan ciri morfologi, tekstur, dan bentuk, kemudian hasilnya diklasifikasikan menggunakan klasifikasi PNN. Ruang Lingkup Ruang lingkup penelitian ini adalah identifikasi citra daun tumbuhan obat di kebun Biofarmaka, Cikabayan dan di rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan, IPB. Daun TINJAUAN PUSTAKA Daun merupakan bagian atau organ tumbuhan yang berfungsi membentuk makanan (fotosintesis), respirasi, dan transpirasi. Daun juga menunjukkan pola-pola yang khas dan bernilai penting dalam taksonomi (Anonim 2009). Hickey et. al (1999) telah mendeskripsikan ciri morfologi daun yang cukup rinci, khususnya untuk morfologi daun kelas Dicotyledonae. Ciri morfologi daun itu antara lain bangun daun (helai daun, ujung daun, dan pangkal daun), tepi daun, tekstur daun, letak kelenjar, tangkai daun, tekstur daun, tepi pertulangan, dan pengelompokan urat daun. Ekstraksi Ciri Ekstraksi ciri merupakan proses mendapatkan penciri dari suatu citra. Ciri citra yang didapat digunakan untuk identifikasi suatu citra. Ciri citra yang biasa dipakai dalam image retrieval adalah warna, bentuk, dan tekstur (Rodrigues 2004). Beberapa teknik untuk ekstraksi ciri memerlukan perubahan citra dari citra berwarna ke citra biner, penipisan pola dan sebagainya. Ciri bentuk merepresentasikan informasi geometris yang tergantung terhadap posisi, orientasi, dan ukuran. Ciri tekstur didefinisikan sebagai pengulangan pola yang ada pada suatu daerah bagian citra. Tekstur dapat juga membedakan permukaan dari beberapa kelas objek (Acharya dan Ray 2005). Ciri morfologi dapat mendeteksi perubahan bentuk dari suatu citra (Tzionas et al. 2005). Proses ekstraksi ciri 1
2 morfologi dapat dilakukan dengan pendekatan ekstraksi ciri dasar dan turunan. Morfologi Daun Wu et al. (2007) telah mendeskripsikan ekstraksi ciri morfologi. Ciri tersebut dibedakan menjadi dua, yaitu ciri dasar dan ciri turunan. Ciri dasar daun di antaranya diameter, panjang fisik, lebar fisik, area, dan perimeter daun. Diameter merupakan titik terjauh di antara dua titik dari batas daun. Panjang fisik merupakan jarak dua titik pangkal daun. Lebar fisik dihitung berdasarkan panjang garis terpanjang yang memotong garis panjang fisik secara ortogonal. Area dihitung berdasarkan jumlah piksel yang berada di dalam tepi daun, sedangkan perimeter merupakan jumlah piksel yang berada pada tepi daun (Annisa 2009). Dari lima ciri dasar tersebut, didapatkan dua belas ciri morfologi turunan. Nilai ciri turunan dapat dihitung dari rasio di antara ciri dasar daun. Ciri turunan dari morfologi daun di antaranya smooth factor, aspect ratio, form factor, rectangularity, narrow factor, rasio perimeter dan diameter, rasio perimeter dengan panjang dan lebar daun, serta lima ciri urat daun. Ciri turunan daun ada dua belas yaitu: 1 Smooth factor. Ciri untuk mengukur kehalusan suatu permukaan daun. Semakin halus suatu permukaan daun, maka nilainya semakin mendekati 1. Sebaliknya semakin kasar permukaan daunnya nilainya semakin mendekati 0. 2 Aspect ratio adalah rasio antara physiological length (L p ) dan physiological width (W p ). Persamaannya dapat dilihat pada Persamaan 1. Ciri ini untuk memperkirakan bentuk helai daun. Jika benilai kurang dari 1 maka bentuk helai daun tersebut melebar. Jika benilai lebih dari 1 maka bentuk helai daun tersebut memanjang. Ilustrasinya dapat dilihat pada Gambar 1. 