Penggunaan Ciri Geometric Invariant Moment pada Pengenalan Tanda Tangan
|
|
- Sri Sanjaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 1, No. 9, Juni 2017, hlm Penggunaan Ciri Geometric Invariant Moment pada Pengenalan Tanda Tangan Rahma Juwita Sany 1, Agus Wahyu Widodo 2, Candra Dewi 3 Program Studi Teknik Informatika, 1 rahmasany@gmail.com, 2 a_wahyu_w@ub.ac.id, 3 dewi_candra@ub.ac.id Abstrak Tanda tangan sebagai atribut personal merupakan salah satu wujud alat verifikasi identitas seseorang yang secara luas telah diterima oleh masyarakat. Proses pengenalan tanda tangan dimulai dari - preprocessing, yang terdiri dari proses filtering, binerisasi, thinning, cropping dan resize. Setelah melakukan preprocessing dilanjutkan proses ekstraksi ciri menggunakan Geometric Invariant Moment untuk mendapatkan nilai fitur yang akan digunakan untuk proses klasifikasi menggunakan K-Nearest Neighbour. Variasi ciri Geometric Invariant Moment yang mempunyai nilai FAR dan FRR terkecil tiap sumber data berbeda. Untuk data dari Indonesia nilai FAR paling kecil didapatkan saat menggunakan moment 7 dengan nilai FAR=7% dan nilai FRR paling kecil didapatkan saat menggabungkan moment 1,2,3,6 dan 7 dan saat menggunakan semua moment dengan masing-masing mempunyai nilai FRR=61.5%. Untuk data dari Spanyol nilai FAR paling kecil didapatkan saat menggabungkan moment 3,4,5, dan 7, saat menggabungkan moment 1,3,4,5 dan 7 dan saat menggabungkan moment 1,3,4,5,6 dan 7 dengan masing-masing mendapatkan nilai FAR=7% dan nilai FRR paling kecil didapatkan dengan menggabungkan moment 2,3,4,5,6 dan 7 dan saat menggunakan semua moment dengan masing-masing mempunyai nilai FRR=72%. Untuk data dari Persia nilai FAR paling kecil didapatkan saat yaitu menggabungkan moment 3 dan 5 dan saat menggabungkan moment 3,5 dan 6 dengan masing-masing mempunyai nilai FAR=9.5% dan Persia nilai FRR paling kecil didapatkan saat menggabungkan moment 1,2,3,4,6 dan 7 dengan nilai FRR=37%. Ciri Geometric Invariant Moment yang diterapkan global pada suatu citra tidak memberikan akurasi yang tinggi. Mungkin karena ketika menerapkan ciri global, ciri lokal tidak terkenali dengan baik. Hal tersebut berlaku pada citra tanda tangan asli, sedangkan pada citra tanda tangan palsu penerapan ciri Geometric Invariant Moment secara global memberikan akurasi yang tinggi. Kata Kunci: pengenalan tanda tangan, Geometric Invariant Moment, K-Nearest Neighbour Abstract Signature as a personal attribute is one of the person s identity verification equipment that is accepted widely by the society. The process of signature recognition starts from starts from preprocessing, which consist of filtering, thresholding, thinning, cropping and resizing. After preprocessing continued by feature extraction process using Geometric Invariant Moment to get the value of a feature that will be used for the classification process using K-Nearest Neighbour. The variations Geometric Invariant Moment feature that has the smallest of FAR value and FRR value on each data source are different. For data from Indonesia the smallest FAR obtained while using moment 7 with value is 7% and the smallest FRR obtained while combining moment 1,2,3,6 and 7 and using all of the moment with each value is 61.5%. For data from Spain the smallest FAR obtained while combining moment 3,4,5 and 7, moment 1,3,4,5 and 7 and combining 1,3,4,5,6 and 7 with each value is 7% and the smallest FRR obtained while combining moment 2,3,4,5,6 and 7 and using all of the moment with each value is 72%. For data from Persia the smallest FAR obtained while combining moment 3 and 5 and combining moment 3,5 and 6 with each value is 9.5% and the the smallest FRR obtained while combining moment 1,2,3,4,6 and 7 with value is 37%. The testing results of FAR and FRR is inversely proportional. The system can recoginize the fake signatures well that proven by getting FAR value is relatively small on all of data sources. But the system can t recognize the original signatures well that proven by getting the high FRR value on all data sources. Features of Geometric Invariant Moment that applied globally on an image don't provide high accuracy. Perhaps, it happened because when Fakultas Ilmu Komputer Universitas Brawijaya 859
2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 860 apply global feature, the local features can t recognize properly. It occurs on the original signature image, while the application of the features of Geometric Invariant globally on the fake signature image provide high accuracy. Keywords: signature recognition, Geometric Invariant Moment, K-Nearest Neighbour 1. PENDAHULUAN Setiap orang memiliki bentuk atau pola tanda tangan yang berbeda-beda sehingga tanda tangan merupakan salah satu ciri dari setiap orang. Tanda tangan sebagai atribut personal merupakan salah satu wujud alat verifikasi identitas seseorang yang secara luas telah diterima oleh masyarakat. Hingga kini, tanda tangan terus digunakan sebagai alat pengotorisasi berbagai keperluan legalitas untuk hampir semua dokumen seperti paspor perjalanan, sertifikat akademik, cek bank, dan lain sebagainya. Oleh karena sangat pentingnya fungsi tanda tangan, tanda tangan telah dinyatakan berperan penting dalam fungsi memberikan ciri atau mengindividualisir suatu akta secara hukum (Widodo & Harjoko, 2015). Karena pada saat ini banyak terjadinya pemalsuan tanda tangan sehingga sangat penting untuk melakukan identifikasi tanda tangan. Pada umumnya, untuk pengenalan tanda tangan kebanyakan dilakukan oleh seorang ahli identifikasi tanda tangan dengan membandingkan secara langsung dengan menggunakan mata manusia sendiri yang mana mempunyai kelemahan jika banyak tanda tangan yang perlu diidentifikasi, sehingga terkadang hasil yang diinginkan seringkali kurang tepat. Oleh karena itu, diperlukan sebuah sistem yang mampu menganalisa karakteristik pola tanda tangan sehingga mempermudah dalam identifikasi tanda tangan seseorang. Pengenalan pola tanda tangan bisa dilakukan dengan menerapkan metode ekstraksi fitur citra. Pada sebuah penelitian lain yaitu sebuah penelitian untuk mengklasifikasikan citra daun dengan menggunakan ekstraksi ciri Geometric Invariant Moment dan metode K- Nearest Neighbor mampu melakukan klasifikasi didapatkan nilai akurasi sebesar 86,67% yang mana hasil ini menunujukan bahwa penggunaan ekstraksi ciri Geometric Invariant Moment dan metode K-Nearest Neighbor mampu melakukan klasifikasi daun dengan baik (Liantoni, 2015). Geometric Invariant Moment sendiri merupakan ekstraksi ciri yang menghasilkan tujuh moment yang mana moment-moment tersebut tidak terpengaruh oleh perubahan