BAB IV HASIL PENELITIAN DAN PEMBAHASAN
|
|
- Liana Indradjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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. Kumpulan citra tersebut kemudian diproses dengan melakukan pra pengolahan citra dan ekstraksi ciri yang akan menghasilkan nilai tertentu. Kumpulan citra dibagi menjadi citra latih dan citra uji dengan data set yang ditentukan dari 4-Fold Cross Validation. Metode Linear Discriminant Analysis dilakukan untuk melakukan proses latih. Pada tahap uji, data yang baru dipetakan pada model area latih sehingga hasilnya akan terletak pada area tertentu dan dapat terklasifikasi. 4.2 Hasil Pengambilan Data Pengambilan data dilakukan di Laboratorium Pasca Panen, Fakultas Pertanian, Universitas Muhammadiyah Yogyakarta. Total data yang digunakan adalah 120 citra. Dari data total 120 citra tersebut merupakan gabungan dari citra latih dan citra uji, dari 120 citra tersebut terdiri dari 60 citra rusak dan 60 citra tidak rusak. Citra ini mempunyai kualitas yang bervariasi yaitu: kelas ekstra, kelas I, dan kelas II. Kelas ekstra yaitu manggis yang bermutu super, kelas I yaitu manggis yang bermutu baik, kelas II yaitu manggis yang tidak termasuk dalam kelas ekstra dan kelas I. Contoh citra rusak dan tidak rusak ditampilkan pada Gambar
2 41 (a) Citra manggis rusak (b) Citra manggis tidak rusak Gambar 4. 1 Contoh citra manggis rusak dan tidak rusak 4.3 Hasil Perancangan Program Resize Citra Data diambil menggunakan kamera digital dengan jarak yang sama sekitar 50 cm dan resolusi yang sama. Pada pengambilan gamabar data, dalam satu foto berisi empat buat manggis pada kelas yang sama. Hal ini dilakukan untuk mempersingkat waktu pengambilan data. Kemudian dilakukan resize untuk masing-masing buah manggis dengan ukuran citra diubah menjadi 512x512 piksel. Hasil resize ditunjukan pada Gambar 4.3. (a) Citra manggis sebelum dicrop (b) Citra manggis setelah dicrop dan diresize Gambar 4. 2 Proses resize citra
3 Konversi RGB ke Grayscale Setelah citra diresize, mode warna citra diubah dari RGB (Red Green Blue) menjadi mode warna grayscale dengan tujuan untuk menyederhanakan citra input sehingga mengurangi waktu pemrosesan. Gambar citra grayscale dari permukaan buah manggis ditampilkan pada gambar 4.4 dan gambar 4.5 (a) Citra RGB (b) Citra grayscale Gambar 4. 3 Hasil konversi citra manggis rusak ke citra grayscale (a) Citra RGB (b) Citra grayscale Gambar 4. 4 Hasil konversi citra manggis tidak rusak ke citra grayscale Transformasi Curvelet Citra dalam format grayscale kemudian ditransformasi pada frekuensi subgambar dimana komponennya dihasilkan dengan cara menguraikan citra grayscale sehingga menghasilkan kurva-kurva nilai matriks dari citra gambar.
4 43 Dari transformasi curvelet yang telah dilakukan akan didapatkan nilai-nilai hasil transformasi curvelet. Nilai dari transformasi curvelet berisi informasi tentang dekomposisi dari citra hasil transformasi yang telah terkompresi. Hasil dari transformasi curvelet adalah beberapa buah koefisien yaitu coefficient curvelet dan curva dari coeficient curvelet yang disajikan pada gambar 4.6 dan gambar 4.7 (a) Citra grayscale rusak (b) Hasil transformasi curvelet Gambar 4. 5 Proses transformasi curvelet pada citra rusak (a) Citra grayscale tidak rusak (b) Hasil transformasi curvelet Gambar 4. 6 Proses transformasi curvelet pada citra tidak rusak Gambar 4.5 (b) merupakan citra hasil transformasi curvelet diskrit pada citra rusak, citra cacat tersebut di dekomposisi menggunakan transformasi curvelet dan menghasilkan koefisien curvelet. Koefisien curvelet tersusun dari
5 44 kurva-kurva yang terbentuk jadi satu. Dari kumpulan kurva tersebut menghasilkan nilai yang akan digunakan untuk menentukan nilai ekstraksi ciri dari citra rusak. Gambar 4.6 (b) merupakan citra hasil transformasi curvelet diskrit pada citra tidak rusak, citra tidak rusak tersebut di dekomposisi menggunakan transformasi curvelet dan menghasilkan koefisien curvelet. Dari hasil transformasi curvelet citra rusak dan tidak rusak terlihat sama secara fisik dan sulit dibedakan apakah citra tersebut rusak atau tidak karena sudah berbentuk irisan kurva-kurva yang secara kasat mata berbentuk sama. Nilai hasil transformasi curvelet selanjutnya digunakan untuk membentuk nilai ekstraksi ciri dari masing-masing citra Ekstraksi Ciri Ekstraksi ciri merupakan suatu proses pengambilan ciri unik dari citra permukaan manggis kedalam sebuah nilai tertentu. Ekstraksi ciri dihitung dari koefisien curvelet yang telah diperoleh dari proses transformasi curvelet dan akan menghasilkan nilai yang diperlukan. Hasil dari ekstraksi ciri ini akan digunakan sebagai bahan analisis untuk menentukan permukaan buah yang rusak atau tidak rusak.
