HASIL DAN PEMBAHASAN. Data
|
|
- Verawati Kartawijaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 dengan menggunakan model Bayesian Network. Nilai kemiripan dapat dihitung dengan Persamaan 21. P(I j Q)=n[1-(1-P(CS j CS)) x(1-p(ct j CT))] (21) dengan n adalah jumlah citra pada basis data, P(CS j CS) merupakan kemiripan vektor antara citra kueri dan citra basis data pada penciri morfologi. P(CT j CT) merupakan kemiripan antara citra kueri dan citra basis data pada penciri tekstur. P(CS j CS) dihitung P(CT j CS) dengan menggunakan cosine similarity. Evaluasi Hasil Temu Kembali Citra Hasil temu kembali citra dapat diperoleh dengan cara mengukur tingkat kemiripan antara citra kueri dan citra basis data. Citra yang memiliki tingkat kemiripan yang tinggi dengan citra kueri adalah citra yang ditemukembalikan. Setelah mendapatkan hasil citra yang ditemukembalikan selanjutnya ialah melakukan evaluasi. Evaluasi ini dilakukan untuk mengukur tingkat keberhasilan dalam proses temu kembali citra. Pengujian yang dilakukan ialah dengan menghitung nilai recall dan precision dari proses temu kembali citra berdasarkan penilaian relevansinya dan uji statistika untuk mengetahui apakah ada perbedaan secara signifikan nilai recallprecision yang diperoleh tanpa menggunakan ciri morfologi Lp dan Wp dengan nilai recallprecision yang diperoleh dengan menambahkan ciri Lp dan Wp secara manual dan automatis. Perangkat Keras dan Perangkat Lunak Perangkat keras yang digunakan dalam penelitian ini adalah komputer dengan prosesor Intel(R) Pentium(R) Dual CPU 1.86 GHz, RAM 1.5 GB dan harddisk 80 GB. Perangkat lunak adalah sistem operasi Windows 7 ultimate, Matlab R2008b dan IBM SPSS Statistics 19. Data HASIL DAN PEMBAHASAN Data yang digunakan ialah citra daun yang terdiri atas sebelas kelas daun yaitu alpukat, bisbul, cokelat, durian, jamblang, jambu biji, jambu bol, kepel, manggis, menteng, dan nangka. Citra tersebut disimpan dalam bentuk format JPG, dengan ukuran 150x250 piksel. Jumlah citra dari setiap kelas daun ada 100, sehingga total citra ada 1100 buah. Contoh citra helai daun yang digunakan dapat dilihat pada Lampiran 1. Praproses Citra helai daun yang berukuran 150x250 piksel dengan tipe RGB diubah menjadi citra bertipe grayscale dengan menggunakan fungsi RGB2GRAY. Kemudian untuk mendapatkan ekstraksi morfologi, citra grayscale diubah ke dalam bentuk citra biner dengan menggunakan fungsi IM2BW. Kemudian, citra biner dibersihkan dengan 3x3 rectangular averaging filter. Hasil dari praproses dapat dilihat pada Gambar 9. a c Gambar 9 (a) Citra RGB, (b) Citra grayscale, (c) Citra biner, (d) Citra setelah noise dihilangkan. Hasil Ekstraksi Ciri Pada proses ekstraksi ciri ada dua proses yang dilakukan yaitu ekstrasi ciri morfologi dan ciri tekstur. Hasil Ekstrasi Ciri Morfologi Ekstraksi ciri morfologi dilakukan untuk mendapatkan nilai Lp dan Wp. Proses untuk mendapatkan nilai Lp dilakukan dengan cara mencari nilai dua ujung titik, yaitu ujung pangkal bagian atas daun dan ujung pangkal bawah daun (tulang daun primer). Setelah itu jarak kedua titik tersebut diukur dengan menggunakan metode euclidean distance. Untuk mendapatkan nilai Wp dilakukan dengan mengukur kemiringan (sudut) ujung pangkal daun bagian atas dan ujung pangkal bagian bawah, sehingga didapat nilai (β). Kemudian citra helai daun dirotasi dengan sudut sebesar (β). Setelah itu nilai Wp didapat dengan mencari nilai terbesar dari garis terpanjang yang tegak lurus dengan Lp. Ilustrasi teknik untuk b d 6
2 mendapatkan Lp dan Wp dapat dilihat pada Gambar 10. Gambar 10 Ilustrasi untuk mencari Lp dan Wp. Hasil dari ektrasi ciri morfologi adalah matriks yang berukuran 12x1100. Setiap citra direpresentasikan vektor yang terdiri atas12 elemen yaitu, diameter, leaf area, leaf perimeter, smooth factor, form factor, perimeter of ratio, physiological length, physiological width, aspect ratio, rectangularity, narrow factor, dan perimeter of physiological length and physiological width. Kemudian 1100 adalah jumlah citra yang ada pada basis data. Hasil Ekstraksi Ciri Tekstur Hasil dari ekstraksi ciri tekstur direpresentasikan dalam bentuk matriks yang berukuran 7x1100, dengan elemen yang terdiri atas contrast, correlation, energy, homogeneity, maximum probability, moment, entrophy. Hasil dari ekstraksi ciri morfologi dan tekstur dapat dilihat pada Gambar 11. Hasil Temu Kembali