Klasifikasi Daging Ayam Menggunakan Naive Bayes Classifier Berdasarkan Pada Ekstraksi Fitur Tekstur Histogram
|
|
- Benny Sanjaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 DRAFT JURNAL A S, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: Klasifikasi Daging Ayam Menggunakan Naive Bayes Classifier Berdasarkan Pada Ekstraksi Fitur Tekstur Histogram Chicken Meat Classification Using Naive Bayes Classifier Based On Histogram-based Feature Texture Extraction Albertus Andy Setyaputra, T. Sutojo Teknik Informatika, Ilmu Komputer, Universitas Dian Nuswantoro Semarang, Jl. Nakula I No. 5-11, Semarang, 50131, Indonesia albrtzandy@gmail.com Abstrak Meningkatnya minat konsumen terhadap daging ayam tiap tahunnya membuat para pedagang bersaing untuk memperoleh keuntungan. Persaingan ini memicu kecurangan dari beberapa pedagang yang tidak bertanggung jawab dengan sengaja menjual daging ayam tiren melalui berbagai teknik penjualan sehingga dapat laku terjual kepada konsumen. Ayam tiren merupakan istilah untuk ayam yang telah mati terlebih dahulu tanpa melalui proses penyembelihan sehingga darah mengendap di dalam tubuhnya lalu menjadi busuk. Peredaran daging ayam tiren di pasar tentunya sangat meresahkan dan merugikan masyarakat. Solusi untuk permasalahan ini yaitu dengan merancang sebuah perangkat lunak yang mampu mengenal kualitas daging ayam berdasarkan fitur tekstur pada citra daging ayam dan mengklasifikasikannya ke dalam suatu kelas tertentu. Metode ekstraksi fitur tekstur berbasis Histogram digunakan untuk memperoleh fitur ciri dari citra daging ayam. Proses klasifikasi daging ayam dapat dilaksanakan dengan menggunakan metode klasifkasi Naive Bayes. Hasil proses klasifikasi menggunakan algoritma klasifikasi Naive Bayes ini menghasilkan tingkat akurasi hingga 81% berdasarkan pada 100 data citra uji dan 150 data citra latih. Kata kunci : Klasifikasi daging ayam, Ayam Tiren, Pengolahan Citra Digital, Naive Bayes, Ekstraksi Fitur Tekstur Histogram. Abstract Every year there is an increase in the production and consumption of chicken meat that caused the amount of merchants to compete each other to gain profit. This rivalry between traders has sparked some of the irresponsible merchants that deliberately selling rotten chicken by using their various selling technique to make it sold to the consumers. Rotten chicken is a term for a chicken that had died first before went through the slaughtering process so that the blood settled in the body then became rotten. The solution to this issue is to design a software which is able to recognize the quality of chicken meat based on the texture features of the image of chicken meat and classifies them into a particular class. The Histogram-based feature texture extraction method is used to obtain some of the characteristic features of the image of chicken meat. Chicken meat classification process can be implemented by using the Naive Bayes Classification method. The result of the chicken meat classification process using the Naive Bayes Classification algorithm produces up to 81% accuracy rate based on the test image data as much as 100 images and training image data as much as 150 images. Received June1 st,2012; Revised June25 th, 2012; Accepted July 10 th, 2012
