Gambar 15 Contoh pembagian citra di dalam sistem segmentasi.
|
|
- Ivan Setiabudi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 dalam contoh ini variance bernilai 2000 I p I t 2 = ( ) 2 + ( ) 2 + ( ) I p I t 2 = D p (t) = exp(-28400/2*2000) D p (t) = x Untuk bobot t-link {p, t} dengan p merupakan anggota background (B) maka bobot akan bernilai K dengan formulasi perhitungan terlihat pada persamaan 4. Jika p merupakan anggota objek utama (O) maka akan bernilai 0. Setelah graf terbentuk, tahapan selanjutnya adalah melakukan implementasi algoritme Boykov and Kolmogorov max flow/min cut graph. Langkah detail dari algoritme ini adalah sebagai berikut: (Boykov & kolmogorov 2001) 1. Mencari path atau lintasan dari terminal source ke terminal sink. 2. Mencari bobot yang paling minimum antara dua buah node yang bertetanggaan dalam path atau lintasan tersebut sebagai representasi minimum cut atau maksimum dari flow yang bisa melewati path atau lintasan tersebut. 3. Update masing-masing bobot antar node yang bertetanggaan dalam path atau lintasan tersebut dengan nilai yang ditemukan pada langkah kedua dengan mengurangkan setiap bobot pada edge penyusun path. 4. Lakukan langkah 1 sampai 3 hingga tidak terdapat path atau lintasan dari source ke sink. 5. Mencari node anggota masing-masing terminal berdasarkan karakteristik terminal. Dalam sistem segmentasi citra masukan akan dipecah menjadi 4 bagian seperti terlihat pada 15. Untuk setiap bagian hasil pemecahan citra akan dilakukan segmentsi dengan membentuk graf dan implementasi metode Boykov and Kolmogorov max flow/min cut graph. 15 Contoh pembagian citra di dalam sistem segmentasi. Pengenalan Pada tahapan ini semua citra hasil segmentasi dipilih berdasarkan kriteria tertentu untuk diuji menggunakan sistem Local Binary Pattern (LBP) dan diklasifikasikan menggunakan Probabilistic Neural Network (PNN). HASIL DAN PEMBAHASAN Praproses Data Sebelum semua citra disegmentasi, pada penelitian ini terlebih dahulu citra akan diubah ukurannya. Pada tahapan ini, citra akan diubah ukurannya mejadi berukuran 270x210 pixel atau di bawahnya. Hasil praproses dapat dilihat pada Praproses data. Segmentasi Setelah semua data melalui praproses maka tahapan berikutnya adalah melakukan segmentasi pada data citra. Pada tahapan ini segmentasi dilakukan pada beberapa tipe citra antara lain citra dengan latar belakang sederhana, citra dengan latar belakang kompleks, citra dengan pencahayaan seragam dan citra pencahayaan tidak seragam serta citra dengan keragaman warna objek. Tampilan sistem segmentasi dapat dilihat pada Lampiran 2. Hasil segmentasi untuk keseluruhan jenis citra dapat dilihat pada Lampiran 1. Berikut hasil segmentasi untuk semua tipe citra. Citra dengan latar belakang sederhana Citra dengan latar belakang sederhana merupakan citra yang sebagian besar bagian penyusunnya adalah objek utama. Dalam citra ini objek utama tersusun oleh kumpulan intensitas yang memiliki kemiripan nilai. Untuk komponen background, citra ini hanya memiliki satu komponen background sederhana dan memiliki intensitas yang berbeda dengan komponen objek utama. Pelabelan pada citra jenis ini akan menghasilkan dua wilayah yang besar dan satu wilayah yang kecil. Kedua wilayah yang besar tersebut adalah wilayah objek utama dan wilayah background. Kedua wilayah besar ini 6
2 terjadi karena citra hanya disusun oleh satu jenis objek utama dan satu background yang sederhana dan masing-masing penyusunnya memiliki kemiripan nilai intensitas. Pada konstruksi link objek utama, semua node memiliki konstruksi yang kuat antara satu node dengan node yang lain. Hal ini ditunjukkan dengan besarnya nilai perhitungan bobot yang terjadi antar pixel dalam objek utama. Untuk konstruksi link background, semua node memiliki konstruksi yang kuat seperti yang terjadi pada konstruksi link objek utama. Namun untuk konstruksi link pada batas antara objek utama dan background, terdapat konstruksi link yang lemah. Konstruksi lemah ini terjadi karena pixel-pixel yang menjadi batas antara objek utama dan background memiliki perbedaan yang besar. Algoritme max flow/min cut mencari path berdasarkan hubungan ketetanggaan yang minimum untuk terminal maupun untuk ketetanggaan antar pixel. Cara kerja ini menyebabkan edge lemah yang terjadi di antara objek utama dan background menjadi anggota path dari source ke sink. Pengambilan ini akan mengakibatkan edge-edge tersebut menjadi cut yang memisahkan objek utama dengan background. Pemisahan ini yang menyebabkan hasil segmentasi untuk citra jenis ini baik. Hasil segmentasi terlihat pada 17. Pelabelan pada objek utama menghasilkan inisialisasi wilayah yang baik. Namun untuk background, inisialisasi wilayah tidak berjalan dengan baik. Hasil ini disebabkan oleh keragaman objek pada background yang