Citra yang ditemukembalikan ialah citra yang memiliki kesamaan paling dekat dengan citra kueri, baik ciri morfologi, tekstur dan gabungan kedua ciri tersebut. Hasil temu kembali dengan ciri morfologi, ciri tekstur dan gabungan keduanya dapat dilihat di Lampiran 2. Adanya tambahan ciri morfologi berupa physiological length dan physiological width meningkatkan nilai hasil temu kembali. Sebagai contoh pada Gambar 12 (Annisa 2009), didapat hasil temu kembali yang relevan berjumlah 12, dan yang tidak relevan 25 Dengan tambahan ciri morfologi physiological length dan physiological width dapat dilihat pada Gambar 13 bahwa hasil temu kembali yang relevan meningkat menjadi 18 dan yang tidak relevan 19. Perbedaan hasil temu kembali untuk ciri morfologi dapat dilihat pada Gambar 12 dan 13 7
3 Gambar 11 Hasil ekstraksi ciri morfologi dan tekstur. Gambar 12 Hasil temu kembali menggunakan penciri model ciri morfologi tanpa Lp dan Wp. 8
4 Gambar 13 Hasil temu kembali menggunakan penciri model ciri morfologi dengan tambahan Lp dan Wp. Evaluasi Temu Kembali Evaluasi temu kembali citra dilakukan dengan cara menghitung nilai recall precision. Nilai tersebut dihitung dengan menjadikan citra pada masing-masing kelas sebagai citra kueri. Tabel 1 memberikan gambaran perubahan nilai precision rata-rata (MAP) pada penciri morfologi, tekstur dan Bayesian Network untuk kelas alpukat. Perubahan nilai MAP pada penciri morfologi mengalami peningkatan, hal tersebut diperoleh dari nilai awal MAP sebesar menjadi Kemudian untuk penciri tekstur tidak ada perubahan nilai MAP, Pada penciri Bayesian Network diperoleh nilai awal MAP sebesar menjadi Secara umum terlihat bahwa pada kelas alpukat terjadi peningkatan nilai MAP dengan adanya tambahan Lp dan Wp. Selain itu Tabel 1 juga memberikan gambaran perbedaan antara nilai MAP yang diperoleh dengan metode automatis dan metode manual. Pada metode automatis nilai Lp diperoleh dengan menggunakan program komputer. Pada metode manual nilai Lp diperoleh dengan asumsi titik ujung pangkal daun sudah ditentukan diawal. Nilai MAP yang diperoleh dengan metode automatis adalah untuk penciri morfologi dan untuk Bayesian Network. Nilai MAP dengan metode manual adalah untuk penciri morfologi dan untuk Bayesian Network. Tabel 2 memberikan gambaran perubahan precision rata-rata (MAP) pada kelas jamblang seperti halnya Tabel 1. Perubahan nilai MAP pada penciri morfologi mengalami penurunan, hal tersebut dapat dilihat dari nilai awal MAP sebesar menjadi Kemudian untuk penciri tekstur tidak ada perubahan, sedangkan untuk penciri Bayesian Network diperoleh nilai awal MAP menjadi Untuk kelas jamblang, secara umum mengalami penurunan nilai MAP. Selain itu Tabel 2 memberikan gambaran perbedaan antara nilai MAP yang diperoleh dari metode automatis dan metode manual. Nilai MAP yang diperoleh dengan metode automatis adalah untuk penciri morfologi dan untuk Bayesian Network, sedangkan pada metode manual nilai MAP yang diperoleh adalah untuk penciri morfologi dan untuk Bayesian Network. 9
5 Recall Tabel 1 Perbandingan nilai recallprecision dan MAP untuk kelas alpukat Tanpa Lp dan Wp Automatis Manual Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian MAP Recall Tabel 2 Perbandingan nilai recallprecision dan MAP untuk kelas jamblang Tanpa Lp dan Wp Automatis Manual Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian MAP Tabel 3 memberikan gambaran perubahan nilai precision rata-rata (MAP) pada kelas jambu biji. Perubahan nilai MAP pada penciri morfologi mengalami peningkatan, hal tersebut dapat dilihat dari nilai awal MAP sebesar menjadi Kemudian untuk penciri tekstur tidak ada perubahan, sedangkan untuk Bayesian Network nilai awal MAP sebesar menjadi Secara umum perubahan nilai MAP pada kelas jambu biji mengalami peningkatan. Selain itu Tabel 3 juga memberikan gambaran perbedaan antara nilai MAP yang diperoleh dari metode automatis dan metode manual. Pada metode automatis nilai MAP yang diperoleh adalah untuk penciri morfologi dan untuk Bayesian Network. Pada metode manual nilai MAP yang diperoleh adalah untuk penciri morfologi dan untuk Bayesian Network. Tabel 4 memberikan gambaran perubahan nilai precision rata-rata (MAP) pada kelas manggis. Perubahan nilai MAP pada penciri morfologi mengalami penurunan, hal tersebut dapat dilihat dari nilai awal MAP yaitu menjadi Kemudian untuk penciri tekstur tidak ada perubahan, sedangkan untuk Bayesian Network nilai awal MAP sebesar menjadi Perubahan nilai MAP pada kelas manggis tidak secara umum mengalami peningkatan maupun penurunan. 10