6 45 a. Mean Mean merupakan nilai rata-rata atau rata-rata dari array. Input array, ditentukan sebagai vector, matriks, atau array multidimensi. Jika A adalah skalar, maka mean(a) returns A. Jika A adalah matriks dari 0 ke 0, berarti mean(a) returns NaN. Dimensi untuk beroperasi ditentukan sebagai skalar bilangan bulat positif. Jika tidak ada nilai yang ditentukan, maka defaultnya adalah dimensi array pertama yang ukurannya tidak sama dengan 1. Dimensi dim menunjukkan dimensi yang panjangnya menjadi 1. Ukuran (M,dim) adalah 1, sedangkan ukuran semua dimensi lainnya tetap sama. Pertimbangan array masukan dua dimensi, A. Jika dim = 1, maka mean (A, 1) returns sebuah vektor baris yang berisi mean elemen di setiap kolom. Gambar 4. 7 mean(a,1) Jika dim = 2, berarti (A, 2) returns vektor kolom yang berisi rata-rata elemen di setiap baris. Gambar 4. 8 mean(a,2)
7 46 Mean A ketika dim lebih besar dari ndims(a) atau bila ukuran (A,dim) adalah 1. Gambar 4. 9 Scatter plot citra ekstraksi ciri Mean Pada ekstraksi ciri mean menunjukkan grafik scatter dari nilai rata-rata kurva dari koefisien hasil transformasi curvelet diskrit. Sumbu X menunjukkan banyaknya gambar dari citra rusak dan tidak rusak, sedangkankan sumbu Y menunjukkan nilai rata-rata. Simbol x biru menunjukkan hasil nilai rata-rata dari citra tidak rusak, sedangkan simbol o merah menunjukkan hasil nilai rata-rata dari citra rusak. b. Energy Energy menyatakan tingkat keseragaman piksel-piksel suatu citra. Semakin tinggi nilai energy, maka semakin seragam teksturnya. Matlab
8 47 menerapkan operasi eksponensiasi ke setiap elemen vektor (atau matriks) secara terpisah, ini disebut sebagai elemen demi elemen eksponen. Gambar Scatter plot citra ekstraksi ciri Energy Pada ekstraksi ciri energy menunjukkan grafik scatter dari nilai energy hasil transformasi curvelet diskrit. Sumbu X menunjukkan banyaknya gambar dari citra rusak dan tidak rusak, sedangkankan sumbu Y menunjukkan nilai energy. Simbol x biru menunjukkan hasil nilai energy dari citra tidak rusak, sedangkan simbol o merah menunjukkan hasil nilai energy dari citra rusak. c. Entropy Entropy adalah ukuran statistik keacakan piksel-piksel suatu citra yang dapat digunakan untuk mengkarakterisasi tekstur gambar masukan. E = entropi(i) returns E, nilai skalar yang mewakili entropi citra grayscale I. Entropi adalah ukuran statistik keacakan yang dapat digunakan untuk mengkarakterisasi tekstur gambar masukan. Entropi didefinisikan sebagai
9 48 sum(p. log2 (p)), dimana p berisi jumlah histogram yang dikembalikan dari imhist. Secara default, entropi menggunakan dua bins untuk array logis dan 256 bins untuk uint8, uint16, atau double array. Fungsi entropi memperlakukannya sebagai gambar grayscale multidimensional dan bukan sebagai gambar RGB. Gambar Scatter plot citra ekstraksi ciri Entropy Pada ekstraksi ciri entropy menunjukkan grafik scatter dari nilai entropy hasil transformasi curvelet diskrit. Sumbu X menunjukkan banyaknya gambar dari citra rusak dan tidak rusak, sedangkankan sumbu Y menunjukkan nilai entropy. Simbol x biru menunjukkan hasil nilai entropy dari citra tidak rusak, sedangkan simbol o merah menunjukkan hasil nilai entropy dari citra rusak.
10 49 d. Standard Deviation Standar deviasi adalah akar kuadrat dari varian. Nilai standard deviation dihasilkan dari setiap nilai komponen kurva dari koefisien curvelet pada citra. Input array, ditentukan sebagai vektor, matriks, atau array multidimensi. Jika A adalah skalar, maka std(a) kembali 0. Jika A adalah array kosong dari 0 ke 0, maka std(a) returns NaN. Dimensi untuk beroperasi, ditentukan sebagai skalar bilangan bulat positif. Jika tidak ada nilai yang ditentukan, maka defaultnya adalah dimensi array pertama yang ukurannya tidak sama dengan 1. Dimensi dim menunjukkan dimensi yang panjangnya direduksi menjadi 1. Ukuran (S,dim) adalah 1, sedangkan ukuran semua dimensi lainnya tetap sama. Pertimbangan array masukan dua dimensi, A. Jika dim = 1, maka std(a,0,1)returns sebuah vektor baris yang berisi standard deviasi elemen di setiap kolom. Gambar std (A, 0,1) Jika dim = 2, maka std(a,0,2) returns vektor kolom yang berisi standard deviasi elemen pada setiap baris. Gambar std(a, 0, 2)
11 50 Jika dim lebih besar dari ndims(a), maka std(a) returns sebuah array angka nol dengan ukuran yang sama dengan A. Gambar Scatter plot citra ekstraksi ciri Standard Deviation Pada ekstraksi ciri standard deviation menunjukkan grafik scatter dari nilai standard deviation hasil transformasi curvelet diskrit. Sumbu X menunjukkan banyaknya gambar dari citra rusak dan tidak rusak, sedangkankan sumbu Y menunjukkan nilai standard deviation. Simbol x biru menunjukkan hasil nilai standard deviation dari citra tidak rusak, sedangkan simbol o merah menunjukkan hasil nilai standard deviation dari citra rusak. e. Variance Variance adalah kuadrat dari standar deviasi. Variance memberi ukuran deviasi sinyal dari nilai meannya. Input array, ditentukan sebagai vektor,
12 51 matriks, atau array multidimensi. Dimensi untuk beroperasi, ditentukan sebagai skalar bilangan bulat positif. Jika tidak ada nilai yang ditentukan, maka defaultnya adalah dimensi array pertama yang ukurannya tidak sama dengan 1. Dimensi dim menunjukkan dimensi yang panjangnya direduksi menjadi 1. Ukuran (V,dim) adalah 1, sedangkan ukuran semua dimensi lainnya tetap sama. Pertimbangan array masukan dua dimensi, A. Jika dim = 1, maka var(a,0,1) returns vektor baris yang berisi varians elemen di setiap kolom. Gambar var (A, 0,1) Jika dim = 2, maka var(a, 0,2) returns vektor kolom yang berisi varians elemen di setiap baris. Gambar var (A, 0,2) var returns sebuah array angka nol dengan ukuran yang sama dengan A ketika dim lebih besar dari ndims(a).