scaling, translasi, rotasi dan orientasi (Samad, et al., 2015). Metode klasifikasi juga dibutuhkan dalam klasifikasi citra tanda tangan. Pada sebuah penelitian tentang pengenalan obyek dengan menggunakan 3 metode klasifikasi yaitu K- Nearest Neighbor, Backpropagation Neural Nework, dan Fuzzy K-Nearest Neighbor memberikan hasil bahwa klasifikasi dengan menggunakan K-Nearest Neighbor mendapatkan nilai akurasi yang paling tinggi dibandingkan dengan metode klasifikasi yang lain yang digunakan dalam penelitian (R.Muralidharan, 2014). Pada sebuah penelitian lain tentang pengenalan gambar wajah dengan menggunakan transformasi wavelet sebagai ekstraksi fitur dan metode K-Nearest Neighbor sebagai metode klasifikasi untuk menentukan identitas gambar wajah dan menghasilkan nilai akurasi yang tinggi yaitu 95% (Sikki, 2009). K- Nearest Neighbour memiliki beberapa kelebihan yaitu ketangguhan terhadap training data yang memiliki banyak noise dan efektif apabila training data-nya besar (Sikki, 2009). Berdasarkan latar belakang tersebut, penelitian ini menggunakan ekstraksi ciri Geometric Invariant Moment. Sedangkan untuk pengklasifikasian tanda tangan menggunakan metode K-Nearest Neighbour. Dengan penelitian ini diharapkan hasil yang didapatkan menjadi solusi yang lebih baik dan menghasilkan tingkat keakuratan yang lebih tinggi dalam pengenalan tanda tangan dan dapat mencegah atau menghindari pemalsuan tanda tangan. 2. GEOMETRIC INVARIANT MOMENT Proses ini dilakukan untuk menghasilkan nilai-nilai fitur berupa vektor dari citra biner. Fitur yang digunakan yaitu tujuh moment invariant yang akan menghasilkan tujuh nilai pada vektor fitur. Proses pengenalan sebuah obyek di dalam sebuah citra setelah proses segmentasi, sering terbentur pada permasalahan posisi obyek, rotasi sumbu obyek, dan perubahan skala dari obyek. Posisi obyek yang bergeser atau berputar maupun ukurannya yang lebih kecil atau lebih besar daripada dapat
3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 861 menyebabkan kesalahan dalam pengenalan atau identifikasi obyek. Metode ini dapat digunakan sebagai pendeskripsi bentuk berdasarkan teori dari moment. Geometric Invariant Moments pertamakali diperkenalkan oleh Hu. Teknik ini dipilih untuk melakukan ekstraksi ciri citra sejak ciri-ciri yang diperoleh adalah Rotation Scale Translation (RST)-invariant (Liantoni, 2015). Momen dua dimensi dengan orde (p + q) dari suatu citra digital dengan ukuran M x N didefinisikan pada persamaan (2.10). m pq = M 1 N 1 x=0 y=0 x p y q f(x, y) (2.1) Dimana p = 0,1,2, dan q = 0,1,2, adalah integer. Selanjutnya momen pusat (central moments) orde (p + q) didefinisikan pada persamaan (2.11). μ pq = M 1 x=0 N 1 y=0(x x ) p (y y ) q f(x, y) (2.2) Untuk p dan q adalah 0,1,2,, dimana x = m 10 m 00 dan y = m 01 m 00 (2.3) Kemudian normalisasi central moments, yang dinotasikan dengan η pq, didefinisikan pada persamaan (2.13). η pq = μ pq γ (2.4) μ 00 Dimana γ = p+q Untuk p+q = 2, 3, 4,. Sehingga ketujuh nilai Invariant Moments dapat diturunkan dari momen kedua dan ketiga. 1 = η 20 + η 02 (2.5) 2 = (η 20 + η 02 ) η 11 (2.6) 3 = (η η 12 ) 2 + (3η 21 + η 03 ) 2 (2.7) 4 = (η 30 + η 12 ) 2 + (η 21 + η 03 ) 2 (2.8) 5 = (η η 12 )(η η 12 )[(η 30 + η 12 ) 2 3(η 21 + η 03 ) 2 ] + (3η 21 + η 03 ) (η 21 + η 03 ) [ 3(η 30 + η 12 ) 2 (η 21 + η 03 ) 2] (2.9) 6 = (η 20 + η 02 )[(η 30 + η 12 ) 2 3(η 21 + η 03 ) 2 ] + 4η 11 (η 30 + η 12 )(η 21 + η 03 ) (2.10) 7 = (3η 21 + η 03 )(η 30 + η 12 )[(η 30 + η 12 ) 2 3(η 21 + η 03 ) 2 ] + (3η 12 + η 30 ) (η 21 + η 03 ) [ 3(η 30 + η 12 ) 2 (η 21 + η 03 ) 2] (2.11) 3. K-NEAREST NEIGHBOUR K-Nearest Neighbor (KNN) adalah suatu metode yang menggunakan algoritma supervised dimana hasil dari data uji yang baru diklasifikan berdasarkan mayoritas dari kategori pada KNN. Tujuan dari algoritma ini adalah mengklasifikasikan obyek baru berdasarkan atribut dan training sample. Klasifikasi menggunakan jumlah terbanyak diantara klasifikasi dari k obyek. Algoritma KNN menggunakan klasifikasi ketetanggaan sebagai nilai prediksi dari data uji yang baru (Sikki, 2009). Algoritma metode KNN sangatlah sederhana, bekerja berdasarkan jarak terpendek dari data uji ke training sample untuk menentukan KNN-nya. Training sample diproyeksikan ke ruang berdimensi banyak, dimana masing-masing dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi training sample. Sebuah titik pada ruang ini ditandai kelac c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada k buah tetangga terdekat dari titik tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan Euclidean Distance yang direpresentasikan pada persamaan (2.1) (Sikki, 2009). D(a, b) = d k=1 (a k b k ) 2 (2.12) Dimana matriks D(a,b) adalah jarak skalar dari kedua vektor a dan b dari matriks dengan ukuran d dimensi. 4. METODE PENELITIAN 4.1 Perancangan Sistem Sistem yang dikembangkan merupakan sistem yang mengimplementasikan metode Geometric Invariant Moment untuk pengenalan pola tanda tangan. Data yang akan diolah sistem berupa citra tanda tangan. Tahapan perancangan sistem meliputi preprocessing citra, ekstraksi ciri citra dan klasifikasi K-Nearest Neighbour Preprocessing Pada proses preprocessing dilakukan pengolahan data gambar sebelum dilakukan proses ekstraksi ciri. Preprocessing yang dilakukan meliputi proses denoising/filtering, binerisasi, thinning, dan resize citra.tahap pertama adalah melakukan filtering pada citra untuk memperbaiki kualitas citra dengan mengurangi noise pada citra. Proses filtering menggunakan metode median filter dimana algoritma median filter telah dijelakaskan pada
4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 862 sub bab Kemudian melakukan proses thresholding yaitu proses mengubah citra berderajat keabuan menjadi citra biner atau hitam putih sehingga dapat diketahui daerah mana yang termasuk obyek dan background dari citra secara jelas. Metode yang digunakan dalam melakukan proses thresholding adalah metode Otsu. Tahap preprocessing citra selanjutnya adalah normalisasi citra, mulai dari melakukan proses thinning yang digunakan untuk proes penipisan pada citra. Dalam proses thinning, garis-garis pembentuk citra tanda tangan akan ditipiskan hingga mencapai 1 piksel saja. Algoritma thinning yang digunakan adalah algoritma Zhang Suen. Normalisasi citra selanjutnya adalah melakukan cropping citra dan me-resize citra dengan ukuran 150 x 150 piksel. Diagram alir preprocessing citra ditunjukkan pada Gambar 3.1. Citra hasil dari proses binerisasi ditunjukkan pada Gambar 3.2 dan citra hasil dari proses thinning ditunjukkan pada Gambar 3.3. Gambar 3.1 Diagram Alir Preprocessing Citra Ekstraksi Ciri Proses ekstraksi ciri citra membutuhkan citra tanda tangan yang telah dilakukan preprocessing terlebih dahulu sebagai inputan. Ekstraksi ciri ini akan digunakan untuk mendapatkan ciri/moment dengan menggunakan ektraksi fitur Geometric Invariant Moment. Ciri yang didapatkan berjumlah tujuh moment. Algoritma ektraksi ciri menggunakan Geometric Invarian Moment ditunjukkan pada Gambar 3.2. Gambar 3.2 Diagram Alir Proses Ekstraksi Ciri Geometric Invariant Moment Tahapan ekstraksi ciri citra menggunakan Geometric Invariant Moment dapat dijelaskan sebagai berikut: 1. Hitung Moment (m 00, m 10, m 01 ) Hitung moment yang mentransformasikan fungsi citra pada sistem diskrit. 