6 Kemudian Tabel 4 juga memberikan gambaran perbedaan antara nilai MAP yang diperoleh dari metode automatis dan metode manual. Pada metode automatis nilai MAP yang diperoleh adalah untuk penciri morfologi dan Bayesian Network. Pada metode manual nilai MAP yang diperoleh adalah untuk penciri morfologi dan untuk Bayesian Network. Selanjutnya untuk tabel perbandingan recallprecision dan MAP untuk kelas daun bisbul, cokelat, durian jambu biji, kepel, menteng dan nangka dapat dilihat pada Lampiran 3. Tabel 3 Perbandingan nilai recallprecision dan MAP kelas jambu biji Tanpa Lp dan Wp Automatis Manual Recall Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian MAP Tabel 4 Perbandingan nilai recallprecision dan MAP kelas manggis Tanpa Lp dan Wp Recall Automatis Manual Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian MAP
7 Secara umum adanya tambahan Lp dan Wp dapat meningkatkan nilai recallprecision serta MAP. Hal tersebut dapat dilihat pada Tabel 5 dan Tabel 6. Berdasarkan ciri morfologi, kelas daun yang mengalami peningkatan terjadi pada kelas alpukat, cokelat, durian, jambu biji, jambu bol, dan nangka. Peningkatan nilai ciri morfologi dikarenakan pada kelas daun tersebut memiliki ciri morfologi yang lebih beragam, sehingga adanya tambahan ciri physiological length dan physiological width memengaruhi nilai dari ciri morfologi secara umum (Tabel 5). Kelas daun yang mengalami penurunan terjadi pada kelas bisbul, jamblang, kepel, manggis, menteng. Penurunan nilai ciri morfologi dikarenakan pada kelas daun tersebut memiliki ciri morfologi yang lebih seragam, sehingga adanya tambahan ciri physiological length dan physiological width tidak begitu memengaruhi untuk peningkatan temu kembali secara umum (Tabel 5). Selanjutnya berdasarkan model Bayesian Network kelas daun yang mengalami peningkatan nilai terjadi pada kelas alpukat, cokelat, durian, jambu biji, jambu bol, menteng. Peningkatan pada nilai ciri morfologi dikarenakan nilai ciri morfologi pada kelas tersebut mengalami peningkatan (Tabel 5). Kelas daun yang mengalami penurunan terjadi pada kelas bisbul, jamblang, kepel, manggis, nangka. Penurunan pada nilai ciri model Bayesian Network dikarenakan nilai ciri morfologi pada kelas tersebut mengalami penurunan (Tabel 5). Pada Tabel 6 tersaji nilai precision rata-rata (MAP) dari setiap kelas daun. Nilai MAP terbesar terjadi pada kelas daun jamblang, sedangkan untuk nilai MAP terkecil terjadi pada kelas daun kepel. Tabel 5 Nilai perubahan ciri morfologi dengan tambahan Lp dan Wp Kelas Delta Delta Morfologi Bayesian Alpukat Bisbul Cokelat Durian Jamblang Jambu biji Jambu Bol Kepel Manggis Menteng Nangka Gambar 14 memberikan gambaran bahwa secara umum nilai precision rata-rata (MAP) dari seluruh kelas meningkat untuk ciri morfologi dan untuk ciri dengan model Bayesian Network. Peningkatan secara signifikan tejadi pada titik recall 0.1 sampai dengan 0.5, sedangkan untuk titik 0.6 sampai dengan 1 memiliki kecenderungan nilai yang sama. Tabel 6 Perbandingan nilai precision rata-rata (MAP) dengan adanya tambahan Lp dan Wp Kelas Tanpa Lp dan Wp (Annisa 2009) Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Alpukat Bisbul Cokelat Durian Jamblang Jambu biji Jambu Bol Kepel Manggis Menteng Nangka
8 Grafik perbandingan nilai rata-rata Morfologi, Tekstur dan Bayesian Precision Recall Morfologi Tekstur Bayesian Morfologi dengan Lp dan Wp Tekstur dengan Lp dan Wp Bayesian dengan Lp dan Wp Gambar 14 Grafik perbandingan recall precision menggunakan ciri morfologi, tekstur, dan model Bayesian Network. Hasil Uji Statistika Data yang digunakan untuk uji statistika ialah data physiological length yang diperoleh dengan metode automatis dan metode manual. Uji Levene digunakan untuk menguji apakah nilai ragam kedua data yang diasumsikan memilki kesamaan atau tidak. H 0 mengasumsikan kedua populasi memiliki ragam sama sedangkan H 1 mengasumsikan kedua populasi memiliki ragam berbeda. Hasil dari uji Levene didapat nilai sig (p-value) adalah yang lebih besar dari nilai α yaitu Berdasarkan hal tersebut maka hipotesi nol (H 0 ) diterima, artinya kedua data memiliki nilai ragam yang sama. Selanjutnya uji-t digunakan untuk menguji apakah kedua data