memiliki intensitas berbeda untuk setiap komponennya. Konstruksi link pada objek utama menghasilkan konstruksi yang kuat antar pixel atau node penyusun objek utama. Konstruksi ini dihasilkan oleh pixel-pixel penyusun yang memiliki nilai yang hampir sama. Untuk konstruksi background, konsruksi akan kuat pada beberapa komponen yang memiliki nilai intensitas yang hampir sama dengan intensitas yang dipilih oleh pengguna. Namun hal yang sama tidak terjadi pada konstruksi antar komponen penyusun background. Kondisi ini disebabkan oleh perbedaan nilai intensitas pada komponen penyusun background. Keragaman objek atau komponen pada background juga menyebabkan segmentasi dilakukan lebih dari satu kali untuk mendapatkan hasil yang baik. Perlakuan ini dilakukan karena algoritme max flow/min cut hanya mampu menghilangkan satu atau dua komponen background dalam satu kali segmentasi. Pada citra jenis ini pengambilan cut terjadi pada batas antara objek utama dan background yang terinisialisasi wilayahnya dan tidak pada seluruh batas antara objek utama dan background untuk satu kali segmentasi. Hasil segmentasi pada citra jenis ini cukup baik seperti terlihat pada Contoh hasil segmentasi citra dengan latar belakang sederhana. Citra dengan latar belakang kompleks Citra dengan latar belakang kompleks merupakan jenis citra yang memiliki bermacam-macam komponen background atau latar. Keragaman objek ini memungkinkan intensitas beberapa komponen background memiliki nilai yang sama atau mirip dengan objek utama. Untuk memperkecil kemungkinan tersebut, citra masukan dibagi menjadi empat bagian yang sama besar. 18 Contoh hasil segmentasi citra dengan latar belakang kompleks. Citra dengan pencahayaan seragam Citra dengan pencahayaan seragam merupakan citra yang memiliki pencahayaan seragam untuk setiap bagian citra. Citra jenis ini sebagian besar merupakan anggota dari citra dengan background yang sederhana. 7
3 Pelabelan pada citra jenis ini baik karena sebagian besar bagian objek utama dan background dapat diinisialisasi dengan baik. kondisi ini disebabkan oleh perbedaan intensitas antara objek utama dan background. Algoritme max flow/min cut pada citra jenis ini memisahkan objek utama dan background pada batas antara keduanya. Pemisahan ini terjadi karena edge penghubung antara objek utama dan background lemah sehingga mudah terputus pada saat update bobot. Hasil segmentasi pada citra jenis ini cukup baik seperti terlihat pada 19. Citra dengan keragaman warna objek Citra dengan keragaman warna objek merupakan citra yang memiliki objek utama dengan beberapa warna. Pada citra jenis ini terdapat dua variasi hasil segmentasi. Variasi yang pertama adalah terpisahnya objek utama dan background dengan baik seperti terlihat pada 21. Variasi kedua adalah terpisahnya sebagian komponen objek utama seperti terlihat pada Contoh hasil segmentasi citra dengan keragaman warna objek. 19 Contoh hasil segmentasi citra dengan pencahayaan seragam. Citra dengan pencahayaan tidak seragam Citra jenis ini memiliki pencahayaan yang berbeda pada beberapa bagian penyusunnya. pada penelitian ini terdapat beberapa citra yang termasuk dalam tipe ini. Citra-citra tersebut sebagian besar memiliki pencahayaan yang berbeda pada bagian kanan dan kiri objek utama. Pelabelan pada citra jenis ini tidak berjalan dengan baik. Hal ini disebabkan oleh intensitas penyusun objek utama dan background memiliki nilai yang hampir sama yang mengakibatkan wilayah background terinisialisasi sebagai objek utama. Kondisi tersebut menyebabkan terdapat kontruksi link yang kuat antara objek utama dan beberapa bagian background. Algoritme max flow/min cut selalu mencari path berdasarkan edge yang paling minimum. Ketentuan ini akan menghasilkan cut pada objek yang memiliki perbedaan intensitas yang besar. Pada citra jenis ini cut terjadi di antara kedua pencahayaan seperti terlihat pada Contoh hasil segmentasi citra dengan pencahayaan tidak seragam. (a) (b) (c) 22 Citra dengan keragaman warna objek asli (a), citra dengan keragaman warna segmentasi pertama (b) dan citra dengan keragaman warna segmentasi kedua (c). Pada variasi pertama, pelabelan berjalan dengan baik pada objek utama dan background. Hasil ini disebabkan oleh kemiripan nilai intensitas yang terjadi pada penyusun objek utama maupun background. Pada variasi ini konstruksi link memiliki karakter yang sama dengan konstruksi link citra yang memiliki background sederhana. Untuk konstruksi ketetanggaan, terjadi link yang kuat antara pixel-pixel penyusun objek utama dan background namun terjadi konstruksi yang lemah di batas antara keduanya. Pada variasi kedua, pelabelan tidak berjalan dengan baik. Kondisi ini disebabkan oleh intensitas penyusun objek utama yang memiliki perbedaan nilai yang besar antar komponennya sehingga pelabelan hanya terjadi pada objek yang telah diinisialisasi oleh pengguna. Selain menyebabkan pelabelan yang tidak baik, perbedaan intensitas tersebut mengakibatkan adanya konstruksi link yang lemah antar penyusun objek utama. Konstruksi ini yang menyebabkan cut yang terjadi berada pada batas 8