2. Hitung nilai Moment pusat Setelah tahap pertama dilakukan hitung moment pusat obyek citra. Tahap ini menghasilkan tujuh nilai moment pusat citra. 3. Normalisasi nilai Moment pusat Setelah moment pusat ditemukan langkah selanjutnya adalan melakukan normalisasi pada moment pusat citra. 4. Hitung ketujuh nilai Geometric Invariant Moment Setelah moment pusat citra dinormalisasi, ketujuh nilai Geometric Invariant Moment dapat dihitung Klasifikasi Pada tahapan ini dilakukan klasifikasi dengan menggunakan algoritma K-Nearest Neighbor dimana nantinya akan dilakukan proses klasifikasi dengan menempatkan data uji pada salah satu kelas. Dalam menentukan data uji pada salah satu kelas, pertama-tama digunakan persamaan (2.1) untuk menentukan jarak antar data latih dan data uji hingga kemudian diurutkan mulai dari nilai yang jaraknya terkecil hingga terbesar selanjutnya ditentukan jumlah K (tetangga terdekat) untuk
5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 863 mendapatkan jumlah mayoritas kelas yang ada pada sejumlah nilai K tersebut. Proses K-Nearest neighbor tersebut ditunjukkan oleh Gambar 3.3. pengenalan tanda tangan menggunakan ciri Geometric Invariant Moment. FAR dihitung menggunakan persamaan 3.1 dan FRR dihitung menggunakan persamaan 3.2. FAR= FRR = jumlah FA jumlah tanda tangan palsu yang diuji jumlah FR jumlah tanda tangan asli yang diuji x100 (3.1) x100 (3.2) 5. HASIL DAN PEMBAHASAN 5.1 Pengujian Fitting Pengujian fitting digunakan untuk melihat apakah algoritma yang digunakan pada implementasi sistem sudah benar atau tidak. Tabel 4. 1 Hasil Pengujian Fitting Gambar 3.3 Diagram Alir Proses Klasifikasi K- Nearest Neighbor 4.2 Pengukuran Kinerja Dari sudut pandang klasifikasi, tujuan sistem verifikasi tanda tangan adalah untuk membedakan antara dua kelas yaitu asli dan palsu. Ada beberapa skenario yang berbeda (Zhang, 2010): 1. Correct acceptance (CA) Sistem dikenai pertanyaan apakah tanda tangan yang diinputkan merupakan milik signer (pemilik tanda tangan) yang benar dan respon dari sistem adalah positif. 2. False rejection (FR) Sistem dikenai pertanyaan apakah tanda tangan yang diinputkan merupakan milik signer (pemilik tanda tangan) yang benar dan respon dari sistem adalah negatif. 3. False acceptance (FA) Sistem dikenai pertanyaan apakah tanda tangan yang diinputkan merupakan milik signer (pemilik tanda tangan) yang salah dan respon dari sistem adalah positif. 4. Correct rejection (CR) Sistem dikenai pertanyaan apakah tanda tangan yang diinputkan merupakan milik signer (pemilik tanda tangan) yang salah dan respon dari sistem adalah negatif. Dari empat skenario tersebut dalam penelitian ini menggunakan False Acceptance Rate (FAR) dan False Rejection Rate (FRR) untuk mengukur kinerja kualitas hasil program Pada Tabel 3.1 dapat dilihat bahwa nilai FRR yang didapatkan saat k=1 dan k=2 adalah 0% untuk setiap jenis data latih. Hasil tersebut sama untuk semua sumber data yang digunakan. Sedangkan saat k=3 nilai FRR mulai berubah. Dengan hasil tersebut dapat membuktikan bahwa algoritma yang digunakan untuk implementasi sistem sudah benar. Hal ini dibuktikan dengan hasil FRR 0% saat k=1 dan k=2. Dengan hasil ini membuktikan bahwa sistem dapat digunakan untuk melakukan pengujian-pengujian selanjutnya. 5.2 Pengujian Jumlah Data Latih Pengujian ini merupakan pengujian yang dilakukan untuk mengetahui pengaruh jumlah data latih yang berbeda-beda terhadap nilai FAR dan FRR. Tujuan pengujian ini untuk mencari jumlah data latih yang terbaik yang memiliki nlai FAR dan FRR paling baik untuk digunakan pada pengujian selanjutnya.
6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 864 seperti ini selaras dengan yang disampaikan oleh (Widodo & Harjoko, 2015). Gambar 4.1 Grafik Hasil Pengujian FAR terhadap Jumlah Data Latih Pada Gambar 4.1 dapat dilihat bahwa semakin banyak jumlah data latih yang ditraining semakin tinggi pula nilai FAR-nya. Nilai FAR paling kecil didapatkan saat jumlah data latih dengan 5 citra setiap kelas. Data dari Indonesia mendapatkan nilai FAR=16% untuk nilai FAR terkecil, data dari Spanyol mendapatkan nilai FAR=7.5% untuk nilai FAR terkecil dan data dari Persia mendapatkan nilai FAR=27% untuk nilai FAR terkecil. Kondisi hasil pengujian FAR yang mendapatkan nilai FAR terkecil saat menggunakan data latih dengan 5 citra setiap kelas ini selaras dengan yang disampaikan oleh (Widodo & Harjoko, 2015). 5.3 Pengujian Nilai k Pengujian ini merupakan pengujian yang dilakukan untuk mengetahui pengaruh nilai k yang berbeda-beda dalam penerapan metode klasifikasi K-Nearest Neighbour terhadap nilai FAR dan FRR. Gambar 4.3 Grafik Hasil Pengujian FAR terhadap Nilai k Dari Gambar 4.3 telah didapatkan hasil pengujian FAR terhadap nilai k paling kecil adalah saat k bernilai 20 pada semua sumber data dengan nilai FAR=11.4% pada data Indonesia, nilai FAR=7% pada data dari Spanyol dan nilai FAR=16% pada data dari Persia. Pada data dari Spanyol juga mendapatkan nilai FAR=7% pada saat k=9. Gambar 4.2 Grafik Hasil Pengujian FRR terhadap Jumlah Data Latih Pada Gambar 4.2 dapat dilihat bahwa semakin banyak jumlah data latih yang ditraining semakin kecil nilai FRR-nya. Hasil pengujian FRR berbanding terbalik dengan pengujian FAR. Nilai FRR paling kecil didapatkan saat jumlah data latih dengan 14 citra setiap kelas. Data dari Indonesia mendapatkan nilai FRR=61.5% untuk nilai FRR terkecil dan data dari Spanyol mendapatkan nilai FRR=77.5% untuk nilai FRR terkecil. Sedangkan untuk data dari Persia mendapatkan nilai FRR terkecil saat menggunakan data latih dengan 10 citra tanda tangan setiap kelas dengan nilai FRR=77.5%. Kondisi hasil pengujian FRR Gambar 4.4 Grafik Hasil Pengujian FRR terhadap Nilai k Dari Gambar 4.4 telah didapatkan hasil pengujian FRR terhadap nilai k paling kecil adalah saat k=1 dengan nilai FRR=62% pada data dari Indonesia dan nilai FRR=38% pada data dari Persia. Untuk data dari Spanyol, nilai FRR terkecil didapatkan saat k=9 dan k=11 dengan nilai FRR=72%.