13 52 Gambar Scatter plot citra ekstraksi ciri Variance Pada ekstraksi ciri variance menunjukkan grafik scatter dari nilai variance hasil transformasi curvelet diskrit. Sumbu X menunjukkan banyaknya gambar dari citra rusak dan tidak rusak, sedangkankan sumbu Y menunjukkan nilai variance. Simbol x biru menunjukkan hasil nilai variance dari citra tidak rusak, sedangkan simbol o merah menunjukkan hasil nilai variance dari citra rusak. f. Sum Sum merupakan jumlah elemen array. Input array, ditentukan sebagai vektor, matriks, atau array multidimensi. Jika A adalah skalar, maka sum(a) returns A. Jika A adalah matriks 0 ke 0, maka sum(a) akan returns 0. Dimensi untuk beroperasi, ditentukan sebagai skalar bilangan bulat positif. Jika tidak ada nilai yang ditentukan, maka defaultnya adalah dimensi array pertama yang ukurannya tidak sama dengan 1. Dimensi dim menunjukkan
14 53 dimensi yang panjangnya direduksi menjadi 1. Ukuran (S, dim) adalah 1, sedangkan ukuran semua dimensi lainnya tetap sama. Pertimbangkan array masukan dua dimensi, A. sum(a,1) beroperasi pada elemen berturutan di kolom A dan returns vektor baris dari jumlah setiap kolom. Gambar sum(a,1) sum(a,2) beroperasi pada elemen berturutan di baris A dan returns vektor kolom dari jumlah setiap baris. Gambar sum(a,2) sum returns A bila dim lebih besar dari ndims(a) atau bila ukuran (A,dim) adalah 1.
15 54 Gambar Scatter plot citra ekstraksi ciri Sum Pada ekstraksi ciri sum menunjukkan grafik scatter dari nilai sum hasil transformasi curvelet diskrit. Sumbu X menunjukkan banyaknya gambar dari citra rusak dan tidak rusak, sedangkankan sumbu Y menunjukkan nilai sum. Simbol x biru menunjukkan hasil nilai sum dari citra tidak rusak, sedangkan simbol o merah menunjukkan hasil nilai sum dari citra rusak. g. Correlation Correlation menyatakan ukuran hubungan linear dari nilai graylevel piksel ketetanggan. Blok korelasi menghitung korelasi silang dua array input N-D sepanjang dimensi pertama. Perhitungannya bisa dilakukan dalam domain waktu atau domain frekuensi. Anda dapat menentukan domain melalui parameter domain komputasi. Dalam domain waktu, blok tersebut menggabungkan sinyal masukan pertama, u, dengan konjugat kompleks yang
16 55 terbentuk dari sinyal input kedua, v. Dalam domain frekuensi, untuk menghitung korelasi silang. Gambar Scatter plot citra ekstraksi ciri Correlation Pada ekstraksi ciri correlation menunjukkan grafik scatter dari nilai correlation hasil transformasi curvelet diskrit. Sumbu X menunjukkan banyaknya gambar dari citra rusak dan tidak rusak, sedangkankan sumbu Y menunjukkan nilai correlation. Simbol x biru menunjukkan hasil nilai correlation dari citra tidak rusak, sedangkan simbol o merah menunjukkan hasil nilai correlation dari citra rusak. h. Contrast Contrast menyatakan kandungan variasi lokal pada citra. Semakin tinggi nilai contrast maka semakin tinggi tingkat kekontrasannya. Fungsi kontras meningkatkan kontras gambar. Ini menciptakan colormap abu-abu baru, cmap, yang memiliki distribusi intensitas yang hamper sama. Ketiga elemen
17 56 di setiap baris identik. cmap = contrast(x) returns colormap abu-abu yang panjangnya sama dengan colormap saat ini. Jika ada unsur NaN atau Inf di X, panjang colormap meningkat. cmap = contrast(x,m) returns colormap abu-abu m-by-3. Gambar Scatter plot citra ekstraksi ciri Contrast Pada ekstraksi ciri contrast menunjukkan grafik scatter dari nilai contrast hasil transformasi curvelet diskrit. Sumbu X menunjukkan banyaknya gambar dari citra rusak dan tidak rusak, sedangkankan sumbu Y menunjukkan nilai contrast. Simbol x biru menunjukkan hasil nilai contrast dari citra tidak rusak, sedangkan simbol o merah menunjukkan hasil nilai contrast dari citra rusak. i. Homogeneity Homogeneity menyatakan ukuran kedekatan setiap elemen dari cooccurrence matrix. Homogeneity menjelaskan sifat-sifat kumpulan data, atau beberapa kumpulan data. Hubungan dengan keabsahan asumsi yang sering kali mudah bahwa sifat statistik dari satu bagian dari keseluruhan dataset sama dengan bagian lainnya. Dalam meta-analisis, yang menggabungkan data
18 57 dari beberapa penelitian, homogenitas mengukur perbedaan atau kesamaan antara beberapa penelitian. Gambar Scatter plot citra ekstraksi ciri Homogeneity Pada ekstraksi ciri homogeneity menunjukkan grafik scatter dari nilai homogeneity hasil transformasi curvelet diskrit. Sumbu X menunjukkan banyaknya gambar dari citra rusak dan tidak rusak, sedangkankan sumbu Y menunjukkan nilai homogeneity. Simbol x biru menunjukkan hasil nilai homogeneity dari citra tidak rusak, sedangkan simbol o merah menunjukkan hasil nilai homogeneity dari citra rusak. Dari hasil ekstraksi ciri dapat disimpulkan bahwa ekstraksi ciri dengan variance dan standard deviation memiliki perbedaan nilai yang lebih terlihat antara citra rusak dan citra tidak rusak. Sehingga dapat digunakan untuk menentukan nilai akurasi yang lebih sesuai dengan nilai akurasi secara manual.
19 Klasifikasi dan Validasi Dalam penelitian ini klasifikasi menggunakan Linear Discriminant Analysis (LDA) dan menggunakan validai 4-Fold Cross Validation. Data yang dipakai pada penelitian ini yaitu 120 citra. Data tersebut digunakan pada dua tahapan dalam klasifikasi yaitu tahap latih/training dan tahap uji/testing. Dari 120 data tersebut terdiri dari 60 citra rusak dan 60 citra tidak rusak. Kemudian data tersebut dibagi menjadi 4 fold dengan masing-masing fold terdapat 30 citra dari kombinasi 15 citra rusak dan 15 citra tidak rusak. Pembagian kelas ini bertujuan untuk mempermudah proses validasi sehingga menghasilkan akurasi yang maksimal. Setelah mendapatkan data hasil dari ekstraksi ciri, selanjutnya data ekstraksi ciri tersebut disimpan dalam database dengan ekstansi file.mat. Setelah data tersimpan, data ekstraksi ciri dilatih dengan menggunakan fungsi LDATrain untuk menghasilkan data latih, kemudian data latih digunakan untuk menguji citra uji. a. Hasil Klasifikasi dan Validasi Fold-1 Pada fold-1 data latih berjumlah 120 citra yang terdiri dari 60 citra rusak dan 60 citra tidak rusak. Sedangkan data uji berjumlah 30 citra. Tahap klasifikasi pada fold-1 menggunakan model LDA yaitu nilai dari setiap ekatraksi ciri untuk menghasilkan data latih. Berikut plot hasil ke-9 ekstraksi ciri dari fold-1:
20 59 (a) Plot mean fold-1 (b) Plot energy fold-1 (c) Plot entropy fold-1 (d) Plot standard deviation fold-1 (e) Plot variance fold-1 (f) Plot sum fold-1
21 60 (g) Plot correlation fold-1 (h) Plot contrast fold-1 (i) Plot homogeneity fold-1 Gambar Plot ekstraksi ciri fold-1 Hasil dari ekstraksi ciri fold-1 ditunjukan pada gambar 4.16 (d) dan (e) yaitu data ekstraksi ciri standard deviation dan variance memiliki sebaran data dengan pola yang terpisah berdasarkan klasifikasi citra rusak dan tidak rusak sehingga pada pola grafik tidak saling berhimpitan, sedangkan untuk data ekstraksi ciri yang lain yaitu mean, energy, entropy, sum, correlation, contrast, dan homogeneity memiliki sebaran data pola yang belum terpisah berdasarkan klasifikasi citra rusak dan tidak rusak sehingga pada plot grafik saling berhimpitan.