4 antara komponen objek utama yang memiliki perbedaan intensitas dan pada sebagian batas antara objek utama dan background. Pengenalan Tahapan pengenalan merupakan tahapan untuk identifikasi dengan menggunakan citra hasil segmentasi. Tahapan ini menggunakan algoritme Local Binary Pattern dengan jenis Rotation invariant uniform pattern (LBPriu2) dan Probabilistic Neural Network (PNN) untuk mengekstraksi fitur citra hasil segmentasi seperti pada penelitian Kulsum (2010). Untuk LBPriu2, sampling point yang digunakan adalah 8, 16 dan 24 dengan radius 1, 2 dan 3 yang digunakan dalam empat operator yaitu LBPriu2(1,8), LBPriu2(2,8), LBPriu2(2,16) dan LBPriu2(3,24). Pada operator LBP, radius menyatakan ukuran blok yang akan digunakan. Untuk radius 1 memiliki ukuran blok 3x3 pixel, radius 2 memiliki blok berukuran 5x5 pixel dan radius 3 memiliki ukuran blok sebesar 7x7 pixel. Sampling point menyatakan jumlah titik yang melingkari titik pusat pada blok. Pada tahapan ini citra yang digunakan berjumlah 240 atau 24 kelas berdasarkan evaluasi visual. Tabel 2 dan 23 menunjukkan akurasi rata-rata LBPriu2 dari keempat operator. Tabel 2 Akurasi rata-rata LBPriu2 Jenis Operator Tanpa Segmentasi Dengan Segmentasi LBPriu2 1, LBPriu2 2, LBPriu2 2, LBPriu2 3, Akurasi rata-rata keempat operator LBPriu2. Tabel 2 menunjukkan bahwa LBPriu2(2,8) memiliki akurasi tertinggi dengan persentase sebesar 70.83% pada citra segmentasi. Dari Tabel 2 terlihat bahwa kenaikan akurasi tertinggi terjadi pada operator LBPriu2 dengan sampling point 16 dan radius 2. Secara umum, penggunaan segmentasi pada citra dapat menaikkan akurasi sebesar 8.33% sampai 22.22% pada operator LBPriu2. Namun secara komputasi, penggunaan radius 1 dan sampling point 8 kurang baik walaupun menghasilkan akurasi tertinggi. Hal ini karena radius 1 memiliki ukuran blok 3x3 yang menyebabkan waktu eksekusi ekstraksi menjadi lebih lama dibandingkan radius 2 atau 3 yang memiliki ukuran blok 5x5 dan 7x7 dengan jumlah sampling point yang sama. Oleh karena itu, fokus pembahasan pada sub bab pengenalan hanya difokuskan pada hasil penggunaan operator LBPriu2 dengan sampling point 8 dan radius 2. Operator LBPriu2 dengan sampling point 8 dan radius 2 atau LBPriu2(2,8) memiliki ukuran blok pengolahan sebesar 5x5 sehingga perhitungan ekstraksi akan lebih cepat dan efektif daripada operator lainnya. Hasil akurasi pada operator LBPriu2(2.8) untuk citra tanpa segmentasi terlihat pada 24. 9
5 24 Akurasi LBPriu2(2,8) tanpa segmentasi. Hasil pengenalan menggunakan operator LBPriu2(2,8) pada citra tanpa segmentasi memiliki hasil yang kurang baik. Hal ini terlihat pada akurasi rata-rata yang hanya mencapai 56,94%. Namun pada akurasi kelas, terdapat beberapa kelas yang memiliki akurasi sebesar 100% atau dapat teridentifikasi dengan baik. Kelas-kelas tersebut antara lain kelas 2, 4, 6, 8, 15, 17 dan 18. Contoh citra dari kelas-kelas tersebut dapat dilihat pada Citra tanpa segmentasi yang tak teridentifikasi. Pada 26 terlihat bahwa citra yang tidak dapat teridentifikasi adalah citra dengan backgound kompleks. Hal menunjukkan bahwa kerumitan background akan memengaruhi tahapan pengenalan. Hasil pengenalan pada citra dengan segmentasi memiliki akurasi rata-rata yang lebih baik dibandingkan dengan akurasi ratarata citra tanpa segmentasi yaitu 70.83%. Untuk akurasi kelas, kenaikan juga terjadi pada sebagian besar kelas seperti terlihat pada Citra tanpa segmentasi yang teridentifikasi 100%. Pada 25 terlihat bahwa sebagian besar citra tanpa segmentasi yang teridentifikasi dengan baik adalah citra dengan background yang sederhana walaupun terdapat 2 citra dengan background yang kompleks. Selain terdapat citra yang dapat diidentifikasi dengan baik, terdapat kelas yang tidak dapat diidentifikasi atau memiliki akurasi kelas sebesar 0%. Kelas-kelas tersebut antara lain 9, 14 dan 24. Contoh dari citra tersebut dapat dilihat pada Akurasi LBPriu2(2.8) dengan segmentasi. Pada 27 terlihat beberapa kelas yang dapat diidentifikasi dengan baik. Kelaskelas tersebut antara lain kelas 1, 2, 3, 5, 6, 9, 10, 13, 16 dan 17. Contoh citra dari kelas-kelas tersebut dapat dilihat pada Contoh citra dengan akurasi 100% menggunakan segmentasi. Pada hasil akurasi kelas untuk citra segmentasi terdapat kelas yang mengalami 10