7 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Pengujian Variasi Ciri Citra Proses pengujian jumlah ciri citra dilakukan untuk mengetahui pengaruh variasi ciri citra dalam penerapan ekstraksi ciri Geometric Invariant Moment terhadap nilai FAR dan FRR. Tujuan pengujian ini untuk mencari variasi ciri citra yang terbaik yang memiliki nilai FAR dan FRR paling baik untuk mengetahui pengaruh dari variasi ciri pada pengujian FAR dan FRR. Gambar 4.5 Grafik Hasil Pengujian FAR terhadap Variasi Ciri Citra dari Data Indonesia ciri/moment yaitu moment 7 dengan nilai FAR=7%. Pada Gambar 6.7 menunjukkan perubahan nilai FAR terhadap variasi ciri citra dengan menggunakan data dari Spanyol. Nilai FAR paling kecil didapatkan saat menggunakan 4 ciri/moment yaitu dengan menggabungkan moment 3,4,5, dan 7, saat menggunakan 5 moment yaitu dengan menggabungkan moment 1,3,4,5 dan 7 dan saat menggunakan 6 moment dengan menggabungkan moment 1,3,4,5,6 dan 7 dengan masing-masing mendapatkan nilai FAR=7%. Pada Gambar 6.8 menunjukkan perubahan nilai FAR terhadap variasi ciri citra dengan menggunakan data dari Persia. Nilai FAR paling kecil didapatkan saat menggunakan 2 ciri/moment yaitu menggabungkan moment 3 dan 5 serta saat menggunakan 3 moment yaitu menggabungkan moment 3,5 dan 6 dengan masing-masing mempunyai nilai FAR=9.5%. Pada data dari Spanyol dan Persia saat hanya menggunakan 1 moment terdapat kecenderungan yang sama, yaitu mendapatkan nilai FAR terkecil saat menggunakan moment 5 saja dengan FAR=6.5% pada data dari Spanyol dan FAR=10% pada data dari Persia. Saat menggunakan 1 moment saja pada data dari Indonesia, mendapatkan nilai FAR paling kecil saat menggunakan moment 7. Gambar 4.6 Grafik Hasil Pengujian FAR terhadap Variasi Ciri Citra dari Data Spanyol Gambar 4.8 Grafik Hasil Pengujian FRR terhadap Variasi Ciri Citra dari Data Indonesia Gambar 4.7 Grafik Hasil Pengujian FAR terhadap Variasi Ciri Citra dari Data Persia Pada Gambar 4.7 menunjukkan perubahan nilai FAR terhadap variasi ciri citra dengan menggunakan data dari Indonesia. Nilai FAR paling kecil didapatkan saat menggunakan 1 Gambar 4.9 Grafik Hasil Pengujian FRR terhadap Variasi Ciri Citra dari Data Spanyol
8 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 866 Gambar 4.10 Grafik Hasil Pengujian FRR terhadap Variasi Ciri Citra dari Data Persia Pada Gambar 6.9 menunjukkan perubahan nilai FRR terhadap variasi ciri citra dengan menggunakan data dari Indonesia. Nilai FRR paling kecil didapatkan saat menggunakan 5 ciri/moment yaitu dengan menggabungkan moment 1,2,3,6 dan 7 serta dengan menggunakan semua moment 1-7 dengan masing-masing mempunyai nilai FRR=61.5%. Pada Gambar 6.10 menunjukkan perubahan nilai FRR terhadap variasi ciri citra dengan menggunakan data dari Spanyol. Nilai FRR paling kecil didapatkan saat menggunakan 6 ciri/moment yaitu dengan menggabungkan moment 2,3,4,5,6 dan 7 dan semua moment 1-7 dengan masing-masing mempunyai nilai FRR=72%. Pada Gambar 6.11 menunjukkan perubahan nilai FRR terhadap variasi ciri citra dengan menggunakan data dari Persia. Nilai FRR paling kecil didapatkan saat menggunakan 6 ciri/moment yaitu menggabungkan moment 1,2,3,4,6 dan 7 dengan nilai FRR=37%. Pada data Indonesia dan Spanyol terdapat kecenderungan yang sama yaitu sama-sama mendapatkan nilai FRR terkecil saat menggunakan semua moment dengan FRR=61.5% untuk data dari Indonesia dan FRR=72% untuk data dari Spanyol. Sedangkan untuk data dari Persia mendapatkan saat menggunakan semua moment mendapatkan FRR=38%, berbeda 1% dari nilai FRR terkecil pada data dari Spanyol yaitu 37%. 6. KESIMPULAN DAN SARAN 6.1 Kesimpulan Berdasarkan hasil pengujian dan analisis hasil penelitian ini terhadap pengenalan citra tanda tangan menggunakan ekstraksi ciri Geometric Invariant Moment dapat diambil kesimpulan sebagai berikut. 1. Berdasarkan pengujian fitting bahwa algoritma yang digunakan untuk implementasi sistem sudah benar. Hal ini dibuktikan dengan hasil FRR=0% saat k=1 dan k=2. 2. Pada pengujian jumlah data latih nilai FAR terkecil didapatkan saat menggunakan jumlah data latih paling kecil yaitu data latih dengan 5 citra setiap kelas. Semakin banyak jumlah data semakin besar pula nilai FARnya. sedangkan nilai FRR terkecil pada pengujian jumlah data latih didapatkan saat menggunakan data latih dengan 14 citra setiap kelas untuk data dari Indonesia dan Spanyol, dan 10 citra setiap kelas untuk data dari Persia. Semakin banyak jumlah data maka semakin kecil nilai FRR yang didapatkan. 3. Pada pengujian nilai k, semakin banyak k yang digunakan nilai FAR yang didapatkan cenderung semakin kecil dan nilai FRR cenderung semakin besar. Nilai FAR terkecil didapatkan saat k=20 untuk semua sumber data. Sedangkan nilai FRR terkecil didapatkan saat k=3 pada dari Indoensia, k=1 pada data dari Persia dan k=9, k=11 pada data dari Spanyol. 4. Variasi ciri Geometric Invariant Moment yang mempunyai nilai FAR dan FRR terkecil tiap sumber data berbeda. Untuk data dari Indonesia nilai FAR paling kecil didapatkan saat menggunakan moment 7 dengan nilai FAR=7%. Untuk data dari Spanyol nilai FAR paling kecil didapatkan saat menggabungkan moment 3,4,5, dan 7, saat menggabungkan moment 1,3,4,5 dan 7 dan saat menggabungkan moment 1,3,4,5,6 dan 7 dengan masing-masing mendapatkan nilai FAR=7%. Untuk data dari Persia nilai FAR paling kecil didapatkan saat yaitu menggabungkan moment 3 dan 5 dan saat menggabungkan moment 3,5 dan 6 dengan masing-masing mempunyai nilai FAR=9.5%. Untuk data dari Indonesia nilai FRR paling kecil didapatkan saat menggabungkan moment 1,2,3,6 dan 7 dan saat menggunakan semua moment dengan masing-masing mempunyai nilai FRR=61.5%. Untuk data dari Spanyol nilai FRR paling kecil didapatkan dengan menggabungkan moment 2,3,4,5,6 dan 7 dan saat menggunakan semua moment dengan masing-masing mempunyai nilai FRR=72%. Untuk data dari Persia nilai FRR paling kecil didapatkan saat menggabungkan moment 1,2,3,4,6 dan 7 dengan nilai FRR=37%.