22 61 Dari data latih/training fold-1 akan digunakan sebagai data uji untuk pengklasifikasian citra. Hasil pada tahap ini adalah program menghasilkan jumlah akurasi data pada flod-1. Berikut tabel hasil akurasi dari proses pengujian pada citra uji fold-1 Tabel 4. 1 Hasil akurasi fold-1 Ekstraksi Ciri Hasil Deteksi Jumlah Tidak Rusak Total Error Rusak Akurasi Mean % Energy ,3% Entropy ,7% Standard Deviation % Variance ,7% Sum % Correlation % Contrast ,3% Homogeneity ,6% Dari data tabel 4.1 diperoleh akurasi pengujian dari citra uji pada fold-1. Dari masing-masing ekstraksi ciri terdapat error saat pengujian. Ada beberapa citra yang secara visual diklasifikasi sebagai citra rusak, sedangkan hasil pengujian menggunakan program diklasifikasi sebagai citra tidak rusak. Persamaan nilai akurasi pada beberapa fitur terjadi karena faktor pencahayaan pada saat pengambilan data yang mempengaruhi ekstraksi ciri citra.
23 62 b. Hasil Klasifikasi dan Validasi Fold-2 Pada fold-2 data latih berjumlah 120 citra yang terdiri dari 60 citra rusak dan 60 citra tidak rusak. Sedangkan data uji berjumlah 30 citra. Tahap klasifikasi pada fold-2 menggunakan model LDA yaitu nilai dari setiap ekatraksi ciri untuk menghasilkan data latih. Berikut plot hasil ke-9 ekstraksi ciri dari fold-2: (a) Plot mean fold-2 (b) Plot energy fold-2 (c) Plot entropy fold-2 (d) Plot standard deviation fold-2
24 63 (e) Plot variance fold-2 (f) Plot sum fold-2 (g) Plot correlation fold-2 (h) Plot contrast fold-2 (i) Plot homogeneity fold-2 Gambar Plot ekstraksi ciri fold-2
25 64 Hasil dari ekstraksi ciri fold-2 ditunjukan pada gambar 4.17 (c), (d) dan (e) yaitu data ekstraksi ciri entropy, standard deviation dan variance memiliki sebaran data dengan pola yang terpisah berdasarkan klasifikasi citra rusak dan tidak rusak sehingga pada pola grafik tidak saling berhimpitan, sedangkan untuk data ekstraksi ciri yang lain yaitu mean, energy, sum, correlation, contrast, dan homogeneity memiliki sebaran data pola yang belum terpisah berdasarkan klasifikasi citra rusak dan tidak rusak sehingga pada plot grafik saling berhimpitan. Dari data latih/training fold-2 akan digunakan sebagai data uji untuk pengklasifikasian citra. Hasil pada tahap ini adalah program menghasilkan jumlah akurasi data pada flod-2. Berikut tabel hasil akurasi dari proses pengujian pada citra uji fold-2 Tabel 4. 2 Hasil akurasi fold-2 Ekstraksi Ciri Hasil Deteksi Jumlah Tidak Rusak Total Error Rusak Akurasi Mean % Energy ,7% Entropy ,7% Standard Deviation % Variance ,7% Sum % Correlation % Contrast ,3% Homogeneity % Dari data tabel 4.2 diperoleh akurasi pengujian dari citra uji pada fold-2. Dari masing-masing ekstraksi ciri terdapat error saat pengujian. Ada beberapa citra yang secara visual diklasifikasi sebagai citra rusak, sedangkan
26 65 hasil pengujian menggunakan program diklasifikasi sebagai citra tidak rusak. Persamaan nilai akurasi pada beberapa fitur terjadi karena faktor pencahayaan pada saat pengambilan data yang mempengaruhi ekstraksi ciri citra. c. Hasil Klasifikasi dan Validasi Fold-3 Pada fold-3 data latih berjumlah 120 citra yang terdiri dari 60 citra rusak dan 60 citra tidak rusak. Sedangkan data uji berjumlah 30 citra. Tahap klasifikasi pada fold-3 menggunakan model LDA yaitu nilai dari setiap ekatraksi ciri untuk menghasilkan data latih. Berikut plot hasil ke-9 ekstraksi ciri dari fold-3: (a) Plot mean fold-3 (b) Plot energy fold-3 (c) Plot entropy fold-3 (d) Plot standard deviation fold-3
27 66 (e) Plot variance fold-3 (f) Plot sum fold-3 (g) Plot correlation fold-3 (h) Plot contrast fold-3 (i) Plot homogeneity fold-3 Gambar Plot ekstraksi ciri fold-3
28 67 Hasil dari ekstraksi ciri fold-3 ditunjukan pada gambar 4.18 (c), (d) dan (e) yaitu data ekstraksi ciri entropy, standard deviation dan variance memiliki sebaran data dengan pola yang terpisah berdasarkan klasifikasi citra rusak dan tidak rusak sehingga pada pola grafik tidak saling berhimpitan, sedangkan untuk data ekstraksi ciri yang lain yaitu mean, energy, sum, correlation, contrast, dan homogeneity memiliki sebaran data pola yang belum terpisah berdasarkan klasifikasi citra rusak dan tidak rusak sehingga pada plot grafik saling berhimpitan. Dari data latih/training fold-3 akan digunakan sebagai data uji untuk pengklasifikasian citra. Hasil pada tahap ini adalah program menghasilkan jumlah akurasi data pada flod-3. Berikut tabel hasil akurasi dari proses pengujian pada citra uji fold-3 Tabel 4. 3 Hasil akurasi fold-3 Ekstraksi Ciri Hasil Deteksi Jumlah Tidak Rusak Total Error Rusak Akurasi Mean ,7% Energy % Entropy ,3% Standard Deviation % Variance % Sum ,7% Correlation % Contrast ,3% Homogeneity % Dari data tabel 4.3 diperoleh akurasi pengujian dari citra uji pada fold-3. Dari masing-masing ekstraksi ciri terdapat error saat pengujian. Ada beberapa citra yang secara visual diklasifikasi sebagai citra rusak, sedangkan hasil pengujian