6 kenaikan akurasi sebesar 100%. Kelas tersebut adalah kelas yang tidak dapat diidentifikasi tanpa segmentasi yaitu kelas 9. Kelas 9 merupakan citra dengan latar belakang kompleks dengan berbagai macam penyusunnya. Setelah segmentasi, kelas ini dapat teridentifikasi dengan baik dan memiliki akurasi 100%. Hasil akurasi setiap kelas pada 27 menunjukkan penurunan akurasi beberapa kelas. Kelas-kelas tersebut antara lain kelas 15, 18,21, 22 dan 23. Contoh citra tanpa segmentasi yang mengalami penurunan akurasi dapat dilihat pada Contoh citra tanpa segmentasi dengan penurunan akurasi. Citra yang mengalami penurunan akurasi adalah citra dengan intensitas yang hampir seragam pada semua penyusunnya. Hal ini mengakibatkan konstruksi link akan memiliki nilai yang hampir sama untuk semua link. Konstruksi tersebut akan mengakibatkan terjadinya cut pada tempat yang tidak semestinya. Hal ini akan mengakibatkan hasil segmentasi dan hasil pengenalan kurang baik. Contoh hasil segmentasi pada beberapa kelas tersebut terlihat pada Contoh citra segmentasi dengan penurunan akurasi. Kesimpulan KESIMPULAN DAN SARAN Penelitian ini menerapkan metode Boykov and Kolmogorov max flow/ min cut graph untuk melakukan segmentasi pada citra tanaman hias. Metode ini dapat digunakan dengan baik pada citra yang memiliki perbedaan intensitas yang besar antara objek utama dan background. Pada penelitian ini hasil evaluasi terbaik ditunjukkan operator LBPriu2(2.8) dengan akurasi sebesar 69.44%. Pada operator ini akurasi meningkat sebesar 12.5% dari akurasi citra tanpa segmentasi. Saran Pada hasil segmentasi yang kurang baik, dapat dilakukan perbaikan pada sistem segmentasi dengan menambahkan wilayah terminal source dan sink secara dinamis. DAFTAR PUSTAKA Annisa Ekstraksi ciri morfologi dan tekstur untuk temu kembali citra helai daun [skripsi]. Bogor: Departemen Ilmu Komputer, Institut Pertanian Bogor. Boykov Y, Jolly M-P Interactive graph cut for optimal boundary & region segmentation of object in N-D image. International Conference on Computer vision 1: Boykov Y, Kolmogorov V An experimental comparison of min-cut/max-flow algorithms for energy minimization in vision. Pattern Analysis and Machine Intelligence. IEEE Transactions 26: Boykov Y, Kolmogorov V An experimental comparison of min-cut/max-flow algorithms for energy minimization in vision. International Workshop on Energy Minimization Method in Computer Vision and Pattern Recognition. Springer-Verlag 2134: Chartrand G, Oellermann OR Applied Algorithmic Graph Theory. New York: McGraw-Hill, Inc. Han J, Ma KK Fuzzy Color Histogram and Its Use in Color Image Retrieval. IEEE Transaction on Image Processing, vol. 11, no. 8, Kebapci H, Yanikoglu B, Unal Gozde. Plant Image Retrieval Using Color and Texture Feature. Sabanci University, Faculty of Engineering and Natural Science, Kulsum, Lies Umi Identifikasi tanaman hias secara automatis menggunakan metode Local Binary Descriptor dan Probabilistic Neural Network [skripsi]. Bogor: Departemen Ilmu Komputer, Institut Pertanian Bogor. Mc Andrew Digital Image Processing with Matlab. Australia : Victoria University. Ramadhani Ekstraksi Fitur Bentuk dan Venasi Citra Daun dengan Pemodelan Fourier dan B-Spline [skripsi]. Bogor: Departemen Ilmu Komputer, Institut Pertanian Bogor. 11
HASIL 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 terperincipola-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 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 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 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 terperinciPemisahan Objek-Objek Berbasis Region pada Citra Digital dengan Metode Normalized Cuts
JURNAL DIGIT, Vol.1, No., November 011, pp. 13~131 ISSN: 088-589X 13 Pemisahan Objek-Objek Berbasis Region pada Citra Digital dengan Metode Normalized Cuts Marsani Asfi Program Studi Sistem Informasi Sekolah
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 terperinciSIMULASI DAN ANALISIS SISTEM PENGENALAN WAJAH TAMPAK SAMPING MENGGUNAKAN METODE LOCAL BINARY PATTERN (LBP)
SIMULASI DAN ANALISIS SISTEM PENGENALAN WAJAH TAMPAK SAMPING MENGGUNAKAN METODE LOCAL BINARY PATTERN (LBP) Ardy Dwi Caesaryanto¹, Bambang Hidayat², Ratri Dwi Atmaja³ ¹Teknik Telekomunikasi,, Universitas
Lebih terperinciArga Wahyumianto Pembimbing : 1. Dr. I Ketut Eddy Purnama, ST., MT 2. Christyowidiasmoro, ST., MT
IDENTIFIKASI DAUN BERDASARKAN FITUR TULANG DAUN MENGGUNAKAN ALGORITMA EKSTRAKSI MINUTIAE Arga Wahyumianto 2209 105 047 Pembimbing : 1. Dr. I Ketut Eddy Purnama, ST., MT 2. Christyowidiasmoro, ST., MT LATAR
Lebih terperinciAnalisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra
Analisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra Meirista Wulandari Jurusan Teknik Elektro, Universitas Tarumanagara, Jakarta, Indonesia meiristaw@ft.untar.ac.id Diterima 10 Desember 016
Lebih terperinciImplementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector Machine