9 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Hasil pengujian FAR dan FRR berbanding terbalik. Sistem dapat mengenali tanda tangan palsu dengan optimal dibuktikan dengan diperolehnya nilai FAR yang relatif kecil pada semua sumber data. Tetapi sistem tidak dapat mengenali tanda tangan asli dengan optimal dibuktikan dengan diperolehnya nilai FRR yang tinggi pada semua sumber data. 6. Ciri Geometric Invariant Moment yang diterapkan global pada suatu citra tidak memberikan akurasi yang tinggi. Mungkin karena ketika menerapkan ciri global, ciri lokal tidak terkenali dengan baik. Hal tersebut berlaku pada citra tanda tangan asli, sedangkan pada citra tanda tangan palsu penerapan ciri Geometric Invariant Moment secara global memberikan akurasi yang tinggi. 6.2 Saran Berdasarkan penelitian yang telah dilakukan, maka saran untuk penelitian selanjutnya adalah sebagai berikut. 1. Pada penelitian ini penerapan ciri global Geometric Invariant Moment menghasilkan nilai FRR yang tinggi. Untuk mendapatkan nilai FRR yang lebih rendah, masih mungkin untuk melakukan pengoptimalan ciri lokal Geometric Invariant Moment atau dengan mengkombinasikan dengan ciri lain. 2. Masih diperlukan pengembangan untuk menerapkan seleksi fitur untuk pemilihan variasi ciri citra, seperti melakukan optimasi pada ciri Geometric Invariant Moment untuk memperkecil nilai FAR dan FRR. of Computer and Electrical Engineering, Volume 7. Sikki, M. I., Pengenalan Wajah Menggunakan K-Nearest Neighbour Dengan Praproses Transformasi Wavelet. Paradigma, Volume X. Widodo, A. W. & Harjoko, A., Sistem Verifikasi Tanda Tangan Off-Line Berdasar Ciri Histogram of Oriented Gradient (HOG) dan Histogram of Curvature (HoC). Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), pp Zhang, B., Off-line signature verification and identification by pyramid histogram of oriented gradients. International Journal of Intelligent Computing and Cybernet, 3(4), pp DAFTAR PUSTAKA Liantoni, F., Klasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor. ULTIMATICS, Volume 7. R.Muralidharan, D., Object Recognition Using K-Nearest Neighbor Supported By Eigen Value Generated From the Features of an Image. International Journal of Innovative Research in Computer and Communication Engineering, 2(8). Samad, S., Haq, A. & A.Khan, S., Orientation Invariant Object Recognitions Using Geometric Moments Invariants and Color Histograms. International Journal
Pengenalan Citra Tanda Tangan Off-line dengan Pemanfaatan Ciri Centroid Distance Function
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 548-964X Vol. 1, No. 10, Oktober 017, hlm. 1018-107 http://j-ptiik.ub.ac.id Pengenalan Citra Tanda Tangan Off-line dengan Pemanfaatan Ciri
Lebih terperinciVerifikasi Citra Tanda Tangan Berdasarkan Ciri Pyramid Histogram of Oriented Gradient (PHOG) Menggunakan Metode Klasifikasi K-Nearest Neighbor
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 248-964X Vol. 1, No. 10, Oktober 2017, hlm. 1162-1171 http://j-ptiik.ub.ac.id Verifikasi Citra Tanda Tangan Berdasarkan Ciri Pyramid Histogram
Lebih terperinciREALISASI PERANGKAT LUNAK UNTUK MEMVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCALITY PRESERVING PROJECTION
REALISASI PERANGKAT LUNAK UNTUK MEMVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCALITY PRESERVING PROJECTION FadliWitular (0822043) Jurusan Teknik Elektro Universitas
Lebih terperinciIdentifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur
Identifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur Cahya Hijriansyah 1, Achmad Solichin 2 1,2 Program Studi Teknik Informatika
Lebih terperinciPengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya
Pengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya 1 Hafidz Surahman 1, Aisyah Fuja 2, Ir.Rubandi 3, Willy 4 1,2 STMIK GI MDP; Jalan Rajawali No.14 Palembang,
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
Lebih terperinciVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR CHAIN CODE ABSTRAK
VERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR CHAIN CODE Andre Sitorus (0822107) Jurusan Teknik Elektro email: tiantorus11@gmail.com ABSTRAK Pola yang dibentuk oleh
Lebih terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN MOMENT INVARIANT DAN ALGORITMA BACK PROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN MOMENT INVARIANT DAN ALGORITMA BACK PROPAGATION Nasep Muhamad Ramdan (0522135) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jalan Prof. Drg.
Lebih terperinciVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FILTER GABOR ABSTRAK
VERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FILTER GABOR Eric (0822026) Jurusan Teknik Elektro Universitas Kristen Maranatha email: eric.wennas@gmail.com ABSTRAK Pola pembuluh
Lebih terperinciKlasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor
Klasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor Febri Liantoni Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Adhi Tama Surabaya, Indonesia
Lebih terperinciREALISASI PERANGKAT LUNAK UNTUK IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL LINE BINARY PATTERN (LLPB)
REALISASI PERANGKAT LUNAK UNTUK IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL LINE BINARY PATTERN (LLPB) Elfrida Sihombing (0922019) Jurusan Teknik Elektro Universitas
Lebih terperinciBAB 4. Sistem Yang Diusulkan
61 BAB 4 Sistem Yang Diusulkan 4.1 Kerangka Sistem Pada bagian ini dijelaskan lebih lanjut mengenai kerangka sistem yang diusulkan serta urut-urutan sistem berjalan. 4.1.1 Pengambilan Data Pada proses
Lebih terperinciPENGARUH UJI TUKEY TERHADAP VERIFIKASI TANDA TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
PENGARUH UJI TUKEY TERHADAP VERIFIKASI TANDA TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK Thari Novianty Mentaruk (0722100) Jurusan Teknik Elektro e-mail : thari_novianty_m@yahoo.com Verifikasi tanda
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Sebagai tinjauan pustaka, berikut beberapa contoh penelitian telapak kaki yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai
Lebih terperinciJURNAL SISTEM IDENTIFIKASI CITRA TANDA TANGA MENGGUNAKAN METODE 2D-PCA (TWO DIMENSIONAL PRINCIPAL COMPONENT ANALISYS)
JURNAL SISTEM IDENTIFIKASI CITRA TANDA TANGA MENGGUNAKAN METODE 2D-PCA (TWO DIMENSIONAL PRINCIPAL COMPONENT ANALISYS) SIGNATURE RECOGNITION USING 2D-PCA (TWO DIMENSIONAL PRINCIPAL COMPONENT ANALISYS) Oleh:
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM (SIFT) Vikri Ahmad Fauzi (0722098) Jurusan Teknik Elektro email: vikriengineer@gmail.com
Lebih terperinciVERIFIKASI TANDA TANGAN DENGAN METODE JARINGAN SYARAF TIRUAN HETEROASSOCIATIVE MEMORY ABSTRAK
VERIFIKASI TANDA TANGAN DENGAN METODE JARINGAN SYARAF TIRUAN HETEROASSOCIATIVE MEMORY Disusun oleh : Fabiola Zita Devy C. 0722085 Jurusan Teknik Elektro, Fakultas Teknik,, Jl.Prof.Drg.Suria Sumantri, MPH
Lebih terperinciABSTRAK. v Universitas Kristen Maranatha
ABSTRAK Tanda tangan merupakan sesuatu yang unik yang dimiliki setiap orang sehingga seringkali dipakai untuk menentukan keabsahan dokumen ataupun transaksi. Akan tetapi tanda tangan menjadi rentan terhadap
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL BINARY PATTERN ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL BINARY PATTERN Zeth Pasongli (0222113) Jurusan Teknik Elektro Email: zeth_pasongli@yahoo.com ABSTRAK Pola pembuluh
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN Pada bab ini akan dibahas tentang latar belakang, perumusan masalah, tujuan penelitian, manfaat penelitian, dan kontribusi penelitian. Masalah-masalah yang dihadapi berkaitan dengan melakukan
Lebih terperinciBab III ANALISIS&PERANCANGAN
3.1 Analisis Masalah Bab III ANALISIS&PERANCANGAN Pada penelitian sebelumnya yaitu ANALISIS CBIR TERHADAP TEKSTUR CITRA BATIK BERDASARKAN KEMIRIPAN CIRI BENTUK DAN TEKSTUR (A.Harris Rangkuti, Harjoko Agus;
Lebih terperinciIDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID ABSTRAK
IDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID Disusun Oleh : Robin Yosafat Saragih (1022076) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA TELINGA DENGAN MENGGUNAKAN METODE TRANSFORMASI HOUGH ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA TELINGA DENGAN MENGGUNAKAN METODE TRANSFORMASI HOUGH Syafril Tua (0822088) Jurusan Teknik Elektro email: syafrilsitorus@gmail.com ABSTRAK Struktur telinga adalah
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN MODIFIED HAUSDORFF DISTANCE ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN MODIFIED HAUSDORFF DISTANCE Daniel Halomoan (0822056) Jurusan Teknik Elektro Universitas Kristen Maranatha email: daniel170390@gmail.com
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Tanda tangan dengan sifat uniknya merupakan salah satu dari sekian banyak atribut personal yang diterima secara luas untuk verifikasi indentitas seseorang, alat pembuktian
Lebih terperinciIDENTIFIKASI TANDA TANGAN DENGAN DETEKSI TEPI DAN KOEFISIEN KORELASI
IDENTIFIKASI TANDA TANGAN DENGAN DETEKSI TEPI DAN KOEFISIEN KORELASI Harry Santoso Program Studi Teknik Informatika, Unika Soegijapranata Semarang harrysantoso888@gmail.com Abstract Signature is a proof
Lebih terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih 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 terperinciVerifikasi Tanda Tangan Dengan Algoritma K-Nearest Neighbor dan Ekstraksi Ciri Harris Corner
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Verifikasi Tanda Tangan Dengan Algoritma K-Nearest Neighbor dan Ekstraksi Ciri Harris Corner Andi Kartono *1, Derry Alamsyah 2 1 STMIK GI MDP; Jl.
Lebih terperinciPERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR
PERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR Ragil Anggararingrum Perwira Nagara¹, Adiwijaya², Ratri Dwi Atmaja³ ¹Teknik
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION ABSTRAK Eka Putri Tambun (0722118) Jurusan Teknik Elektro Universitas Kristen
Lebih terperinciBAB IV UJI COBA DAN ANALISIS
BAB IV UJI COBA DAN ANALISIS Bab ini tersusun atas penjelasan hasil uji coba terhadap Sistem Pencocokan Dental yang dikembangkan beserta analisis hasil uji coba. Pengujian dan analisis dilakukan untuk
Lebih terperinciKlasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor
Klasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor Febri Liantoni Jurusan Teknik Informatika, Institut Teknologi Adhi Tama, Surabaya, Indonesia febri.liantoni@gmail.com
Lebih terperinciPENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN. Disusun oleh : Mario Herryn Tambunan ( )
PENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN Disusun oleh : Mario Herryn Tambunan (1022056) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciPENGENALAN WAJAH DENGAN MENGGUNAKAN NLDA (NULL-SPACE LINEAR DISCRIMINANT ANALYSIS)
PENGENALAN WAJAH DENGAN MENGGUNAKAN NLDA (NULL-SPACE LINEAR DISCRIMINANT ANALYSIS) Disusun oleh : Yudi Setiawan (0722095) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri, MPH, No.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan sehari-hari, manusia selalu memanfaatkan teknologi untuk melakukan kegiatannya. Ini dikarenakan teknologi membuat tugas manusia menjadi lebih ringan
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 terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN
Jurnal Teknik Informatika Vol. 1 September 2012 1 PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN Wahyu Saputra Wibawa 1, Juni Nurma Sari 2, Ananda 3 Program Studi
Lebih terperinciIMPLEMENTASI METODE 2D-PCA UNTUK MENGIDENTIFIKASI CITRA TANDA TANGAN MIRING
IMPLEMENTASI METODE 2D-PCA UNTUK MENGIDENTIFIKASI CITRA TANDA TANGAN MIRING Didik Tri Setiawan 1, Danar Putra Pamungkas 2 1,2 Teknik Informatika, Fakultas Teknik, Universitas Nusantara PGRI Kediri E-mail:
Lebih terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciKLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS
Ikhwan Ruslianto KLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS IKHWAN RUSLIANTO Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan
Lebih terperinciPerbandingan Dua Citra Bibir Manusia Menggunakan Metode Pengukuran Lebar, Tebal dan Sudut Bibir ABSTRAK
Perbandingan Dua Citra Bibir Manusia Menggunakan Metode Pengukuran Lebar, Tebal dan Sudut Bibir Rizki Hamdani / 0322 Jurusan Teknik Elektro, Fakultas Teknik Universitas Kristen Maranatha Jl. Prof. Drg.
Lebih terperinciIDENTIFIKASI TANDA TANGAN DENGAN PENDEKATAN SUPPORT VECTOR MACHINE
IDENTIFIKASI TANDA TANGAN DENGAN PENDEKATAN SUPPORT VECTOR MACHINE Endina Putri P 1, Diyah Puspitaningrum 2, Andre Mirfen 3 1,2,3 Program Studi Teknik Infomatika, Fakultas Teknik, Universitas Bengkulu.
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
Lebih terperinciSYSTEMIC Vol. 1, No. 1, Agustus 2015, PENGENALAN CATATAN PENJUALAN MENGGUNAKAN PENGENALAN ANGKA BERBASIS KORELASI.