3 Form factor, digunakan untuk mendeskripsikan bentuk dari daun dan mengetahui seberapa bundar bentuk helai daun tersebut. Nilai form factor dapat dilihat pada Persamaan 2. 4 Rectangularity, mendeskripsikan seberapa perseginya permukaan daun. Rumusnya diberikan pada Persamaan 3. 5 Narrow factor adalah rasio antara diameter (D) dan physiological length. Ciri ini untuk menentukan apakah bentuk helai daun tersebut tergolong simetri atau asimetri. Jika helai daun tersebut tergolong simetri maka benilai 1. Jika asimetri maka bernilai lebih dari 1. Nilainya dapat dicari menggunakan Persamaan 4. 6 Perimeter ratio of diameter. Ciri ini untuk mengukur seberapa lonjong daun tersebut. Persamaannya dapat dilihat pada.. Persamaan 5. 7 Perimeter ratio of physiological length and physiological width. Rumusnya diberikan pada Persamaan 6. 8 Vein features. Persamaannya dapat dilihat pada Persamaan 7, 8, 9, 10 dan 11. a. Rasio antara area helai daun yang telah element dengan radius satu piksel (A v1 ) b. Rasio antara area helai daun yang telah element dengan radius dua piksel (A v2 ) Gambar 1 Aspect ratio. 2
3 c. Rasio antara area helai daun yang telah element dengan radius tiga piksel (A v3 ) d. Rasio antara area helai daun yang telah element dengan radius empat piksel (A v4 ) e. Rasio antara area helai daun yang telah element dengan radius empat piksel (A v4 ) dan area helai daun yang telah dikurangi disk-shaped structuring element dengan radius satu piksel (A v1 ). Local Binary Patterns Local Binary Pattern (LBP) merupakan suatu metode untuk mendeskripsikan tekstur pada mode warna grayscale. LBP pertama kali diperkenalkan pada tahun 1996 oleh Timo Ojala. LBP digunakan untuk mencari pola-pola tekstur lokal pada citra (texture in local neighborhood) (Mäenpää 2003). LBP bekerja menggunakan delapan ketetanggaan yang tersebar secara melingkar (circular neighborhoods) dengan pusat piksel berada di tengah seperti ditunjukkan pada Gambar 2. Notasi merupakan nilai gray level piksel ketetanggaan. Rataan seluruh piksel (piksel ketetanggaan dan piksel pusat) digunakan sebagai nilai ambang batas (threshold) untuk memotong setiap nilai piksel ketetanggaan. Contoh tresholded bobot Nilai threshold : Pola LBP : Nilai LBP: = 241 Gambar 3 Contoh operasi pada LBP. Gambar 3 menunjukkan operasi dasar LBP. Pola-pola biner LBP merepresentasikan bermacam-macam pola tepi, titik, flat areas, dan sebagainya. Nilai LBP menunjukkan kode Local Binary Pattern. LBP dapat diformulasikan sebagai berikut: dengan x c dan y c adalah koordinat pusat piksel ketetanggaan, adalah circular sampling points, P adalah banyaknya sampling points, g p adalah nilai keabuan dari adalah nilai ratarata piksel ketetanggaan dan piksel pusat, dan s adalah sign (kode biner). Selanjutnya kode-kode LBP direpresentasikan melalui histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai LBP. Setelah mendapatkan nilai LBP pada setiap neighborhood (blok (i,j)), keseluruhan tekstur citra direpresentasikan dengan membentuk histogram: Gambar 2 Circular neighborhood delapan sampling points. Nilai LBP dihasilkan dengan mengalikan nilai piksel yang telah melalui tahap pemotongan dengan pembobotan biner sesuai posisi piksel ketetanggaan tersebut berada. dengan K merupakan nilai LBP terbesar dan NxM piksel sebagai ukuran citra. Operator LBP mengalami perkembangan dengan dimodelkannya operator menggunakan berbagai ukuran sampling points dan radius. Beragamnya operator ini digunakan untuk membuat skala atau ukuran lokal tekstur yang berbeda-beda. Selanjutnya notasi (P, R) akan 3