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-346 Implementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector
Lebih terperinciDeteksi 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 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 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 terperinciIDENTIFIKASI JENIS AGLAONEMA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK ADITYA DWI GUSADHA
1 IDENTIFIKASI JENIS AGLAONEMA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK ADITYA DWI GUSADHA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 IDENTIFIKASI
Lebih terperinciIdentifikasi Citra Daun Menggunakan Morfologi, Local Binary Patterns dan Convex Hulls
ISSN : 2442-8337 Identifikasi Citra Daun Menggunakan Morfologi, Local Binary Patterns dan Convex Hulls Desta Sandya Prasvita Program Studi Sistem Informasi, STIMIK ESQ Jl. TB Simatupang Kavling 1, Cilandak,
Lebih 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 terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4I3 SISTEM REKOGNISI Disusun oleh: Tjokorda Agung Wirayudha PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR PENGESAHAN Rencana Semester
Lebih terperinciSEGMENTASI CITRA CT SCAN TUMOR OTAK MENGGUNAKAN MATEMATIKA MORFOLOGI (WATERSHED) DENGAN FLOOD MINIMUM OPTIMAL
SEGMENTASI CITRA CT SCAN TUMOR OTAK MENGGUNAKAN MATEMATIKA MORFOLOGI (WATERSHED) DENGAN FLOOD MINIMUM OPTIMAL Andi Hendra 1 1 Jurusan Matematika MIPA Universitas Tadulako ABSTRAK Penelitian pengolahan
Lebih terperinciPENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT
PENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT Riza Agung Firmansyah 1), Djoko Purwanto 2), Ronny Mardiyanto 3) 1), 2),3) Teknik Elektro
Lebih terperinciPENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA
PENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA Dina Indarti Pusat Studi Komputasi Matematika, Universitas Gunadarma Jl. Margonda Raya no. 100, Depok 16424, Jawa Barat
Lebih terperinciPENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT
PENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT Riza Agung Firmansyah1) Djoko Purwanto2) Ronny Mardiyanto3) 1) 2)3) Teknik Elektro Institut
Lebih terperinciPENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM)
PENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM) Rima Tri Wahyuningrum *) Program Studi Teknik Informatika,
Lebih terperinciBAB I PENDAHULUAN. Perkembangan teknologi komputer dan internet semakin maju
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Perkembangan teknologi komputer dan internet semakin maju menyebabkan data digital yang dihasilkan, disimpan, ditransmisikan, dianalisis, dan diakses menjadi
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 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 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 terperinciANALISA HASIL PERBANDINGAN IDENTIFIKASI CORE POINT PADA SIDIK JARI MENGGUNAKAN METODE DIRECTION OF CURVATURE DAN POINCARE INDEX
ANALISA HASIL PERBANDINGAN IDENTIFIKASI CORE POINT PADA SIDIK JARI MENGGUNAKAN METODE DIRECTION OF CURVATURE DAN POINCARE INDEX Mohammad imron (1), Yuliana Melita (2), Megister Teknologi Informasi Institusi
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Kerangka Pikir Pengenalan wajah merupakan suatu teknologi dalam dunia kecerdasan buatan agar komputer dapat meniru kemampuan otak manusia dalam mendeteksi dan mengenali
Lebih terperinciTeknik pengenalan wajah berbasis fitur local binary pattern (LBP)
Teknik pengenalan wajah berbasis fitur local binary pattern (LBP) Oleh: Eko Wahyudi NRP. 2208 100 629 Dosen Pembimbing: Dr. Ir. Wirawan, DEA Ir. Hendra Kusuma, M.Eng Latar Belakang ( Permasalahan Sistem
Lebih terperinciBulu mata. Generalisasi= Jumlah pola dikenali dengan benar x 100% Jumlah total pola
Generalisasi Hasil penelitian ini diukur menggunakan nilai konvergen dan generalisasi. Nilai konvergen adalah tingkat kecepatan jaringan untuk mempelajari pola input yang dinyatakan dalam satuan iterasi
Lebih terperinciSegmentasi Citra menggunakan Support Vector Machine (SVM) dan Ellipsoid Region Search Strategy (ERSS) Arimoto Entropy berdasarkan Ciri Warna dan Tekstur Lukman Hakim 1, Siti Mutrofin 2, Evy Kamilah Ratnasari
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dunia kesehatan dewasa ini tidak bisa dipisahkan dengan teknologi yang terus berkembang. Pengembangan teknologi yang erat kaitannya dengan dunia kesehatan atau dunia
Lebih terperinciPRAPROSES CITRA MENGGUNAKAN KOMPRESI CITRA, PERBAIKAN KONTRAS, DAN KUANTISASI PIKSEL
PRAPROSES CITRA MENGGUNAKAN KOMPRESI CITRA, PERBAIKAN KONTRAS, DAN KUANTISASI PIKSEL Veronica Lusiana 1, Budi Hartono 2 1,2 Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Stikubank
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 terperinciPERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT)
PERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT) DAN MULTISCALE LOCAL BINARY PATTERN (MLBP) DALAM PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH Yuwono (0922013) Jurusan Teknik
Lebih terperinciSegmentasi Dan Pelabelan Pada Citra Panoramik Gigi
Segmentasi Dan Pelabelan Pada Citra Panoramik Gigi Nur Nafi iyah 1, Yuliana Melita, S.Kom, M.Kom 2 Program Pascasarjana Sekolah Tinggi Teknik Surabaya Email: nafik_unisla26@yahoo.co.id 1, ymp@stts.edu
Lebih terperinciHASIL DAN PEMBAHASAN. Generalisasi =
6 Kelas Target Sidik jari individu 5 0000100000 Sidik jari individu 6 0000010000 Sidik jari individu 7 0000001000 Sidik jari individu 8 0000000100 Sidik jari individu 9 0000000010 Sidik jari individu 10
Lebih terperinciDETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL
DETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL Muhammad Affandes* 1, Afdi Ramadani 2 1,2 Teknik Informatika UIN Sultan Syarif Kasim Riau Kontak Person : Muhammad
Lebih terperinciBAB 3 METODE PERANCANGAN
BAB 3 METODE PERANCANGAN 3.1 Konsep dan Pendekatan Tujuan utama yang ingin dicapai dalam pengenalan objek 3 dimensi adalah kemampuan untuk mengenali suatu objek dalam kondisi beragam. Salah satu faktor
Lebih terperinciPengantar PENGOLAHAN CITRA. Achmad Basuki PENS-ITS Surabaya 2007
Pengantar PENGOLAHAN CITRA Achmad Basuki PENS-ITS Surabaya 2007 TUJUAN Mahasiswa dapat membuat aplikasi pengolahan citra Mahasiswa dapat menerapkan konsep-konsep pengolahan citra untuk menghasilkan suatu
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN PENGHAPUSAN TEKSTUR DAN K-MEANS DENGAN BATASAN RUANG
SEGMENTASI CITRA MENGGUNAKAN PENGHAPUSAN TEKSTUR DAN K-MEANS DENGAN BATASAN RUANG Gama Wisnu Fajarianto 1, Handayani Tjandrasa 2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi
Lebih terperinciIDENTIFIKASI PENYAKIT LEUKIMIA AKUT PADA CITRA DARAH MIKROSKOPIS
ORBITH VOL. 12 NO. 1 MARET 2016 : 29 34 IDENTIFIKASI PENYAKIT LEUKIMIA AKUT PADA CITRA DARAH MIKROSKOPIS Oleh: Indah Susilawati Staf Pengajar Program Studi Teknik Informatika Universitas Mercu Buana Yogyakarta
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 terperinciPENGARUH PENCAHAYAAN TERHADAP KINERJA SEGMENTASI
PENGARUH PENCAHAYAAN TERHADAP KINERJA SEGMENTASI Iman H. Kartowisatro Computer Engineering Department, Faculty of Engineering, BINUS University Jln. K.H. Syahdan No. 9, Palmerah, Jakarta Barat 11480 imanhk@binus.edu
Lebih terperinciPercobaan 1 Percobaan 2
direpresentasikan dengan histogram. Perlakuan pertama terhadap data-data penelitian ini adalah menghitung histogramnya. Kemudian dari interval antara 0-255 akan dibagi menjadi interval-interval bagian
Lebih terperinciHardisk 80 GB Perangkat lunak Window XP Profesional MATLAB 7.0.1
Hardisk 8 GB Perangkat lunak Window XP Profesional MATLAB 7..1 HASIL DAN PEMBAHASAN Percobaan yang dilakukan pada penelitian ini terdiri atas dua macam, yaitu citra yang akan mengalami proses pengenalan
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 terperinciImplementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari)
Implementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari) Amalfi Yusri Darusman Jurusan Teknik Informatika Institut Teknologi Bandung, jalan Ganesha 10 Bandung, email : if17023@students.if.itb.a.c.id
Lebih terperinciPERBANDINGAN ALGORITMA TEMPLATE MATCHING DAN FEATURE EXTRACTION PADA OPTICAL CHARACTER RECOGNITION
Jurnal Komputer dan Informatika (KOMPUTA) 29 PERBANDINGAN ALGORITMA TEMPLATE MATCHING DAN FEATURE EXTRACTION PADA OPTICAL CHARACTER RECOGNITION Raden Sofian Bahri 1, Irfan Maliki 2 1,2 Program Studi Teknik
Lebih terperinciTraffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel
1 Traffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel Andi Muhammad Ali Mahdi Akbar, Arief Kurniawan, Ahmad Zaini Jurusan Teknik Elektro, Fakultas Teknik Industri Institut
Lebih terperinciPENGENALAN AKSARA BALI DENGAN METODE LOCAL BINARY PATTERN BALI SCRIPT RECOGNITION WITH LOCAL BINARY PATTERN METHOD
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 2697 PENGENALAN AKSARA BALI DENGAN METODE LOCAL BINARY PATTERN BALI SCRIPT RECOGNITION WITH LOCAL BINARY PATTERN METHOD Ida
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 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 terperinciKOMBINASI METODE MORPHOLOGICAL GRADIENT DAN TRANSFORMASI WATERSHED PADA PROSES SEGMENTASI CITRA DIGITAL
KOMBINASI METODE MORPHOLOGICAL GRADIENT DAN TRANSFORMASI WATERSHED PADA PROSES SEGMENTASI CITRA DIGITAL Rudy Adipranata Universitas Kristen Petra Jl. Siwalankerto 121-131, Surabaya. Telp. (031) 8439040
Lebih terperinciKlasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra
Jurnal Ilmiah Ilmu Komputer, Vol 15 No. 2, Desember 2010 : 38-41 Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra Vera Yunita, Yeni Herdiyeni Departemen Ilmu