SYSTEMIC Vol. 1, No. 1, Agustus 2015, 14-19 PENGENALAN CATATAN PENJUALAN MENGGUNAKAN PENGENALAN ANGKA BERBASIS KORELASI Ahmad Yusuf 1) 1) Fakultas Sains dan Teknologi, Universitas Islam Negeri Sunan Ampel
Lebih terperinciPENGENALAN TULISAN TANGAN MENGGUNAKAN EKSTRAKSI CIRI WAVELET TRANSFORM DARI PROJECTION PROFILE
PENGENALAN TULISAN TANGAN MENGGUNAKAN EKSTRAKSI CIRI WAVELET TRANSFORM DARI PROJECTION PROFILE Radian Rizki Triadhi NRP : 1222033 E-mail : radianrizkitriadhi@ymail.com ABSTRAK Pengenalan tulisan tangan
Lebih terperinciSISTEM VERIFIKASI TANDA TANGAN OFF-LINE BERDASAR CIRI HISTOGRAM OF ORIENTED GRADIENT (HOG) DAN HISTOGRAM OF CURVATURE (HoC)
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 2, No. 1, April 2015, hlm. 1-10 SISTEM VERIFIKASI TANDA TANGAN OFF-LINE BERDASAR CIRI HISTOGRAM OF ORIENTED GRADIENT (HOG) DAN HISTOGRAM OF CURVATURE
Lebih terperinciIDENTIFIKASI DAN VERIFIKASI TANDA TANGAN STATIK MENGGUNAKAN BACKPROPAGATION DAN ALIHRAGAM WAVELET
TESIS IDENTIFIKASI DAN VERIFIKASI TANDA TANGAN STATIK MENGGUNAKAN BACKPROPAGATION DAN ALIHRAGAM WAVELET ROSALIA ARUM KUMALASANTI No. Mhs. : 135302014/PS/MTF PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Perancangan perangkat lunak dari sistem biometrik sidik jari dibuat dibagi menjadi 2 module utama yakni : module enhencement sidik jari berikut aplikasi penyimpanan kedalam database
Lebih terperinciPENGENALAN BILANGAN ARAB MENGGUNAKAN TEMPLATE MATCHING
Powered by TCPDF (www.tcpdf.org) PENGENALAN BILANGAN ARAB MENGGUNAKAN TEMPLATE MATCHING Muhammad Hanif Dwiadi¹, Sofia Naning Hertiana², Gelar Budiman³ ¹Teknik Telekomunikasi,, Universitas Telkom Abstrak
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Klasifikasi Klasifikasi adalah sebuah proses untuk menemukan sebuah model yang menjelaskan dan membedakan konsep atau kelas data dengan tujuan memperkirakan kelas dari suatu objek
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 terperinciDETEKSI ADANYA CACAT PADA KAYU MENGGUNAKAN METODE LOCAL BINARY PATTERN DETECTION OF THE EXISTENCE OF THE DEFECTS IN WOOD USING LOCAL BINARY PATTERN
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 298 DETEKSI ADANYA CACAT PADA KAYU MENGGUNAKAN METODE LOCAL BINARY PATTERN DETECTION OF THE EXISTENCE OF THE DEFECTS IN WOOD USING
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 terperinciPENCOCOKAN OBYEK WAJAH MENGGUNAKAN METODE SIFT (SCALE INVARIANT FEATURE TRANSFORM)
Jurnal Ilmiah NERO Vol. 1 No. 1 2014 PENCOCOKAN OBYEK WAJAH MENGGUNAKAN METODE SIFT (SCALE INVARIANT FEATURE TRANSFORM) Meidya Koeshardianto, S. Si., M. T. Program Studi D3Manajemen Informatika, Universitas
Lebih terperinciPengenalan Tulisan Tangan Dengan Menggunakan Metode Diagonal Feature Extraction dan K-Nearest Neighbour. Yustar Pramudana
Pengenalan Tulisan Tangan Dengan Menggunakan Metode Diagonal Feature Extraction dan K-Nearest Neighbour Yustar Pramudana Program Studi Teknik Informatika, Departemen Informatika Telkom University Jl. Telekomunikasi
Lebih terperinciIDENTIFIKASI WAJAH SESEORANG BERDASARKAN CITRA BIBIR MENGGUNAKAN METODE EIGEN FUZZY SET ABSTRAK
IDENTIFIKASI WAJAH SESEORANG BERDASARKAN CITRA BIBIR MENGGUNAKAN METODE EIGEN FUZZY SET Disusun oleh : Moriska Beslar 0422101 Jurusan Teknik Elektro, Fakultas Teknik,, Jl.Prof.Drg.Suria Sumantri, MPH no.65,
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 terperinciPENGENALAN GARIS TELAPAK TANGAN MENGGUNAKAN EKSTRAKSI JARAK EUCLIDEAN TERNORMALISASI SKRIPSI FUJI FRILLA KURNIA
PENGENALAN GARIS TELAPAK TANGAN MENGGUNAKAN EKSTRAKSI 09PENGENALAN GARIS TELAPAK TANGAN DENGAN MENGGUNAKAN FITUR EKSTRAKSI OPERASI BLOK FITUR OPERASI NON-OVERLAPPING BLOK NON-OVERLAPPING DAN PENCOCOKAN
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 terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA SILUET ORANG BERJALAN MENGGUNAKAN SUDUT SETENGAH KAKI
IDENTIFIKASI SESEORANG BERDASARKAN CITRA SILUET ORANG BERJALAN MENGGUNAKAN SUDUT SETENGAH KAKI Disusun Oleh: Nama : Edy Kurniawan NRP : 0922023 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen
Lebih terperinciAnalisis dan Simulasi Sistem Penilaian Kualitas Gaya Berjalan untuk Sekolah Model Berbasis Video Processing dengan Metode Variable Module Graph
Analisis dan Simulasi Sistem Penilaian Kualitas Gaya Berjalan untuk Sekolah Model Berbasis Video Processing dengan Metode Variable Module Graph Ines Visyeri Yuliani 1,*, Bambang Hidayat 1, Suci Aulia 2
Lebih terperinciPengenalan Karakter Sintaktik menggunakan Algoritma Otsu dan Zhang-Suen
Pengenalan Karakter Sintaktik menggunakan Algoritma Otsu dan Zhang-Suen Yusfia Hafid Aristyagama (23214355) Electrical Engineering, Digital Media and Game Technology Institut Teknologi Bandung Bandung,
Lebih terperinciANALYSIS PERFORMANCE FITUR BENTUK, WARNA DAN TEKSTUR CITRA PADA PENELUSURAN INFORMASI ASET BERBASIS CBIR
ANALYSIS PERFORMANCE FITUR BENTUK, WARNA DAN TEKSTUR CITRA PADA PENELUSURAN INFORMASI ASET BERBASIS CBIR Jumi¹ ), Achmad Zaenuddin 1) 1 Jurusan Administrasi Bisnis, Politeknik Negeri Semarang jumimail06@gmail.com
Lebih terperinciPENGENALAN POLA TULISAN TANGAN DENGAN METODE K NEAREST NEIGHBOR
J-ICON, Vol. No. 1, Maret 014, pp. 65~7 65 PENGENALAN POLA TULISAN TANGAN DENGAN METODE K NEAREST NEIGHBOR Ryan Arief Misnadin 1, S. Adi. S. Mola, Adriana Fanggidae 3 1,,3 Jurusan Ilmu Komputer, Fakultas
Lebih terperinciPERBANDINGAN METODE SURF DAN SIFT DALAM SISTEM IDENTIFIKASI TANDA TANGAN A COMPARISON OF SURF AND SIFT METHOD ON SIGNATURE IDENTIFICATION SYSTEM
Abstrak PERBANDINGAN METODE SURF DAN SIFT DALAM SISTEM IDENTIFIASI TANDA TANGAN A COMPARISON OF SURF AND SIFT METHOD ON SIGNATURE IDENTIFICATION SYSTEM Felix Pidha Hilman Prodi S1 Teknik Telekomunikasi
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 terperinciKLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA
KLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA Arina Diori (0722107) Jurusan Teknik Elektro email: arinadiorisinaga@yahoo.com ABSTRAK Buah
Lebih terperinciPENGENALAN AKSARA BALI MENGGUNAKAN METODE MODIFIED DIRECTION FEATURE DAN ALGORITMA GENERALIZED LEARNING VECTOR QUANTIZATION (GLVQ)