29 68 menggunakan program diklasifikasi sebagai citra tidak rusak. Persamaan nilai akurasi pada beberapa fitur terjadi karena faktor pencahayaan pada saat pengambilan data yang mempengaruhi ekstraksi ciri citra. d. Hasil Klasifikasi dan Validasi Fold-4 Pada fold-4 data latih berjumlah 120 citra yang terdiri dari 60 citra rusak dan 60 citra tidak rusak. Sedangkan data uji berjumlah 30 citra. Tahap klasifikasi pada fold-4 menggunakan model LDA yaitu nilai dari setiap ekatraksi ciri untuk menghasilkan data latih. Berikut plot hasil ke-9 ekstraksi ciri dari fold-4: (a) Plot mean fold-4 (b) Plot energy fold-4 (c) Plot entropy fold-4 (d) Plot standard deviation fold-4
30 69 (e) Plot variance fold-4 (f) Plot sum fold-4 (g) Plot correlation fold-4 (h) Plot contrast fold-4 (i) Plot homogeneity fold-4 Gambar Plot ekstraksi ciri fold-4
31 70 Hasil dari ekstraksi ciri fold-4 ditunjukan pada gambar 4.18 (d), (e) dan (f) yaitu data ekstraksi ciri standard deviation, variance dan sum memiliki sebaran data dengan pola yang terpisah berdasarkan klasifikasi citra rusak dan tidak rusak sehingga pada pola grafik tidak saling berhimpitan, sedangkan untuk data ekstraksi ciri yang lain yaitu mean, energy, entropy, correlation, contrast, dan homogeneity memiliki sebaran data pola yang belum terpisah berdasarkan klasifikasi citra rusak dan tidak rusak sehingga pada plot grafik saling berhimpitan. Dari data latih/training fold-4 akan digunakan sebagai data uji untuk pengklasifikasian citra. Hasil pada tahap ini adalah program menghasilkan jumlah akurasi data pada flod-4. Berikut tabel hasil akurasi dari proses pengujian pada citra uji fold-4 Tabel 4. 4 Hasil akurasi fold-4 Ekstraksi Ciri Hasil Deteksi Jumlah Tidak Rusak Total Error Rusak Akurasi Mean ,3% Energy % Entropy ,3% Standard Deviation ,7% Variance % Sum ,3% Correlation % Contrast ,7% Homogeneity ,7%
32 71 Dari data tabel 4.4 diperoleh akurasi pengujian dari citra uji pada fold-4. Dari masing-masing ekstraksi ciri terdapat error saat pengujian. Ada beberapa citra yang secara visual diklasifikasi sebagai citra rusak, sedangkan hasil pengujian menggunakan program diklasifikasi sebagai citra tidak rusak. Persamaan nilai akurasi pada beberapa fitur terjadi karena faktor pencahayaan pada saat pengambilan data yang mempengaruhi ekstraksi ciri citra. 4.4 Hasil Pengujian Hasil pengujian dilakukan pada 120 citra yang terdiri dari 60 citra rusak dan 60 citra tidak rusak yang dibagi menjadi 4-fold menggunakan klasifikasi LDA dan validasi 4-Fold Cross Validation. Masing-masing fold diuji sehingga menghasilkan persentase akurasi keseluruhan dari ke-4 fold. Secara lengkap persentase akurasi keseluruhan dirunjukan pada tabel 4.5 Tabel 4. 5 Hasil Pengujian Persentase Akurasi Ekstraksi Ciri Hasil Persentase Akurasi Fold 1 Fold 2 Fold 3 Fold 4 Rerata Mean 80% 80% 76,7% 83,3% 80% Energy 73,3% 76,7% 70% 90% 77,5% Entropy 76,7% 76,7% 73,3% 83,3% 77,5% Standard Deviation 90% 90% 90% 96,7% 91,7% Variance 86,7% 86,7% 90% 90% 88,4% Sum 80% 80% 76,7% 83,3% 80% Correlation 50% 50% 50% 50% 50% Contrast 73,3% 73,3% 63,3% 76,7% 71,7% Homogeneity 76,7% 80% 80% 86,7% 80,8% Secara keseluruhan dapat disimpulkan pengujian pada 120 citra uji yang terbagi atas 4-fold cross validation menghasilkan akurasi yang beragam dari setiap ekstraksi ciri. Pada ekstraksi ciri mean didapat rata-rata dari fold-1 sampai
33 72 fold-4 yaitu 80%, energy menghasilkan rata-rata sebesar 77.5%, entropy menghasilkan rata-rata sebesar 77.5%, standard deviation menghasilkan rata-rata sebesar 91.7%, variance menghasilkan rata-rata sebesar 88.4%, sum menghasilkan rata-rata sebesar 80%, correlation menghasilkan rata-rata sebesar 50%, contrast menghasilkan rata-rata sebesar 71.7%, dan homogeneity menghasilkan rata-rata sebesar 80.8%. Dari ke sembilan ekstraksi ciri tersebut ekstraksi ciri standard deviation dan variance memiliki nilai akurasi tertinggi, sehingga dapat digunakan dengan baik untuk membuat sistem pendeteksi kualitas permukaan buah manggis.