2 2 ISSN: Keywords : Chicken meat classification, Rotten chicken, Digital Image Processing, Naive Bayes,Histogram-based Featuer Texture Extraction. 1. PENDAHULUAN 1.2 Latar Belakang Pada dasarnya daging hewan ialah sekumpulan jaringan otot beserta dengan lemak yang terbungkus oleh kulit dan melekat pada tulang. Daging memiliki kandungan nutrisi yang lengkap seperti vitamin, mineral, lemak, protein dan karbohidrat yang sangat berguna bagi pertumbuhan manusia. Berdasarkan pada informasi yang telah penulis peroleh bahwa jenis daging yang seringkali dikonsumsi oleh masyarakat Indonesia antara lain daging ayam, daging ikan, daging sapi dan daging kambing [1]. Berdasarkan pada data yang penulis rangkum melalui Statistik Peternakan pada tahun 2013 tercatat bahwa di wilayah Jawa Tengah populasi hewan konsumsi seperti sapi mencapai ekor, babi ekor, kambing ekor dan ayam ekor. Sedangkan untuk produksi daging sapi mencapai ton, daging babi mencapai ton, daging kambing mencapai ton dan daging ayam mencapai ton. [4] Meningkatnya minat konsumen terhadap daging ayam tiap tahunnya menyebabkan para pedagang bersaing untuk memperoleh keuntungan yang lebih besar. Tentunya hal ini memicu kecurangan dari beberapa pedagang yang tidak bertanggung jawab dengan secara sengaja memanfaatkan daging ayam yang sudah tidak layak konsumsi untuk tetap dijual dengan tujuan supaya mendapatkan keuntungan yang lebih besar [5]. Daging ayam yang tak layak konsumsi tersebut dikenal dengan istilah daging Ayam Tiren (ayam yang mati kemarin). Ayam tiren merupakan istilah untuk ayam yang telah mati terlebih dahulu tanpa melalui penyembelihan, sehingga darah mengendap di dalamnya lalu menjadi busuk. Penyebab kematian ayam tersebut dapat melalui kecelakaan, sakit, stress, kelaparan, kurangnya perawatan atau bahkan karena keracunan. Selain itu penanganan ayam yang kurang baik juga dapat mempercepat kematian terhadap ayam tersebut. Ciri fisik pada ayam tiren terlihat jelas pada warna daging yang pucat, kulitnya yang licin berlendir, terdapat bercak darah pada bagian tubuh tertentu dan aroma amis yang sangat menyengat [5]. Menurut survey yang dilakukan oleh Ajeng Rucitra Nareswari pada skripsinya [5] bahwa pedagang seringkali menyembunyikan ayam tiren yang hendak dijualnya dengan cara menyimpan daging ayam tiren tersebut di dalam ember besar yang penuh dengan air atau melumuri daging ayam tiren dengan bumbu kuning untuk menyamarkan penglihatan visual konsumen, sehingga konsumen terkecoh pada saat membeli daging. Berbagai cara dilakukan oleh pedagang untuk meraup keuntungan yang besar dari penjualan daging ayam tiren. Meskipun pihak berwajib telah beberapa kali memberikan peringatan maupun larangan terhadap pedagang ayam tiren, namun tetap saja dihiraukan oleh mereka walaupun penjualan daging ayam tiren bertentangan dengan Peraturan Undang-undang No. 7 tahun 1996 Pasal 21 mengenai dilarangnya mengedarkan pangan yang beracun, busuk dan kadaluarsa terhadan konsumen / masyarakat umum. Kasus penjualan ayam tiren telah terjadi di Semarang pada tanggal 13 Juli 2015 pada pukul yang melibatkan seorang pedagang yang tertangkap petugas kepolisian karena terbukti menjual daging ayam tiren sebanyak 15 ekor yang dijual dengan kisaran harga sekitar Rp Rp 5.000/ekor. Kasus serupa juga terjadi di Jakarta timur pada tanggal 14 Desember 2015 dimana petugas kepolisian cakung menggrebek gudang peredaran ayam tiren dan berhasil menyita 47 ekor ayam tiren tanpa bekas potongan di leher ayam. Selain itu juga terdapat 20 korban keracunan daging ayam tiren yang terjadi di Banyumas pada tahun Peristiwa tersebut tentunya sangat merugikan konsumen karena pedagang masih menghiraukan keamanan dan kehalalan pangan untuk masyarakat Indonesia. Oleh karena para petugas yang seringkali masih melakukan razia terhadap pedagang daging ayam tiren, setidaknya masyarakat terbantu oleh tindakan petugas tersebut dalam rangka memberantas pedagang-pedagang yang masih nakal dan nekat menjual daging ayam tiren pada masyarakat. IJCCS Vol. x, No. x, July201x : first_page end_page