4 digunakan untuk piksel ketetanggaan dengan P merupakan sampling points yang melingkar dan R merupakan radius. Gambar 4 memperlihatkan contoh circular neighborhood tiga operator. yang berbentuk seperti bel yang menskalakan variabel nonlinear (Wu et al. 2007). Keuntungan utama menggunakan arsitektur PNN adalah training data mudah dan sangat cepat. (8,1) (16,2) (8,2) Gambar 4 Beberapa ukuran circular neighborhood. Metode LBP ini telah dikembangkan lebih lanjut dengan menjadi LBPV (LBP Variance) yaitu dengan menggabungkan 2 metode LBPriu2 dan var. Kulsum (2010) telah berhasil menerapkan metode ini untuk mengekstraksi ciri citra tanaman hias tanpa proses segmentasi. Fourier Descriptors Salah satu teknik ekstraksi bentuk berdasarkan kontur adalah Fourier descriptors (Acharya dan Ray 2005). Fourier descriptors merepresentasikan suatu sinyal periodik dengan koefisien transformasi Fourier diskret Z(k) : Fourier descriptors bisa memberikan deskripsi bentuk yang berguna, bebas terhadap posisi, orientasi, dan ukuran objek suatu citra (Rahmadhani 2009). Banyaknya Fourier descriptors bisa merupakan bilangan berpangkat dua ataupun tidak. Fourier descriptors bisa digunakan untuk membangkitkan ulang kontur atau garis bentuk dengan menerapkan invers transformasi. Akan tetapi, jika koefisien transformasi diproses, seperti dipotong atau dikuantisasi, invers DFT tidak lagi menghasilkan representasi kontur yang akurat. Modifikasi koefisien Fourier bisa menghasilkan kurva yang tidak lagi tertutup. Probabilistic Neural Network PNN dikembangkan oleh Donald Specht pada tahun Arsitektur jaringannya diperkenalkan pada penelitian Probabilistic Neural Networks for Classification, Mapping or Associative Memory and Probabilistic Neural Networks. Struktur jaringan ini menyediakan solusi umum untuk masalah klasifikasi pola dengan mengikuti pendekatan statistik yaitu Bayesian Classifiers (Araghi et al. 2009). PNN merupakan ANN yang menggunakan radial basis function (RBF). RBF adalah fungsi Gambar 5 Struktur PNN. Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/keluaran. Lapisan masukan merupakan objek yang terdiri atas k nilai ciri yang akan diklasifikasikan pada n kelas. Struktur PNN ditunjukkan pada Gambar 5. Proses-proses yang terjadi setelah lapisan masukan adalah: 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan. Setiap node pola merupakan selisih dari vektor masukan x yang akan diklasifikasikan dengan vektor bobot x ij, yaitu Z i = x- x ij, Z i kemudian dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu radbas(n) = exp(-n 2 ). Dengan demikian, persamaan yang digunakan pada lapisan pola adalah: 2. Lapisan penjumlahan (summation layer) (17) Menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah: 4