berbeda signifikan atau tidak. H 0 mengasumsikan bahwa kedua data tidak berbeda signifikan, sedangkan H 1 mengasumsikan bahwa kedua data berbeda. Dari hasil uji-t didapatkan nilai sig (p-value) adalah 0.118, nilai tersebut lebih besar dari nilai α yaitu Berdasarkan hal tersebut maka hipotesis nol (H 0 ) diterima, artinya kedua data tidak berbeda signifikan. Dengan kata lain dapat disimpulkan bahwa metode automatis dan manual memiliki keakuratan yang sama. Hasil uji statistika dapat dilihat pada Lampiran 4. KESIMPULAN DAN SARAN Kesimpulan Penelitian ini merupakan bagian dari solusi akan kebutuhan identifikasi daun. Pendekatan yang digunakan ialah ekstraksi ciri morfologi dengan tambahan physiological length dan physiological width beserta turunanya yaitu, aspect ratio, rectangularity, narrow factor, dan perimeter ratio of physiological length and physiological width. Hasil precision rata-rata (MAP) dari ekstraksi ciri morfologi adalah , kemudian hasil ektraksi tekstur adalah dan hasil Bayesian Network adalah Hasil tersebut menunjukkan bahwa adanya peningkatan nilai precision rata-rata (MAP) sebesar untuk ciri morfologi dan untuk model Bayesian Network. Saran Hasil temu kembali informasi dengan pendekatan ciri morfologi dan tekstur serta gabungan keduanya dapat meningkatkan nilai precision, penelitian selanjutnya disarankan dapat mengunakan PNN untuk meningkatkan nilai kedekatan antara citra kueri dan citra basis data pada proses penemuan kembali citra helai daun. 13
PENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang ENDHULUN Saat ini kemampuan untuk dapat mengidentifikasi dan mengklasifikasi daun menadi kebutuhan yang besar bagi taksonomis dalam mengetahui keanekaragaman tanaman (Hickey et al 999).
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang ENDHULUN Dalam ilmu biologi dan kehutanan, diketahui terdapat banyak enis daun dengan karakteristik (ciri) yang berbeda-beda. Hal tersebut menyebabkan sulitnya untuk melakukan pengenalan
Lebih terperinciEKSTRAKSI CIRI MORFOLOGI DAN TEKSTUR UNTUK TEMU KEMBALI CITRA HELAI DAUN ANNISA
EKSTRAKSI CIRI MORFOLOGI DAN TEKSTUR UNTUK TEMU KEMBALI CITRA HELAI DAUN ANNISA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2009 i EKSTRAKSI CIRI
Lebih 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 terperinciHASIL DAN PEMBAHASAN. Gambar 7 Diagram alur proses mutasi.
5 Mulai HASIL DAN PEMBAHASAN Kromosom P = rand [0,1] Ya P < Pm R = random Gen(r) dimutasi Selesai Tidak Gambar 7 Diagram alur proses mutasi. Hasil populasi baru yang terbentuk akan dievaluasi kembali dan
Lebih terperinciIII METODOLOGI PENELITIAN
13 III METODOLOGI PENELITIAN 3.1 Kerangka Penelitian Penelitian dilakukan dalam lima tahapan utama, yaitu ekstraksi frame video, ekstraksi fitur SIFT dari seluruh frame, pembentukan kantong kata visual
Lebih terperinciBAB III METODELOGI PENELITIAN
BAB III METODELOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan penelitian merupakan bagian yang berisi rancangan yang akan dilakukan dalam penelitian. Dimana tahap-tahapan pembangunan sistem ini dapat dilihat
Lebih terperinciHASIL DAN PEMBAHASAN. B fch a. d b
7 dengan nilai σ yang digunakan pada tahap pelatihan sebelumnya. Selanjutnya dilakukan perhitungan tingkat akurasi SVM terhadap citra yang telah diprediksi secara benar dan tidak benar oleh model klasifikasi.
Lebih terperinciIdentifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ)
Identifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ) Sutarno Rouzan Fiqri Abdullah Rossi Passarella Jurusan Sistem
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN Latar Belakang Tanaman merupakan bagian penting dalam ekosistem, berbagai jenis tanaman telah digunakan selama berabad-abad dalam bidang pangan, papan, maupun obat-obatan. Gloria Samantha
Lebih terperinciIDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA
IDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
Lebih terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih 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 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 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 terperinciLEMBAR PENGESAHAN TUGAS AKHIR...
DAFTAR ISI HALAMAN SAMPUL... i HALAMAN JUDUL... ii PERNYATAAN... iii LEMBAR PENGESAHAN TUGAS AKHIR... iv BERITA ACARA TUGAS AKHIR... v KATA PENGANTAR... vi ABSTRAK... vii ABSTRACT... viii DAFTAR ISI...