Lebih terperinciEkstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Ekstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE) I Gusti Rai Agung Sugiartha
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Meteran Air Meteran air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor, unit penghitung,
Lebih 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 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 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 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 terperinciPENCARIAN ISI CITRA MENGGUNAKAN METODE MINKOWSKI DISTANCE
PENCARIAN ISI CITRA MENGGUNAKAN METODE MINKOWSKI DISTANCE Budi Hartono 1, Veronica Lusiana 2 Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Stikubank Semarang Jl Tri Lomba
Lebih terperinci1BAB I. 2PENDAHULUAN
1BAB I. 2PENDAHULUAN 2.1. Latar Belakang Pelacak objek (object tracking) pada saat ini merupakan penelitian yang menarik dalam bidang computer vision. Pelacak objek merupakan langkah awal dari berbagai
Lebih terperinciAnalisa Perbandingan Metode Edge Detection Roberts Dan Prewitt
Analisa Perbandingan Metode Edge Detection Roberts Dan Prewitt Romindo Polikteknik Ganesha Medan Jl. Veteran No. 190 Pasar VI Manunggal romindo4@gmail.com Nurul Khairina Polikteknik Ganesha Medan Jl. Veteran
Lebih 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 terperinciSEGMENTASI CITRA DIGITAL DENGAN MENGGUNAKAN ALGORITMA WATERSHED DAN LOWPASS FILTER SEBAGAI PROSES AWAL ( November, 2013 )
SEGMENTASI CITRA DIGITAL DENGAN MENGGUNAKAN ALGORITMA WATERSHED DAN LOWPASS FILTER SEBAGAI PROSES AWAL ( November, 2013 ) Pramuda Akariusta Cahyan, Muhammad Aswin, Ir., MT., Ali Mustofa, ST., MT. Jurusan
Lebih terperinciTUGAS AKHIR Implementasi Block Matching Algorithm (BMA) Pada Ekstraksi Objek Bergerak
TUGAS AKHIR Implementasi Block Matching Algorithm (BMA) Pada Ekstraksi Objek Bergerak Block Matching Algorithm (BMA) Implementation of Motion Object Extraction Oleh : Amalia Sulfa Hashlinda NRP. 1208100046
Lebih terperinciBAB III PERANCANGAN SISTEM. Pada dewasa sekarang ini sangat banyak terdapat sistem dimana sistem tersebut
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Pada dewasa sekarang ini sangat banyak terdapat sistem dimana sistem tersebut sudah terintegrasi dengan komputer, dengan terintegrasinya sistem tersebut
Lebih terperinci1. PENDAHULUAN. 1.1 Latar Belakang. 1.2 Perumusan masalah
1. PENDAHULUAN 1.1 Latar Belakang Formulir C1 Komisi Pemilihan Umum (KPU) merupakan dokumen hasil perolehan suara pemilu di setiap Tempat Pemungutan Suara (TPS). Formulir C1 kemudian dikumpulkan dan dilakukan
Lebih 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 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 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 terperincimerupakan himpunan sisi-sisi tidak berarah pada. (Yaoyuenyong et al. 2002)
dari elemen graf yang disebut verteks (node, point), sedangkan, atau biasa disebut (), adalah himpunan pasangan tak terurut yang menghubungkan dua elemen subset dari yang disebut sisi (edge, line). Setiap
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 terperinciAPLIKASI PENGENALAN RAMBU BERBENTUK BELAH KETUPAT
APLIKASI PENGENALAN RAMBU BERBENTUK BELAH KETUPAT Andhika Pratama, Izzati Muhimmah Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia
Lebih terperinciDeteksi Kepala Janin Pada Gambar USG Menggunakan Fuzzy C-Means (FCM) Dengan Informasi Spasial Dan Iterative Randomized Hough Transform (IRHT)
Deteksi Kepala Janin Pada Gambar USG Menggunakan Fuzzy C-Means (FCM) Dengan Informasi Spasial Dan Iterative Randomized Hough Transform (IRHT) Dwi Puspitasari 1 *, Handayani Tjandrasa 2 Jurusan Teknik Elektro,
Lebih terperinciProses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer
Pengolahan Citra / Image Processing : Proses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer Teknik pengolahan citra dengan mentrasformasikan citra menjadi citra lain, contoh
Lebih terperinciSegmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan
Segmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan Septi Wulansari (5109100175) Pembimbing I: Prof. Ir. Handayani Tjandrasa, M.Sc.,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini menggunakan jenis penelitian eksperimen, dengan tahapan penelitian sebagai berikut: 3.1 Pengumpulan Data Tahap ini merupakan langkah awal dari penelitian. Dataset
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 terperinciPERANCANGAN PENDETEKSI WAJAH DENGAN ALGORITMA LBP (LOCAL BINARY PATTERN) BERBASIS RASPBERRY PI
PERANCANGAN PENDETEKSI WAJAH DENGAN ALGORITMA LBP (LOCAL BINARY PATTERN) BERBASIS RASPBERRY PI Nadia R.W (0822084) Email: neko882neko@yahoo.co.id Jurusan Teknik Elektro, Fakultas Teknik,, Jl. Prof. Drg.