5 3. Lapisan keluaran (output layer) (18) Menentukan kelas dari input yang diberikan. Input x akan masuk ke kelas Y jika nilai peluang x masuk ke Y paling besar dibandingkan peluang masuk ke kelas lainnya. Classifier Combination Berdasarkan Kittler (1998) tujuan dari classifier combination adalah untuk meningkatkan efisiensi dari pengambilan keputusan. Classifier combination menggunakan kombinasi dari dua atau lebih hasil nilai aturan keputusan ciri individual (decision rules). Hasil klasifikasi masingmasing ciri menghasilkan prior probability dan posterior probability. Berdasarkan probabilitas tersebut, teknik classifier combination yang dapat digunakan di antaranya, product decision rule, sum decision rule, maximum decision rule dan majority vote rule. Menurut penelitian Nurafifah (2010) diketahui bahwa di antara 4 classifier combination tersebut, yang merupakan teknik paling optimal dalam meningkatkan akurasi adalah klasifikasi product decision rule (PDR). PDR merupakan classifier combination dengan formulasi : (19) Berdasarkan penelitian Nurafifah (2010), metode PDR mampu meningkatkan akurasi pada tanaman hias yang semula akurasi terbaik sebelum penggabungan 79.05% menjadi 83.33% (penggabungan 3 fitur ekstraksi citra, morfologi, tekstur, dan bentuk). METODE PENELITIAN Gambar 6 menunjukkan alur dari metode penelitian. Secara garis besar metode penelitian terdiri atas pengumpulan data penelitian (fitur morfologi, tekstur, dan bentuk), penggabungan fitur, pembagian data menjadi data latih dan data uji, pelatihan dengan PNN kombinasi (PDR), pengujian, dan evaluasi hasil temu kembali. Gambar 6 Metode penelitian. Data Citra Daun Citra yang digunakan diperoleh dari pemotretan langsung di kebun Biofarmaka IPB dan di rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan, IPB. Pemotretan dilakukan dengan menggunakan 5 kamera digital yang berbeda (DSC-W55, 7210 Supernova, Canon Digital Axus 95 IS, Samsung PL100, EX-Z35). Total citra daun yang dipakai 1,440 citra yang terdiri atas 30 jenis daun, depan dan belakang (masingmasing kelas 48 citra) diambil beberapa pada waktu yang berbeda (pagi, siang, dan sore). Citra daun ini berformat JPEG dan berukuran 270 x 240 piksel. Jenis-jenis daun yang digunakan dalam penelitian ini adalah Pandan Wangi (Pandanus amaryllifolius Roxb), Jarak Pagar (Jatropha curcas Lin.), Dandang Gendis (Clinacanthus nutans Lindau), Lavender (Lavendula afficinalis Chaix), Akar Kuning (Arcangelisiaflava L.), Daruju (Acanthus ilicifolius L.), Pegagan (Centella asiatica, (Linn) Urban.), Andong (Centella asiatica, (Linn) Urban.), Kemangi (Ocimum basilicum), Iler (Coleus scutellarioides, Linn,Benth), Jeruk Nipis (Citrus aurantifolia, Swingle.), Bidani (Quisqualis Indica L.), Gadung Cina (Smilax china), Tabat Barito (Ficus deloidea L.), Nandang gendis kuning, Bunga Telang (Clitoria ternatea L.), Mangkokan (Nothopanax scutellarium Merr.), Som Jawa (Nothopanax scutellarium Merr.), Pungpulutan (Urena lobata L.), Sosor Bebek (Kalanchoe pinnata (Lam.)Pers), Nanas kerang (Rhoeo discolor (L.Her.) Hance), Seligi (Phyllanthus buxifolius Muell), Remak Daging (Excecaria bicolor 5
pola-pola yang terdapat pada suatu daerah bagian citra. Tekstur juga dapat membedakan permukaan dari beberapa kelas.