Lebih terperinciIDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN K-NEAREST NEIGHBOUR DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN M BANGKIT PRATAMA
IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN K-NEAREST NEIGHBOUR DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN M BANGKIT PRATAMA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciBAB 4 HASIL PENELITIAN DAN PEMBAHASAN. Berikut ini adalah contoh tampilan hasil dari kueri:
BAB 4 HASIL PENELITIAN DAN PEMBAHASAN 4.1 Proses Retrival Berikut ini adalah contoh tampilan hasil dari kueri: 1. Kategori Buah Gambar 4.1 Hasil kueri kategori buah dengan metode histogram warna 55 56
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Bab ini menjelaskan mengenai tahapan analisis dan perancangan sistem yang akan dikembangkan, yaitu Sistem Identifikasi Buron. Bab ini terbagi atas 5 bagian yang
Lebih terperinciPERBANDINGAN KINERJA PEMBOBOTAN CIRI PADA TEMU KEMBALI CITRA MENGGUNAKAN BAYESIAN NETWORK DAN ALGORITME GENETIKA FACHRIZAL
PERBANDINGAN KINERJA PEMBOBOTAN CIRI PADA TEMU KEMBALI CITRA MENGGUNAKAN BAYESIAN NETWORK DAN ALGORITME GENETIKA FACHRIZAL DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciIDENTIFIKASI DAUN SHOREA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN NORMALISASI FITUR MORFOLOGI DAUN ALITA WULAN DINI
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN NORMALISASI FITUR MORFOLOGI DAUN ALITA WULAN DINI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Pada bab pendahuluan ini akan diuraikan penjelasan mengenai latar belakang penelitian, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Pada bagian ini penulis akan menganalisa kebutuhan kebutuhan dalam membuat program ini. Setelah semua kebutuhan selesai dianalisa, maka penulis akan melanjutkan ke tahap
Lebih terperinciV HASIL DAN PEMBAHASAN
22 V HASIL DAN PEMBAHASAN 5.1 Karakteristik Video dan Ektraksi Frame Video yang digunakan di dalam penelitian ini merupakan gabungan dari beberapa cuplikan video yang berbeda. Tujuan penggabungan beberapa
Lebih terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui tahapan awal didalam sebuah sistem pendeteksian filter sobel. Didalam aplikasi filter sobel ini
Lebih terperinciMETODE PENELITIAN. Gambar 2 Metodologi penelitian.
4 penelitian i, kata diasosiasikan dengan anotasi citra (kata) dan dokumen diasosiasikan dengan citra. Matriks kata-citra tersebut didekomposisi meadi : A USV T dengan A adalah matriks kata-citra, matriks
Lebih terperinciPanjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan,
Panjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan, misalnya penggabungan, +, maka panjang bin yang dihasilkan sebesar 28 bin. 2. Penggabungan operator dengan, Setiap histogram
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 1 Operator descriptor
Tabel 1 Operator descriptor Operator (P, R) Ukuran Blok (piksel) Kuantisasi Sudut (8, 1) 3 x 3 45 derajat (8, 2) 5 x 5 45 derajat (16, 2) 5 x 5 22.5 derajat (24, 3) 7 x 7 15 derajat Penentuan ukuran blok
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah
BAB 3 METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Prosesor Intel (R) Atom (TM) CPU N550
Lebih 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 terperinciPengenalan Spesies Tanaman Berdasarkan Bentuk Daun Menggunakan Metode Klasifikasi Move Median Center (MMC) Hypersphere
PRESENTASI TUGAS AKHIR Pengenalan Spesies Tanaman Berdasarkan Bentuk Daun Menggunakan Metode Klasifikasi Move Median Center (MMC) Hypersphere Yusuf Ardiansjah (5107100156) Dosen Pembimbing : Nanik Suciati,
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN
4 BAB HASIL DAN PEMBAHASAN Ada tiga tahap utama yang dilakukan pada percobaan ini yaitu ektraksi ciri, pelatihan dan pengujian JST. Percobaan dilakukan dengan mengkombinasikan data hasil ekstraksi ciri
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 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 terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN 4.1 Analisa Analisa merupakan tahapan yang sangat penting dalam melakukan penelitian. Tahap analisa yaitu proses pembahasan persoalan atau permasalahan yang dilakukan sebelum
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Alur Metodologi Penelitian Berikut adalah alur metodologi penelitian yang akan digunakan dalam menyelesaikan penelitian tugas akhir ini : 3.2 Pengumpulan Data Gambar 3.1
Lebih terperinciPENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN NEURAL NETWORK DAN PEMROSESAN AWAL THINNING ZHANG SUEN
PENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN NEURAL NETWORK DAN PEMROSESAN AWAL THINNING ZHANG SUEN Chairisni Lubis 1) Yuliana Soegianto 2) 1) Fakultas Teknologi Informasi Universitas Tarumanagara Jl. S.Parman
Lebih terperinciKlasifikasi Tanaman berdasarkan Fitur Bentuk dan Tekstur pada Daun menggunakan Decision Tree
Klasifikasi Tanaman berdasarkan Fitur Bentuk dan Tekstur pada Daun menggunakan Decision Tree Ratih Kartika Dewi Universitas Brawijaya ratihkartikad@ub.ac.id ABSTRAK Pengenalan pola daun untuk klasifikasi
Lebih 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 terperinciHASIL DAN PEMBAHASAN. diformulasikan digunakan dalam proses temu kembali selanjutnya.