3 IJCCS ISSN: Pada umumnya penjualan ayam tiren dipicu oleh faktor ekonomi para pedagang yang ingin meraup keuntungan besar. Patokan harga dari ayam tiren tersebut biasanya lebih murah dibandingkan dengan ayam normal/sehat supaya ayam tersebut tetap dapat laku dijual kepada konsumen. Peredaran daging ayam tiren ini sangat meresahkan dan merugikan masyarakat khususnya bagi umat muslim yang dilarang mengkonsumsi daging tersebut. Hal ini disebabkan oleh kurangnya pengetahuan dan pengalaman masyarakat dalam hal membedakan daging ayam sehat dengan daging ayam tiren. Terlebih secara kasat mata pula sukar untuk membedakan kedua daging ayam tersebut. Saat berbelanja daging ayam tentunya konsumen harus teliti dalam membedakan karakteristik daging ayam normal dengan daging ayam tiren supaya tidak terkecoh [6] [5]. Metode yang dapat digunakan untuk mengatasi permasalahan ini dalam bidang teknik informatika ialah dengan memanfaatkan teknik pengolahan citra digital. Solusinya yaitu dengan merancang sebuah perangkat lunak yang mampu mengenal kualitas daging ayam berdasarkan pada citra tekstur daging ayam tersebut dan mengklasifikasikannya ke dalam suatu kelas. Pada dasarnya sebuah citra / gambar pada daging ayam mengandung informasi berupa nilai tekstur yang akan diolah untuk mendapatkan ciri fitur sebagai parameter penentu. Pada penelitian ini penulis menggunakan sampel berupa daging ayam sehat dan daging ayam tiren dimana keduanya masih mentah. Berdasarkan pada buku [7] yang menyatakan bahwa sebelum proses klasifikasi menggunakan Naive Bayes dapat dilaksanakan, terlebih dahulu penulis harus melakukan analisis terhadap tekstur yang bertujuan untuk mengidentifikasi parameter tertentu yang akan digunakan sebagai nilai penentu kelas daging ayam. Parameter tersebut dapat diperoleh dengan menggunakan metode ekstraksi fitur tekstur berbasis Histogram. Metode ekstraksi fitur tekstur berbasis Histogram ini menggunakan perhitungan statistik untuk mendapatkan fitur tesktur dan termasuk dalam metode statis orde satu. Pada metode tersebut terdapat enam fitur antara lain :Rerata intensitas (Mean), Rerata kontras (Standar Deviasi), Ukuran ketidaksimetrisan pada rerata intensitas (Skewness), Distribusi intensitas piksel terhadap jangkauan aras keabuan(energy), Kompleksitas citra (Entropy), dan Kehalusan (Smoothness) Sekumpulan fitur tersebut akan menjadi parameter penentu kelas daging ayam normal dan kelas daging ayam tiren. Hasil perhitungan dari keenam fitur tersebut kemudian akan diproses menggunakan metode klasifikasi Naive Bayes untuk menentukan kualitas daging ayam, apakah hasilnya termasuk ke dalam kelas citra daging ayam normal atau kelas citra daging ayam tiren [7]. Metode Naïve Bayes merupakan sebuah teknik prediksi yang berbasis probabilistik sederhana dan berdasarkan pada penerapan teorema bayes dengan asumsi ketidaktergantungan yang kuat (naïf). Model yang digunakan dalam Naïve Bayes adalah model fitur independen yang berarti sebuah fitur pada data tidak berkaitan terhadap eksistensi fitur lain dalam data yang sama pula, sehingga masing-masing fitur seolah tidak memiliki hubungan apa pun. [8]. Hubungan antara metode Naïve Bayes dengan klasifikasi, bukti klasifikasi, dan korelasi hipotesis antara lain bahwa hipotesis yang terdapat pada teorema Bayes adalah label kelas yang berperan sebagai target pemetaan dalam klasifikasi, sedangkan bukti ialah sekumpulan fitur yang menjadi inputan/masukan dalam model klasifikasi. Inputan ini yang nantinya akan dicocokkan dengan nilai yang terkandung dalam label kelas untuk menghasilkan suatu informasi yang dibutuhkan oleh seorang peneliti [8]. Penulis mengharapkan kombinasi penggunaan metode ekstraksi fitur tekstur Histogram dengan metode klasifikasi Naïve Bayes dapat mengklasifikasikan citra daging ayam serta mampu menghasilkan akurasi yang tinggi. 1.2 Rumusan Masalah Berdasarkan pada latar belakang yang telah penulis uraikan sebelumnya, sehingga perumusan masalah dapat penulis susun sebagai berikut : 1. Bagaimanakah merancang suatu perangkat lunak yang dapat mengenali dan mengklasifikasikan daging ayam normal dan daging ayam tiren dengan menerapkan Title of manuscript is short and clear, implies research results (First Author)