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
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 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 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 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 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 terperinciAnthurium sp. Kuping gajah (indonesia), tail flower, crystal anthurium, dan Black Velvet (Inggris)
LAMPIRAN 21 Lampiran 1 Tiga puluh jenis citra tanaman hias No Citra Tanaman Hias Nama Latin Nama Lain 1 Dracaena draco Pohon darah naga, Pardon bali, drasena (Indonesia), dragon blood tree 2 Anthurium
Lebih terperinciPENGGABUNGAN DIMENSI FRAKTAL DAN KODE FRAKTAL UNTUK IDENTIFIKASI TUMBUHAN OBAT INDONESIA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK SISKA SUSANTI
PENGGABUNGAN DIMENSI FRAKTAL DAN KODE FRAKTAL UNTUK IDENTIFIKASI TUMBUHAN OBAT INDONESIA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK SISKA SUSANTI 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 terperinciPENDAHULUAN. Latar Belakang
Latar Belakang ENDHULUN Dalam ilmu biologi dan kehutanan, diketahui terdapat banyak enis daun dengan karakteristik (ciri) yang berbeda-beda. Hal tersebut menyebabkan sulitnya untuk melakukan pengenalan
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 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 terperinciPENGGABUNGAN FITUR FUZZY LOCAL BINARY PATTERN DAN FUZZY COLOR HISTOGRAM UNTUK APLIKASI MOBILE IDENTIFIKASI CITRA TUMBUHAN OBAT NI KADEK SRI WAHYUNI
PENGGABUNGAN FITUR FUZZY LOCAL BINARY PATTERN DAN FUZZY COLOR HISTOGRAM UNTUK APLIKASI MOBILE IDENTIFIKASI CITRA TUMBUHAN OBAT NI KADEK SRI WAHYUNI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU
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 terperinciOptimasi K-Means Clustering Menggunakan Particle Swarm Optimization pada Sistem Identifikasi Tumbuhan Obat Berbasis Citra
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 3 Nomor 1 halaman 38-47 ISSN: 2089-6026 Optimasi K-Means Clustering Menggunakan Particle Swarm Optimization pada Sistem Identifikasi
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang ENDHULUN Saat ini kemampuan untuk dapat mengidentifikasi dan mengklasifikasi daun menadi kebutuhan yang besar bagi taksonomis dalam mengetahui keanekaragaman tanaman (Hickey et al 999).
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 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 terperinciIDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA
IDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
Lebih terperinciPENGGABUNGAN CIRI CITRA DAN TEKS UNTUK SISTEM PENCARIAN TUMBUHAN OBAT INDONESIA BERBASIS WEB OKI MAULANA
PENGGABUNGAN CIRI CITRA DAN TEKS UNTUK SISTEM PENCARIAN TUMBUHAN OBAT INDONESIA BERBASIS WEB OKI MAULANA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciAPLIKASI PENGENALAN DAUN UNTUK KLASIFIKASI TANAMAN DENGAN METODE PROBABILISTIC NEURAL NETWORK
APLIKASI PENGENALAN DAUN UNTUK KLASIFIKASI TANAMAN DENGAN METODE PROBABILISTIC NEURAL NETWORK 1 Gregorius Satia Budhi 2 Tok Fenny Handayani 3 Rudy Adipranata 1, 2, 3 Teknik Informatika Universitas Kristen
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 terperinciPemanfaatan Teknologi Tepat Guna Identifikasi Tumbuhan Obat Berbasis Citra
Jurnal Ilmu Pertanian Indonesia (JIPI), Agustus 2013 ISSN 0853 4217 Vol. 18 (2): 85 91 Pemanfaatan Teknologi Tepat Guna Identifikasi Tumbuhan Obat Berbasis Citra (Utilization of Computer Technology for
Lebih terperinciEKSTRAKSI DAUN MENGGUNAKAN DIMENSI FRAKTAL UNTUK IDENTIFIKASI TUMBUHAN OBAT DI INDONESIA DIMPY ADIRA RATU
EKSTRAKSI DAUN MENGGUNAKAN DIMENSI FRAKTAL UNTUK IDENTIFIKASI TUMBUHAN OBAT DI INDONESIA DIMPY ADIRA RATU DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
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 terperinciHASIL DAN PEMBAHASAN. Data
dengan menggunakan model Bayesian Network. Nilai kemiripan dapat dihitung dengan Persamaan 21. P(I j Q)=n[1-(1-P(CS j CS)) x(1-p(ct j CT))] (21) dengan n adalah jumlah citra pada basis data, P(CS j CS)
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 terperinciPERBANDINGAN LOCAL BINARY PATTERN DAN FUZZY LOCAL BINARY PATTERN UNTUK EKSTRAKSI CITRA TUMBUHAN OBAT FANI VALERINA