beberapa kata. Menurut Baeza-Yates dan Ribeiro-Neto (1999), tidak semua kata dapat digunakan untuk merepresentasikan sebuah dokumen secara signifikan Pemrosesan teks yang dilakukan dalam penelitian ini
Lebih terperinciIV. HASIL DAN PEMBAHASAN
26 IV. HASIL DAN PEMBAHASAN A. Pengukuran Parameter Mutu Jeruk Pontianak Secara Langsung Dari Hasil Pemutuan Manual Pemutuan jeruk pontianak secara manual dilakukan oleh pedagang besar dengan melihat diameter
Lebih terperincibeberapa tag-tag lain yang lebih spesifik di dalamnya.
metode mana yang lebih baik digunakan untuk memilih istilah ekspansi yang akan ditambahkan pada kueri awal. Lingkungan Implementasi Perangkat lunak yang digunakan untuk penelitian yaitu:. Windows Vista
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih terperinciBAB I PENDAHULUAN 1.1 LATAR BELAKANG. Tekstur adalah salah satu elemen dasar citra. Elemen dasar ini berupa ciriciri
1 BAB I PENDAHULUAN 1.1 LATAR BELAKANG Tekstur adalah salah satu elemen dasar citra. Elemen dasar ini berupa ciriciri atau sifat-sifat yang terdapat didalam citra dan membentuk suatu pola-pola dengan interval
Lebih terperinciSISTEM IDENTIFIKASI CITRA JENIS KUNYIT (Curcuma Domestica Val.) MENGGUNAKAN METODE KLASIFIKASI MINKOWSKI DISTANCE FAMILY
SISTEM IDENTIFIKASI CITRA JENIS KUNYIT (Curcuma Domestica Val.) MENGGUNAKAN METODE KLASIFIKASI MINKOWSKI DISTANCE FAMILY 1 Devi Puspita Sari (08018272), 2 Abdul Fadlil (0510076701) 1 Program Studi Teknik
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 1 Perhitungan recall-precision. ) adalah peluang kata i dalam dokumen setelah q j. p( i q j
3 p( i j ) adalah peluang kata i dalam dokumen setelah j diketahui (Adisantoso 1996). Hitung Relevansi Kata Pada tahap ini, dilakukan proses perhitungan setiap kata yang dinilai relevan dan tidak relevan
Lebih terperinciIDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN ASEP HARYONO
IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN ASEP HARYONO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciEKSTRAKSI FITUR BENTUK DAN VENASI CITRA DAUN DENGAN PEMODELAN FOURIER DAN B-SPLINE RAHMADHANI M
EKSTRAKSI FITUR BENTUK DAN VENASI CITRA DAUN DENGAN PEMODELAN FOURIER DAN B-SPLINE RAHMADHANI M DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2009
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.
Lebih terperinciBAB IV HASIL DAN PENGUJIAN. telah dibuat. Pengujian yang dilakukan adalah menguji proses region of interest
BAB IV HASIL DAN PENGUJIAN Bab ini menjelaskan tentang seluruh hasil pengujian dari aplikasi yang telah dibuat. Pengujian yang dilakukan adalah menguji proses region of interest (ROI) yaitu suatu proses
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 terperinciII TINJAUAN PUSTAKA. * adalah operasi konvolusi x dan y, adalah fungsi yang merepresentasikan citra output,
5 II INJAUAN PUSAKA.1 Fitur Scale Invariant Feature ransform (SIF) Fitur lokal ditentukan berdasarkan pada kemunculan sebuah objek pada lokasi tertentu di dalam frame. Fitur yang dimaksudkan haruslah bersifat
Lebih terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih 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 terperincii. Perangkat Keras Prosesor Intel Pentium(R) Dual-Core CPU 2.20 GHz
Data yang pada awalnya berupa chanel stereo diubah ke dalam chanel mono. Kemudian data tersebut disimpan dengan file berekstensi WAV. Praproses Pada tahap ini dilakukan ekstraksi ciri menggunakan metode
Lebih terperincidan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. akurasi =.
dan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. Gambar 5 Macam-macam bentuk partisi citra. Ekstraksi Fitur Pada tahap ini semua partisi dari citra dihitung
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Rancangan Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau informasi
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. perhitungan LSI dan juga interface yang akan dibuat oleh penulis.