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 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 terperinciPERANGKAT LUNAK SEGMENTASI CITRA DENGAN METODE WATERSHED
PERANGKAT LUNAK SEGMENTASI CITRA DENGAN METODE WATERSHED Gunawan 1, Fandi Halim 1, Erni Wijaya 2 STMIK Mikroskil Jl. Thamrin No. 112, 124, 140 Medan 20212 1 gunawan@mikroskil.ac.id, 1 fandi@mikroskil.ac.id,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Identifikasi Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang 1.1.1. Identifikasi Masalah Penggunaan citra digital telah menjadi semakin popular akhir-akhir ini. Hal ini menyebabkan program pengolah grafis untuk memanipulasi citra
Lebih terperinciPERBANDINGAN RUANG WARNA PADA PENGOLAHAN INFORMASI WARNA UNTUK SEGMENTASI CITRA MENGGUNAKAN NEUTROSOPHIC SET
PERBANDINGAN RUANG WARNA PADA PENGOLAHAN INFORMASI WARNA UNTUK SEGMENTASI CITRA MENGGUNAKAN NEUTROSOPHIC SET Monica Widiasri Teknik Informatika, Fakultas Teknik, Universitas Surabaya monica@ubaya.ac.id
Lebih terperinciKlasifikasi kelompok usia berdasarkan citra wajah menggunakan algoritma neural network dengan fitur face anthropometry dan kedalam kerutan
Klasifikasi kelompok usia berdasarkan citra wajah menggunakan algoritma neural network dengan fitur face anthropometry dan kedalam kerutan Nur Hayatin Teknik Informatika, Universitas Muhammadiyah Malang
Lebih terperinciPengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih terperinciSEGMENTASI WARNA CITRA DENGAN DETEKSI WARNA HSV UNTUK MENDETEKSI OBJEK
SEGMENTASI WARNA CITRA DENGAN DETEKSI WARNA HSV UNTUK MENDETEKSI OBJEK Benedictus Yoga Budi Putranto, Widi Hapsari, Katon Wijana Fakultas Teknik Program Studi Teknik Informatika Universitas Kristen Duta
Lebih terperinciPengenalan Benda di Jalan Raya dengan Metode Kalman Filter. Roslyn Yuniar Amrullah
Pengenalan Benda di Jalan Raya dengan Metode Kalman Filter Roslyn Yuniar Amrullah 7406040026 Abstrak Computer Vision merupakan disiplin ilmu perpanjangan dari pengolahan citra digital dan kecerdasan buatan.
Lebih terperinciUNIVERSITAS BINA NUSANTARA PENGENALAN KARAKTER MANDARIN DENGAN METODE BACK PROPAGATION
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2005/2006 PENGENALAN KARAKTER MANDARIN DENGAN METODE BACK PROPAGATION DANIEL / 0600609706 MICHAEL WITANTO
Lebih terperinciBAB VI KESIMPULA dan SARA
BAB VI KESIMPULA dan SARA 6. Kesimpulan dan Saran Pada bab ini dijelaskan mengenai kesimpulan yang didapat setelah melakukan serangkaian uji coba. Dalam bab ini pula dijelaskan mengenai saran pengembangan
Lebih terperinciGambar 4.1 Diagram Percobaan
BAB 4 HASIL DAN PEMBAHASAN 4.1 Kerangka Percobaan Pada bab ini dilakukan pembahasan dari implementasi terhadap sistem yang telah dirancang, berupa cara kerja sistem dan pembahasan data-data percobaan yang
Lebih terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih terperinciPERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA
PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA Naser Jawas Sistem Komputer STMIK STIKOM Bali Jl Raya Puputan No.86 Renon, Denpasar, Bali 80226
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciDETEKSI LOCAL TAMPERING PADA VIDEO MENGGUNAKAN ALGORITMA LBP-TOP
Jurnal Teknik Komputer Unikom Komputika Volume 3, No.2-2014 DETEKSI LOCAL TAMPERING PADA VIDEO MENGGUNAKAN ALGORITMA LBP-TOP Febryanti Sthevanie Program Studi S1 Teknik Informatika, Fakultas Informatika
Lebih terperinciBAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan pada
BAB III METODOLOGI PENELITIAN 1.1. Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan pada proses pengenalan huruf tulisan tangan Katakana menggunakan metode Fuzzy Feature Extraction
Lebih terperinci