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem yaitu dengan melakukan pengambilan data berupa foto fisik dari permukaan buah manggis kemudian melakukan sampling data
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih terperinciBAB 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 IV HASIL PENELITIAN DAN PEMBAHASAN
35 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Implementasi GUI GUI diimplementasikan sesuai dengan program pengolah citra dan klasifikasi pada tahap sebelumya. GUI bertujuan untuk memudahkan pengguna mengidentifikasi
Lebih 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 terperinciEKSTRAKSI CIRI TRANSFORMASI CURVELET DISKRIT UNTUK MENDETEKSI KERUSAKAN PERMUKAAN BUAH MANGGIS SKRIPSI
EKSTRAKSI CIRI TRANSFORMASI CURVELET DISKRIT UNTUK MENDETEKSI KERUSAKAN PERMUKAAN BUAH MANGGIS SKRIPSI Disusun Guna Memenuhi Persyaratan Untuk Mencapai Derajat Strata-1 Pada Prodi Teknik Informatika Fakultas
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. fold Cross Validation, metode Convolutional neural network dari deep learning
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Program P rinsip kerja program yaitu dengan melakukan pra pengolahan citra terhadap foto fisik dari permukaan buah manggis agar ukuran seluruh data
Lebih 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 II STUDI PUSTAKA
BAB II STUDI PUSTAKA 2.1 Tinjauan Pustaka Penelitian pengolahan citra menggunakan metode transformasi curvelet telah banyak dilakukan sebelumnya dengan berbagai macam klasifikasi yang digunakan, salah
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
23 BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan proses penelitian ditunjukkan pada Gambar 15 berikut. Mulai 96 citra stomata Ekstraksi fitur - RGB & Skala Keabuan Ekstraksi fitur - Wavelet
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 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 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 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 terperinciBAB III PENGOLAHAN DATA
BAB III PENGOLAHAN DATA Pengolahan data pada penelitian ini meliputi tahapan pengambilan data, penentuan titik tengah area yang akan menjadi sampel, pengambilan sampel, penentuan ukuran window subcitra
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB II STUDI PUSTAKA
BAB II STUDI PUSTAKA 2.1 Tinjauan Pustaka Tinjauan pustaka dilakukan sebagai acuan dan kajian terhadap penelitian ini. Dengan dilakukannya tinjauan pustaka terhadap penelitian-penelitian terdahulu yang
Lebih terperinciSuatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara.
Image Enhancement Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang bisa dilakukan misalnya dengan fungsi transformasi, operasi matematis,
Lebih 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 terperinciAnalisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital
Analisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital Nurul Fuad 1, Yuliana Melita 2 Magister Teknologi Informasi Institut Saint Terapan & Teknologi
Lebih terperinciBAB 4 PENGUJIAN DAN ANALISIS SISTEM
BAB 4 PENGUJIAN DAN ANALISIS SISTEM Bab ini akan membahas mengenai proses pengujian dari sistem yang dirancang terhadap beberapa citra dijital replika kulit. Pengujian terhadap sistem ini dilakukan untuk
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengenalan Wajah Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem keamanan selain pengenalan retina mata, pengenalan sidik jari
Lebih terperinciBAB 4 HASIL DAN ANALISA
BAB 4 HASIL DAN ANALISA 4. Analisa Hasil Pengukuran Profil Permukaan Penelitian dilakukan terhadap (sepuluh) sampel uji berdiameter mm, panjang mm dan daerah yang dibubut sepanjang 5 mm. Parameter pemesinan
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 terperinciModel Citra (bag. 2)
Model Citra (bag. 2) Ade Sarah H., M. Kom Resolusi Resolusi terdiri dari 2 jenis yaitu: 1. Resolusi spasial 2. Resolusi kecemerlangan Resolusi spasial adalah ukuran halus atau kasarnya pembagian kisi-kisi
Lebih terperinciPendekatan Statistik Pada Domain Spasial dan Frekuensi untuk Mengetahui Tampilan Citra Yustina Retno Wahyu Utami 1)
ISSN : 1693 1173 Pendekatan Statistik Pada Domain Spasial dan Frekuensi untuk Mengetahui Tampilan Citra Yustina Retno Wahyu Utami 1) Abstrak Mean, standard deviasi dan skewness dari citra domain spasial
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciBAB III PERANCANGAN PERANGKAT LUNAK
BAB III PERANCANGAN PERANGKAT LUNAK 3.1. Sistem Pengenalan Gender Sistem pengenalan gender dalam skripsi ini dibuat dengan membandingkan 3 buah metode, yaitu 1 metode tanpa ekstraksi fitur yaitu subtraction
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 III METODE PENELITIAN. ada beberapa cara yang telah dilakukan, antara lain : akan digunakan untuk melakukan pengolahan citra.
BAB III METODE PENELITIAN Untuk pengumpulan data yang diperlukan dalam melaksanakan tugas akhir, ada beberapa cara yang telah dilakukan, antara lain : 1. Studi Kepustakaan Studi kepustakaan berupa pencarian
Lebih terperinciTEKNIK PENGOLAHAN CITRA. Kuliah 4 Pengolahan Titik (2) Indah Susilawati, S.T., M.Eng.
TEKNIK PENGOLAHAN CITRA Kuliah 4 Pengolahan Titik (2) Indah Susilawati, S.T., M.Eng. Program Studi Teknik Informatika Program Studi Sistem Informasi Fakultas Teknologi Informasi Universitas Mercu Buana
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan metode penelitian sebagai berikut: 1) Pengumpulan Data Tahap ini dilakukan sebagai langkah awal dari suatu penelitian. Mencari
Lebih terperinci3. BAB II STUDI PUSTAKA
3. BAB II STUDI PUSTAKA 2.1. Tinjauan Pustaka Tinjauan pustaka dilakukan sebagai acuan dan kajian terhadap penelitian ini, Dengan dilakukan tinjauan pustaka terhadap penelitian-penelitian terdahulu yang
Lebih terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Citra Citra merupakan salah satu komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Meskipun sebuah citra kaya akan informasi, namun sering
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Citra Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek. Citra sebagai keluaran suatu system perekaman data dapat bersifat optik berupa foto,
Lebih terperinciPRAPROSES CITRA MENGGUNAKAN KOMPRESI CITRA, PERBAIKAN KONTRAS, DAN KUANTISASI PIKSEL