BAB 3 PROSEDUR DAN METODOLOGI Pada Bab ini, penulis akan membahas mengenai prosedur dan metodologi seperti perhitungan LSI dan juga interface yang akan dibuat oleh penulis. 3.1 Sistem CBIR Gambar 3.1 Sistem
Lebih terperinciBAB II LANDASAN TEORI
16 BAB II LANDASAN TEORI 2.1 Retrival Citra Saat ini telah terjadi peningkatan pesat dalam penggunaan gambar digital. Setiap hari pihak militer maupun sipil menghasilkan gambar digital dalam ukuran giga-byte.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Digital 2.1.1 Pengertian Citra Digital Citra digital didefinisikan sebagai matriks berukuran N baris dan M kolom di mana elemen dari matriks merupakan suatu nilai yang menyatakan
Lebih terperinciBAB IV DESAI SISTEM. Tabel 4.1 Lingkungan Desain Perangkat Lunak Prosesor : Core 2 Duo, 2 GHz Memori : 2 GB
BAB IV DESAI SISTEM Pada bab ini akan dibahas mengenai perancangan dan pembuatan aplikasi perangkat lunak. Perangkat lunak yang akan dibuat pada tugas akhir ini adalah aplikasi HVF Pada perancangan sistem
Lebih terperinciBAB IV ANALISIS DAN PERANCANGAN SISTEM
BAB IV ANALISIS DAN PERANCANGAN SISTEM Bagian ini akan menjelaskan mengenai analisis dan perancangan sistem yang akan dikembangkan. 4.1 ANALISIS KEBUTUHAN Secara umum pengembangan Sistem Identifikasi Manusia
Lebih terperinciEKSTRAKSI CIRI WARNA, BENTUK DAN TEKSTUR UNTUK TEMU KEMBALI CITRA HEWAN IDALIANA KUSUMANINGSIH
EKSTRAKSI CIRI WARNA, BENTUK DAN TEKSTUR UNTUK TEMU KEMBALI CITRA HEWAN IDALIANA KUSUMANINGSIH DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2009
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
Lebih terperinciBAB III METODOLOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah:
BAB III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: PC dengan spesifikasi: a. Sistem Operasi : Microsoft Windows 10 Enterprise 64-bit
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan penelitian yang dilaksanakan ditunjukan pada Gambar 6. Akusisi Citra INPUT Citra Query Preprocessing Citra Pre processing Citra Ekstraksi Fitur
Lebih terperinci2.Landasan Teori. 2.1 Konsep Pemetaan Gambar dan Pengambilan Data.
6 2.Landasan Teori 2.1 Konsep Pemetaan Gambar dan Pengambilan Data. Informasi Multi Media pada database diproses untuk mengekstraksi fitur dan gambar.pada proses pengambilan, fitur dan juga atribut atribut
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi berisi tahapan-tahapan yang dilakukan
Lebih terperinciUJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES
1 Uji Kinerja Face Recognition Menggunakan Eigenfaces UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES ABDUL AZIS ABDILLAH 1 1STKIP Surya, Tangerang, Banten, abdillah.azul@gmail.com Abstrak. Pada paper
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Dalam penelitian ini diperlukan sebuah desain dan metode penelitian agar dalam pelaksanaaannya dapat menjadi lebih teratur dan terurut. 3.1. Desain Penelitian Bentuk dari desain
Lebih terperinciEkstraksi Ciri Citra Batik Berdasarkan Tekstur Menggunakan Metode Gray Level Co Occurrence Matrix
Ekstraksi Ciri Citra Batik Berdasarkan Tekstur Menggunakan Metode Gray Level Co Occurrence Matrix Rizky Andhika Surya, Abdul Fadlil, Anton Yudhana Magister Teknik Informatika Universitas Ahmad Dahlan Yogyakarta,
Lebih terperinciPengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN)
Pengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN) Iman Ilmawan Muharam Manajemen Sistem Informasi Universitas Gunadarma Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat ilmawan@sta.gunadarma.ac.id
Lebih terperinciSELEKSI FITUR MENGGUNAKAN EKSTRAKSI FITUR BENTUK, WARNA, DAN TEKSTUR DALAM SISTEM TEMU KEMBALI CITRA DAUN
SELEKSI FITUR MENGGUNAKAN EKSTRAKSI FITUR BENTUK, WARNA, DAN TEKSTUR DALAM SISTEM TEMU KEMBALI CITRA DAUN Yuita Arum Sari 1), Ratih Kartika Dewi 2), Chastine Fatichah 3) 1, 2, 3) Jurusan Teknik Informatika,
Lebih terperinciDAFTAR ISI BAB II TINJAUAN PUSTAKA...4
DAFTAR ISI HALAMAN JUDUL...i PERNYATAAN BEBAS PLAGIARISME...ii HALAMAN PENGESAHAN...iii HALAMAN TUGAS...iv HALAMAN MOTTO...vi KATA PENGANTAR...vii DAFTAR ISI...ix DAFTAR TABEL...xiii DAFTAR GAMBAR...xv
Lebih terperinciBAB IV IMPLEMENTASI DAN HASIL PENGUJIAN
BAB IV IMPLEMENTASI DAN HASIL PENGUJIAN 4.1 Implementasi Aplikasi Bagian ini membahas implementasi aplikasi yang telah dibuat untuk dilakukan pengujian terhadap aplikasi sehingga akan diketahui hasil dari
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
32 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Pengukuran Precision Pada penelitian ini, eksperimen dilakukan terhadap 160 gambar ZuBuD yang terdiri dari 40 kategori gambar (setiap kategori terdiri atas 4 gambar).