PENGENALAN AKSARA BALI MENGGUNAKAN METODE MODIFIED DIRECTION FEATURE DAN ALGORITMA GENERALIZED LEARNING VECTOR QUANTIZATION (GLVQ) KOMPETENSI KOMPUTASI SKRIPSI NI WAYAN DEVIYANTI SEPTIARI NIM. 1108605004
Lebih terperinciDeteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor
Deteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor Regha Julian Pradhana 1,*, Bambang Hidayat 1, Ratri Dwi Atmaja 1 1 Fakultas Teknik Elektro, Universitas
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2008 Express Edition. Proses perancangan menggunakan pendekatan Object Oriented
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Bab ini membahas langkah-langkah dari implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi aktivitas menggunakan algoritma k-nearest neighbor
Lebih terperinciIMPLEMENTASI K NEAREST NEIGHBOR (KNN) PADA KLASIFIKASI ARTIKEL WIKIPEDIA INDONESIA
IMPLEMENTASI K NEAREST NEIGHBOR (KNN) PADA KLASIFIKASI ARTIKEL WIKIPEDIA INDONESIA Erik Hardiyanto 1, Faisal Rahutomo 2, Dwi Puspitasari 3 Jurusan Teknologi Informasi, Program Studi Teknik Informatika,
Lebih terperinciKLASIFIKASI WARNA KULIT MANUSIA DENGAN ALGORITMA K-NEAREST NEIGHBOUR (KNN) Human Skin Color Classification With K-Nearest Neighbour (KNN) Algorithm
Dielektrika, [P-ISSN 2086-9487] [E-ISSN 2579-650X] 135 Vol. 4, No. 2 : 135-141, Agustus 2017 KLASIFIKASI WARNA KULIT MANUSIA DENGAN ALGORITMA K-NEAREST NEIGHBOUR (KNN) Human Skin Color Classification With
Lebih terperinciPENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
Lebih terperinciPENGENALAN WAJAH MANUSIA MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN JARINGAN SYARAF TIRUAN ADAPTIVE RESONANCE THEORY TWO (ART-2)
PENGENALAN WAJAH MANUSIA MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN JARINGAN SYARAF TIRUAN ADAPTIVE RESONANCE THEORY TWO (ART-2) SKRIPSI Disusun Sebagai Salah Satu Syarat Menyelesaikan Program Studi
Lebih terperinciIdentifikasi Jenis Buah Apel Menggunakan Algoritma K-Nearest Neighbor (KNN) dengan Ekstraksi Fitur Histogram
Identifikasi Jenis Buah Apel Menggunakan Algoritma K-Nearest Neighbor (KNN) dengan Ekstraksi Fitur Histogram Ion Ataka Halela 1,Bowo Nurhadiyono,S.Si, M.Kom 2,Farah Zakiyah Rahmanti 3 1 Fakultas Ilmu Komputer
Lebih terperinciLAPORAN SKRIPSI EKSTRAKSI CIRI PENGENALAN GENDER MENGGUNAKAN FITUR GEOMETRIS CITRA WAJAH DENGAN METODE FUZZY C-MEANS (FCM)
LAPORAN SKRIPSI EKSTRAKSI CIRI PENGENALAN GENDER MENGGUNAKAN FITUR GEOMETRIS CITRA WAJAH DENGAN METODE FUZZY C-MEANS (FCM) Oleh : NIHAYATUS SA ADAH 2010-51-206 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT
Lebih terperinciImplementasi Deteksi Copy-move Forgery pada Citra menggunakan Metode Histogram of Oriented Gradients (HOG)
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Deteksi Copy-move Forgery pada Citra menggunakan Metode Histogram of Oriented Gradients (HOG) Ni Luh Made Asri Mulyasari,
Lebih terperinciIDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN)
IDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN) SKRIPSI Disusun Oleh : THOMI LUTHFIANTO 1203030010 PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS
Lebih terperinciPENGENALAN TANDA TANGAN DENGAN METODE MODIFIED DIRECTION FEATURE (MDF) DAN EUCLIDEAN DISTANCE
PENGENALAN TANDA TANGAN DENGAN METODE MODIFIED DIRECTION FEATURE (MDF) DAN EUCLIDEAN DISTANCE Fitri Damayanti D3 Manajemen Informatika Universitas Trunojoyo Jl. Raya Telang, PO BOX 2, Kamal, Bangkalan
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST)
Berkala Fisika ISSN : 1410-9662 Vol. 15, No. 1, Januari 2012, hal 15-20 SISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST) Tri Mulyono, Kusworo Adi dan Rahmat Gernowo Jurusan
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciPengolahan Citra untuk Bidang Pertanian(Menentukan Kematangan Buah) Oleh Nama:Wahyu Abid A. NRP : Kelas :2D4 IT(B)
Pengolahan Citra untuk Bidang Pertanian(Menentukan Kematangan Buah) Oleh Nama:Wahyu Abid A. NRP :2110151042 Kelas :2D4 IT(B) Latar Belakang Buah pisang dan alpukat sangatlah familiar dengan warga asia,
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 terperinciUKDW BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1. Latar Belakang Transportasi tentu sudah tidak asing lagi didengar oleh telinga, transportasi merupakan salah satu hal yang sangat melekat dengan berbagai macam kegiatan yang dilakukan
Lebih terperinciBAB I PENDAHULUAN. warisan budaya yang ada di Bali yang perlu mendapatkan perhatian karena mulai
BAB I PENDAHULUAN 1.1 Latar Belakang Sebuah kebudayaan yang ada pada setiap daerah adalah warisan dari nenek moyang serta leluhur yang hendaknya dijaga dan dilestarikan. Ada berbagai macam warisan budaya
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 terperinciROBUST BLIND WATERMARKING PADA CITRA DIGITAL MENGGUNAKAN TEKNIK KUANTISASI KOEFISIEN DISCRETE WAVELET TRANSFORM
ROBUST BLIND WATERMARKING PADA CITRA DIGITAL MENGGUNAKAN TEKNIK KUANTISASI KOEFISIEN DISCRETE WAVELET TRANSFORM Annissa Yanuvita Prabawaningtyas (1022053) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.
Lebih terperinciPENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION
PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION Suhendry Effendy Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Biometrik adalah ilmu untuk menetapkan identitas seseorang berdasarkan ciri fisik, kimia, ataupun tingkah laku dari orang tersebut. Dewasa ini, biometrik telah menjadi suatu
Lebih terperinciSistem Pengenalan Bahasa Isyarat Indonesia dengan Menggunakan Metode Fuzzy K-Nearest Neighbor
Sistem Pengenalan Bahasa Isyarat Indonesia dengan Menggunakan Metode Fuzzy K-Nearest Neighbor Agum Agidtama Gafar 1, Jayanti Yusmah Sari 2 Program Studi Teknik Informatika, Universitas Halu Oleo, Kendari,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Digital [3] Citra atau gambar didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y), di mana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciSIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN K- NEAREST NEIGHBOR
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 2870 SIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN K- NEAREST NEIGHBOR SIMULATION AND ANALYSIS OF MUSIC GENRE
Lebih terperinci