PERBANDINGAN LOCAL BINARY PATTERN DAN FUZZY LOCAL BINARY PATTERN UNTUK EKSTRAKSI CITRA TUMBUHAN OBAT FANI VALERINA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
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 terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN Latar Belakang Tanaman merupakan bagian penting dalam ekosistem, berbagai jenis tanaman telah digunakan selama berabad-abad dalam bidang pangan, papan, maupun obat-obatan. Gloria Samantha
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 terperinciIDENTIFIKASI DAUN SHOREA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN NORMALISASI FITUR MORFOLOGI DAUN ALITA WULAN DINI
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN NORMALISASI FITUR MORFOLOGI DAUN ALITA WULAN DINI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih terperinciAplikasi Pengenalan Merek Mobil Menggunakan Metode Phase Congruency Dan Probabilistic Neural Network
1 Aplikasi Pengenalan Merek Mobil Menggunakan Metode Phase Congruency Dan Probabilistic Neural Network Najihati Aufa 1), Anny Yuniarti 2), Bilqis Amaliah 3) 1), 2), 3) Jurusan Teknik Informatika, Fakultas
Lebih terperinciIDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN K-NEAREST NEIGHBOUR DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN M BANGKIT PRATAMA
IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN K-NEAREST NEIGHBOUR DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN M BANGKIT PRATAMA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
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 terperinciEKSTRAKSI CIRI MORFOLOGI DAN TEKSTUR UNTUK TEMU KEMBALI CITRA HELAI DAUN ANNISA
EKSTRAKSI CIRI MORFOLOGI DAN TEKSTUR UNTUK TEMU KEMBALI CITRA HELAI DAUN ANNISA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2009 i EKSTRAKSI CIRI
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 terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Data mining adalah proses mengeksplorasi dan menganalisis data dalam jumlah besar untuk menemukan pola dan rule yang berarti (Berry & Linoff, 2004). Klasifikasi adalah
Lebih terperinciIdentifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ)
Identifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ) Sutarno Rouzan Fiqri Abdullah Rossi Passarella Jurusan Sistem
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Banyaknya aneka ragam tanaman yang dapat dijumpai dimana saja membuat sulitnya penentuan jenis tanaman. Salah satu masalah nyata yang ditemukan di bidang biologi atau
Lebih terperinciIDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN ASEP HARYONO
IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN ASEP HARYONO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
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 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 terperinciPROGRAM KREATIVITAS MAHASISWA
PROGRAM KREATIVITAS MAHASISWA Sistem Identifikasi Daun Tanaman Obat dengan Penggabungan Ciri Morfologi, Bentuk, dan Tekstur Menggunakan Probabilistic Neural Network pada Perangkat Mobile Bidang Kegiatan
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 terperinciPengenalan Spesies Tanaman Berdasarkan Bentuk Daun Menggunakan Metode Klasifikasi Move Median Center (MMC) Hypersphere
PRESENTASI TUGAS AKHIR Pengenalan Spesies Tanaman Berdasarkan Bentuk Daun Menggunakan Metode Klasifikasi Move Median Center (MMC) Hypersphere Yusuf Ardiansjah (5107100156) Dosen Pembimbing : Nanik Suciati,
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 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 terperinciDAFTAR ISI BAB II TINJAUAN PUSTAKA...4
DAFTAR ISI HALAMAN JUDUL...i PERNYATAAN BEBAS PLAGIARISME...ii HALAMAN PENGESAHAN...iii HALAMAN TUGAS...iv HALAMAN MOTTO...vi KATA PENGANTAR...vii DAFTAR ISI...ix DAFTAR TABEL...xiii DAFTAR GAMBAR...xv
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 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih terperinciBAB 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring perkembangan zaman, teknologi di bidang medis saat ini semakin berkembang. Teknologi sendiri sudah menjadi kebutuhan di segala bidang khususnya bidang biomedis.