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN 41 Analisa Analisa merupakan tahap paling utama dalam melakuakan penelitian Tahapan analisa digunakan untuk menganalisa permasalahan yang berhubungan dengan penelitian yang
Lebih terperinciBAB III METODOLOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: b. Memori : 8192 MB. c. Sistem Model : Lenovo G40-45
20 BAB III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : AMD A8-6410 APU (4 CPUs), ~2.0 GHz b. Memori : 8192
Lebih terperinciHASIL DAN PEMBAHASAN. sim(, )=
4 untuk dianggap relevan dengan istilah-istilah kueri tertentu dibandingkan dokumendokumen yang lebih pendek. Sehinggavektor dokumen perlu dinormalisasi. Ukuran kesamaan antara kueri Q dan dokumen D i
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi Penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi juga merupakan analisis teoritis mengenai
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Analisis dan perancangan sistem ini ditujukan untuk memberikan gambaran secara umum mengenai aplikasi yang akan dibuat. Hal ini berguna untuk menunjang pembuatan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem
21 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem pengenalan wajah ini yaitu input, proses dan output. Dengan input bahan penelitian
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Penggunaan citra yang semakin meningkat menimbulkan kebutuhan retrival citra yang juga semakin meningkat. Diperlukan suatu metode retrival citra yang efektif
Lebih terperinciIDENTIFIKASI VARIETAS DURIAN BERDASARKAN TEKSTUR DAUN MENGGUNAKAN K-NEAREST NEIGHBOR DENGAN CIRI STATISTICAL TEXTURES ROSITA TRI INDRATI
IDENTIFIKASI VARIETAS DURIAN BERDASARKAN TEKSTUR DAUN MENGGUNAKAN K-NEAREST NEIGHBOR DENGAN CIRI STATISTICAL TEXTURES ROSITA TRI INDRATI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan dan Praproses Data Kegiatan pertama dalam penelitian tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data sekunder
Lebih terperinciPROGRAM KREATIVITAS MAHASISWA
PROGRAM KREATIVITAS MAHASISWA Sistem Identifikasi Daun Tanaman Obat dengan Penggabungan Ciri Morfologi, Bentuk, dan Tekstur Menggunakan Probabilistic Neural Network pada Perangkat Mobile Bidang Kegiatan
Lebih terperinciEktraksi Fitur Citra Paru-Paru Menggunakan Gray Level Co-ocurance Matriks
Ektraksi Fitur Citra Paru-Paru Menggunakan Gray Level Co-ocurance Matriks Tri Deviasari Wulan Sistem Informasi, Fakultas Teknik, Universitas Nahdlatul Ulama Surabaya tridevi@unusa.ac.id ABSTRAK Penelitian
Lebih terperinciBAB V HASIL PENELITIAN DAN PEMBAHASAN
BAB V HASIL PENELITIAN DAN PEMBAHASAN 5.1 Data Uji Printer forensik merupakan suatu proses identifikasi untuk mengetahui asal dokumen bukti, cara yang dilakukan dengan membandingkan dengan ciri yang terdapat
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Indonesia merupakan negara megabiodiversity yang kaya akan tumbuhan obat yang sangat potensial untuk dikembangkan. Untuk keanekaragaman tanaman, Indonesia memiliki lebih dari
Lebih terperinciPENGENALAN SPESIES TANAMAN BERDASARKAN BENTUK DAUN MENGGUNAKAN METODE KLASIFIKASI MOVE MEDIAN CENTER (MMC) HYPERSPHERE
PENGENALAN SPESIES TANAMAN BERDASARKAN BENTUK DAUN MENGGUNAKAN METODE KLASIFIKASI MOVE MEDIAN CENTER (MMC) HYPERSPHERE Yusuf Ardiansjah 1, Nanik Suciati 2, Darlis Herumurti 3 1, 2, 3 Jurusan Teknik Informatika,
Lebih terperinciBAB III PROSEDUR DAN METODOLOGI. Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala
52 BAB III PROSEDUR DAN METODOLOGI 3.1 ANALISA MASALAH Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala melakukan proses retrival citra dan bagaimana solusi untuk memecahkan masalah
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN A. PROGRAM PENGOLAHAN CITRA BIJI KOPI Citra biji kopi direkam dengan menggunakan kamera CCD dengan resolusi 640 x 480 piksel. Citra biji kopi kemudian disimpan dalam file dengan
Lebih terperinciBAB V. IMPLEMENTASI DAN PENGUJIAN
BAB V. IMPLEMENTASI DAN PENGUJIAN Pada bab lima laporan Tugas Akhir ini, akan dijelaskan mengenai proses implementasi perangkat lunak dari hasil perancangan yang telah dilakukan sebelumnya. Selain itu,
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian menjelaskan bagaimana langkah-langkah atau tahapantahapan yang akan dilakukan dalam penelitian untuk dapat menjawab rumusan masalah penelitian. Tahapan
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 terperinci