PRAPROSES CITRA MENGGUNAKAN KOMPRESI CITRA, PERBAIKAN KONTRAS, DAN KUANTISASI PIKSEL Veronica Lusiana 1, Budi Hartono 2 1,2 Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Stikubank
Lebih terperinciPertemuan 2 Representasi Citra
/29/23 FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 2 Representasi Citra Representasi Citra citra Citra analog Citra digital Matrik dua dimensi yang terdiri
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Menginterprestasi sebuah citra untuk memperoleh diskripsi tentang citra tersebut melalui beberapa proses antara lain preprocessing, segmentasi citra, analisis
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah
BAB IV HASIL DAN PEMBAHASAN A. Data Sampel Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah sampel beras B, 1 buah sampel beras C, dan 2 buah sampel beras D. 1. Data Pengujian Mutu Beras
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 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 terperinciBAB II IDENTIFIKASI DAERAH TERKENA BENCANA MENGGUNAKAN TEKNOLOGI PENGINDERAAN JAUH
BAB II IDENTIFIKASI DAERAH TERKENA BENCANA MENGGUNAKAN TEKNOLOGI PENGINDERAAN JAUH Teknologi penginderaan jauh merupakan teknologi yang memegang peranan yang sangat penting dalam manajemen bencana salah
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 5, No. 1 (2016) 158-163 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone IDENTIFIKASI JENIS PENYAKIT DAUN TEMBAKAU MENGGUNAKAN METODE GRAY LEVEL
Lebih terperinci(IMAGE ENHANCEMENT) Peningkatan kualitas citra di bagi menjadi dua kategori yaitu :
(IMAGE ENHANCEMENT) Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagi cara. Tujuannya adalah untuk memproses citra yang dihasilkan lebih baik daripada
Lebih terperinciBAB II CITRA DIGITAL
BAB II CITRA DIGITAL DEFINISI CITRA Citra adalah suatu representasi(gambaran),kemiripan,atau imitasi dari suatu objek. DEFINISI CITRA ANALOG Citra analog adalahcitra yang bersifat kontinu,seperti gambar
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Citra Citra menurut kamus Webster adalah suatu representasi atau gambaran, kemiripan, atau imitasi dari suatu objek atau benda, contohnya yaitu foto seseorang dari kamera yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
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 PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB II TEORI DASAR PENGOLAHAN CITRA DIGITAL
BAB II TEORI DASAR PENGOLAHAN CITRA DIGITAL 2.1 Citra Secara harafiah, citra adalah representasi (gambaran), kemiripan, atau imitasi pada bidang dari suatu objek. Ditinjau dari sudut pandang matematis,
Lebih terperinciHALAMAN PERNYATAAN. Yogyakarta, Yang menyatakan, Fiddin Yusfida A la
HALAMAN PERNYATAAN Saya yang bertanda tangan di bawah ini: Nama : Fiddin Yusfida A la NIM : 20120140018 Program studi : Teknik Informatika Fakultas : Teknik Jenis karya : Skripsi Judul karya : Deteksi
Lebih terperinci5. IDENTIFIKASI JENIS TANAMAN. Pendahuluan
5. IDENTIFIKASI JENIS TANAMAN Pendahuluan Tujuan aplikasi berbasis sensor adalah melakukan penyemprotan dengan presisi tinggi berdasarkan pengamatan real time, menjaga mutu produk dari kontaminasi obat-obatan
Lebih terperinciWatermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital
JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2014) 1-6 1 Watermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital Latifatul Machbubah, Drs. Soetrisno, MI.Komp Jurusan Matematika, Fakultas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Citra (image) atau yang secara umum disebut gambar merupakan representasi spasial dari suatu objek yang sebenarnya dalam bidang dua dimensi yang biasanya ditulis dalam
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM
ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Dalam mengetahui suatu bahan jenis kulit cukup sulit karena bahan jenis kulit memeliki banyak jenis. Setiap permukaan atau tekstur dari setiap jenisnya
Lebih terperinciBAB I PENDAHULUAN. teknologi pengolahan citra (image processing) telah banyak dipakai di berbagai
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Citra (image) adalah bidang dalam dwimatra (dua dimensi) (Munir, 2004). Sebagai salah satu komponen multimedia, citra memegang peranan sangat penting sebagai
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDESAIN KARTU UCAPAN
PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDESAIN KARTU UCAPAN Rudy Adipranata 1, Liliana 2, Gunawan Iteh Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas Kristen Petra Jl. Siwalankerto
Lebih terperinciBAB II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan
BAB II LANDASAN TEORI 2.1. Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus dan intensitas cahaya pada bidang dwimatra
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB 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 METODE PENELITIAN. Penelitian ini dilaksanakan dari bulan Maret sampai dengan bulan September
32 BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan dari bulan Maret sampai dengan bulan September 2015 dan tempat pelaksanaan penelitian ini di Laboratorium Elektronika
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 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 3 ANALISIS DAN KEBUTUHAN ALGORITMA
BAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA 3.1 Analisis Masalah Jaringan saraf tiruan hopfield merupakan salah satu Algoritma Machine Learning yang dapat mengklasifikasikan suatu objek citra berdasarkan pelatihan
Lebih terperinciPengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature
Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Dosen Pembimbing : 1) Prof.Dr.Ir. Mauridhi Hery Purnomo M.Eng. 2) Dr. I Ketut Eddy Purnama ST., MT. Oleh : ATIK MARDIYANI (2207100529)
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 terperinciKULIAH 1 TEKNIK PENGOLAHAN CITRA PENGANTAR MATRIKS
KULIAH TEKNIK PENGOLAHAN CITRA PENGANTAR MATRIKS Matriks merupakan sebuah susunan segiempat siku-siku dari bilanganbilangan, dalam baris dan kolom. Bilangan-bilangan tersebut disebut entri atau elemen
Lebih terperinciBAB 3 PERALATAN DAN PROSEDUR PENELITIAN
BAB 3 PERALATAN DAN PROSEDUR PENELITIAN 3.1 Material dan Peralatan Penelitian Penelitian ini menggunakan material besi silinder pejal carbonsteel setara ST 41 dengan diameter 20 mm sejumlah 10 buah sampel.
Lebih terperinciGRAFIK KOMPUTER DAN PENGOLAHAN CITRA. WAHYU PRATAMA, S.Kom., MMSI.