Lebih terperinciPENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program
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 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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih 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 terperinciBAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman
BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian
Lebih terperinciTujuan Penelitian Tujuan penelitian ini adalah untuk melakukan deteksi penyakit pada daun rose dengan menggunakan metode ANN.
Laporan Akhir Projek PPCD Deteksi Penyakit Daun Menggunakan Artificial Neural Network (ANN) TRI SONY(G64130020), GISHELLA ERDYANING (G64130040), AMALIYA SUKMA RAGIL PRISTIYANTO (G64130044), MUHAMMAD RIZQI
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Rancangan antarmuka (interface) program terdiri dari form cover, form
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Rancangan Antarmuka (interface) Program Rancangan antarmuka (interface) program terdiri dari form cover, form testing dan form training (untuk programer). 4.1.1
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih terperinciBAB 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 terperinciPertemuan 2 Representasi Citra
/29/23 FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 2 Representasi Citra Representasi Citra citra Citra analog Citra digital Matrik dua dimensi yang terdiri
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 terperinciKlasifikasi Tanaman berdasarkan Fitur Bentuk dan Tekstur pada Daun menggunakan Decision Tree
Klasifikasi Tanaman berdasarkan Fitur Bentuk dan Tekstur pada Daun menggunakan Decision Tree Ratih Kartika Dewi Universitas Brawijaya ratihkartikad@ub.ac.id ABSTRAK Pengenalan pola daun untuk klasifikasi
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 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 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 III PROSEDUR DAN METODOLOGI. Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala
52 BAB III PROSEDUR DAN METODOLOGI 3.1 ANALISA MASALAH Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala melakukan proses retrival citra dan bagaimana solusi untuk memecahkan masalah
Lebih terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Histogram dan Operasi Dasar Pengolahan Citra Digital 3 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 MAMPIR SEB EN TAR Histogram Histogram citra
Lebih terperinciLANDASAN TEORI. 2.1 Citra Digital Pengertian Citra Digital
LANDASAN TEORI 2.1 Citra Digital 2.1.1 Pengertian Citra Digital Citra dapat didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y) dimana x dan y merupakan koordinat bidang datar, dan harga fungsi f disetiap
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 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 IV PEMBAHASAN. Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil
BAB IV PEMBAHASAN Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil model Radial Basis Function Neural Network untuk diagnosa kanker otak, hasil klasifikasi, dan ketepatan hasil klasifikasinya.
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 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 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 terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
Lebih terperinciBAB 1 PENDAHULUAN Latar belakang masalah
BAB 1 PENDAHULUAN 1.1. Latar belakang masalah Saluran pernapasan pada manusia terdiri dari rongga hidung, faring, laring, trakea, percabangan bronkus dan paru-paru (bronkiolus, alveolus). Paru-paru merupakan
Lebih terperinci1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Cabai (Capsicum annuum L.) merupakan salah satu komoditas pertanian yang cukup penting di Indonesia. Walaupun demikian cabai sangat rentan terkena patogen
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB 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 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 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 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 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 METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sel Darah Merah Sel yang paling banyak di dalam selaput darah adalah sel darah merah atau juga dikenal dengan eritrosit. Sel darah merah berbentuk cakram bikonkaf dengan diameter
Lebih terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Sistem Optik dan Proses Akuisisi Citra Digital 2 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 Bisa dilihat pada slide berikut. SISTEM OPTIK MANUSIA
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Indonesia merupakan negara yang memiliki kawasan hutan hujan tropis dengan keanekaragaman spesies tumbuhan yang sangat tinggi dan formasi hutan yang beragam. Dipterocarpaceae
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 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 I PENDAHULUAN. penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi.
BAB I PENDAHULUAN A. LATAR BELAKANG Buah-buahan merupakan salah satu kelompok komoditas pertanian yang penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi. Permintaan domestik terhadap
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Pada bab pendahuluan ini akan diuraikan penjelasan mengenai latar belakang penelitian, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan
Lebih 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 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 terperinci