GRAFIK KOMPUTER DAN PENGOLAHAN CITRA WAHYU PRATAMA, S.Kom., MMSI. PERTEMUAN 8 - GRAFKOM DAN PENGOLAHAN CITRA Konsep Dasar Pengolahan Citra Pengertian Citra Analog/Continue dan Digital. Elemen-elemen Citra
Lebih terperinciBAB II LANDASAN TEORI. titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
BAB II LANDASAN TEORI 2. Citra/Image Citra atau yang lebih sering dikenal dengan gambar merupakan kumpulan dari titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
Lebih terperinciPERANCANGAN APLIKASI PENGURANGAN NOISE PADA CITRA DIGITAL MENGGUNAKAN METODE FILTER GAUSSIAN
PERANCANGAN APLIKASI PENGURANGAN NOISE PADA CITRA DIGITAL MENGGUNAKAN METODE FILTER GAUSSIAN Warsiti Mahasiswi Program Studi Teknik Informatika STMIK Budi Darma Medan Jl. Sisingamangaraja No. 338 Sp. Limun
Lebih terperinciEkstraksi Pola Iris Mata Berwarna Biru dan Cokelat dengan Metode GrayLevel Cooccurrence Matrix Yunia Mentari a, Nurhasanah a)*, Iklas Sanubary a)
Ekstraksi Pola Iris Mata Berwarna Biru dan Cokelat dengan Metode GrayLevel Cooccurrence Matrix Yunia Mentari a, Nurhasanah a)*, Iklas Sanubary a) a) Program Studi Fisika, Jurusan Fisika, FMIPA Universitas
Lebih terperinci6. PENDETEKSIAN SERANGAN GULMA. Pendahuluan
6. PENDETEKSIAN SERANGAN GULMA Pendahuluan Praktek pengendalian gulma yang biasa dilakukan pada pertanian tanaman pangan adalah pengendalian praolah dan pascatumbuh. Aplikasi kegiatan Praolah dilakukan
Lebih terperinciKONSEP DASAR PENGOLAHAN CITRA
KONSEP DASAR PENGOLAHAN CITRA Copyright @ 2007 by Emy 2 1 Kompetensi Mampu membangun struktur data untuk merepresentasikan citra di dalam memori computer Mampu melakukan manipulasi citra dengan menggunakan
Lebih terperinciIMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH
IMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH Fitri Afriani Lubis 1, Hery Sunandar 2, Guidio Leonarde Ginting 3, Lince Tomoria Sianturi 4 1 Mahasiswa Teknik Informatika, STMIK Budi Darma
Lebih terperinciBAB II TI JAUA PUSTAKA
BAB II TI JAUA PUSTAKA Pada bab ini akan dibahas mengenai teori-teori yang menunjang tugas akhir ini. Antara lain yaitu pengertian citra, pengertian dari impulse noise, dan pengertian dari reduksi noise.
Lebih terperinciKULIAH 2 TEKNIK PENGOLAHAN CITRA HISTOGRAM CITRA
KULIAH 2 TEKNIK PENGOLAHAN CITRA HISTOGRAM CITRA Informasi penting mengenai isi citra digital dapat diketahui dengan membuat histogram citra. Histogram citra adalah grafik yang menggambarkan penyebaran
Lebih terperinciEKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX. Abstrak
EKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX Karina Auliasari, Bastian, Bella Fardani, Zulkifli, Ivandi Jurusan Teknik Informatika Fakultas Teknik
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Desain frame grabber Desain frame grabberdiawali dengan pemilihan perangkat kamera yang akan digunakan. Video akan muncul komponen VideoWindow1 yang secara realtime terhubung
Lebih terperinciHALAMAN JUDUL DETEKSI INDEKS KEMATANGAN BUAH MANGGIS MENGGUNAKAN METODE SUPPORT VECTOR MACHINE TUGAS AKHIR
HALAMAN JUDUL DETEKSI INDEKS KEMATANGAN BUAH MANGGIS MENGGUNAKAN METODE SUPPORT VECTOR MACHINE TUGAS AKHIR Diajukan Guna Memenuhi Persyaratan Untuk Mencapai Derajat Strata-1 Pada Prodi Teknik Elektro Fakultas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra 2.1.1 Definisi Citra Secara harfiah, citra adalah gambar pada bidang dwimatra (dua dimensi). Jika dipandang dari sudut pandang matematis, citra merupakan hasil pemantulan
Lebih terperinciBAB IV PENGUJIAN SISTEM. koordinat pada tiap-tiap area, akses pixel, contrast streching, histogram. yang
BAB IV PENGUJIAN SISTEM Sistem yang di ujicoba merupakan dari hasil program yang telah selesai dibuat. Dimulai dari pengambilan citra dari WebCam, pengolahan citra yang dimulai dengan update citra kondisi
Lebih terperinciLANDASAN TEORI. 2.1 Citra Digital Pengertian Citra Digital
LANDASAN TEORI 2.1 Citra Digital 2.1.1 Pengertian Citra Digital Citra dapat didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y) dimana x dan y merupakan koordinat bidang datar, dan harga fungsi f disetiap
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Pada bab ini akan dijelaskan mengenai kebutuhan-kebutuhan yang digunakan dalam membuat program ini. Setelah semua kebutuhan selesai di analisa, maka penulis akan
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Dalam kehidupan sehari-hari, antrean (queing) merupakan hal yang sering sekali kita jumpai, misalnya ketika membeli karcis, membayar tol, menaiki kendaraan
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 terperinciBAB III PELAKSANAAN PENELITIAN
BAB III PELAKSANAAN PENELITIAN Pada bab ini akan dijelaskan mengenai alat dan bahan yang digunakan dalam penelitian ini serta tahapan-tahapan yang dilakukan dalam mengklasifikasi tata guna lahan dari hasil
Lebih terperinciBAB 2 TINJAUAN TEORETIS
BAB 2 TINJAUAN TEORETIS 2. Citra Digital Menurut kamus Webster, citra adalah suatu representasi, kemiripan, atau imitasi dari suatu objek atau benda. Citra digital adalah representasi dari citra dua dimensi
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 terperinciDETEKSI CACAT PERMUKAAN BUAH MANGGIS BERBASIS PENGOLAHAN CITRA MENGGUNAKAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE
DETEKSI CACAT PERMUKAAN BUAH MANGGIS BERBASIS PENGOLAHAN CITRA MENGGUNAKAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) ( Detection Mangosteen s Surface Defect Based-On Image Processing Using Support
Lebih terperinciBAB 3 PERANCANGAN PROGRAM. dilanjutkan dengan rancangan cetak biru untuk program yang akan dibangun.
BAB 3 PERANCANGAN PROGRAM Pada bab 3 ini, akan dijelaskan proses rancangan program aplikasi pengurangan noise pada citra digital. Dimulai dari analisa kebutuhan sistem yang akan dirancang, dilanjutkan
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 terperinciBAB II Tinjauan Pustaka
23 BAB II Tinjauan Pustaka II.1. Pengolahan Citra Digital Citra yang diperoleh dari lingkungan masih terdiri dari warna yang sangat komplek sehingga masih diperlukan proses lebih lanjut agar image tersebut
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra digital merupakan sebuah fungsi intensitas cahaya, dimana harga x dan y merupakan koordinat spasial dan harga fungsi f tersebut pada setiap titik merupakan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Uang Kertas Rupiah Uang Rupiah Kertas adalah Uang Rupiah dalam bentuk lembaran yang terbuat dari Kertas Uang yang dikeluarkan oleh Bank Indonesia, dimana penggunaannya dilindungi
Lebih terperinci