4 4 ISSN: metode ekstraksi fitur tekstur berbasis Histogram dan metode klasifikasi Naïve Bayes Classifier dengan menggunakan bahasa pemrograman Matlab? 2. Seberapa besar tingkat akurasi yang dihasilkan oleh perangkat yang dirancang dalam mengklasifikasikan citra daging ayam normal dan citra daging ayam tiren dengan menggunakan metode ekstraksi fitur tekstur berbasis Histogram dan metode klasifikasi Naïve Bayes Classifier? 1.3 Tujuan Penelitian Berdasarkan pada perumusan dan batasan masalah yang penulis telah uraikan sebelumnya, maka dari itu penulis mendeskripsikan tujuan dari penelitian ini, yaitu sebagai berikut : 1. Mengimplementasikan metode ekstraksi fitur tekstur berbasis Histogram dan metode klasifikasi Naive Bayes untuk mengelompokkan citra daging ayam normal dan citra daging ayam tiren menggunakan bahasa pemrograman Matlab. 2. Melalui penelitian ini penulis berharap pembaca dapat menambah pengetahuan mengenai ekstraksi fitur tekstur berbasis Histogram dan menggunakan klasifikasi Naïve Bayes serta karakteristik dari daging ayam yang berkualitas baik maupun yang tidak baik untuk dikonsumsi. 3. Sebagai salah satu syarat kelulusan guna mendapatkan gelar sarjana strata-1 teknik informatika. 2. METODE PENELITIAN 2.4 Metode Yang Diusulkan Model penelitian yang digunakan ialah berdasarkan pada flowchart berikut ini : Gambar 2. 1 Flowchart Metode Penelitian Yang Diusulkan 2.2 Tahap Implementasi Metode Berdasarkan pada flowchart pada gambar 2.1 maka pada penelitian ini terdapat 2 tahap penelitian yaitu tahap pelatihan dan tahap pengujian. Pada bagian ini peneliti akan terlebih dahulu menjelaskan mengenai tahap pelatihan yaitu sebagai berikut : IJCCS Vol. x, No. x, July201x : first_page end_page
5 IJCCS ISSN: Input Citra latih Dalam hal ini seluruh citra latih ayam normal dan citra latih ayam tiren 2. Pre-processing pada citra latih meliputi Cropping pada seluruh citra latih ke dalam ukuran 400 x 400 dengan tujuan untuk menghilangkan background yang tidak dibutuhkan dalam penelitian. Gambar 2. 2 Hasil Cropping citra daging ayam Grayscalling pada seluruh citra latih yang telah di-cropping. Gambar 2. 3 Hasil grayscalling pada citra daging ayam 3. Ekstraksi Fitur Tekstur berbasis Histogram pada seluruh Citra Latih Citra hasil pre-processing kemudian dihitung dan diproses melalui 6 fitur tekstur yaitu : mean, standar deviasi, skewness, energy, entropy dan smoothness yang terdapat pada persamaan berikut : ( ) (1) Mean merupakan fitur tekstur yang mewakili kecerahan pada objek gambar. Mean mengukur nilai rata-rata dari suatu nilai intensitas. jadi apabila semakin tinggi nilai dari Mean, maka semakin terang pula gambar tersebut, namun apabila semakin rendah nilai Mean. [7] [22] ( ) ( ) (2) Fitur kedua berupa standar deviasi atau varians yang merupakan orde kedua dan menunjukkan kontras intensitas tingkat abu-abu. Semakin rendah Title of manuscript is short and clear, implies research results (First Author)
6 6 ISSN: nilai dari standar deviasi maka semakin kecil kontrasnya, apabila semakin tinggi nilai standar deviasi maka semakin tinggi kontrasnya. [7] [22] ( ) ( ) (3) Fitur ketiga yaitu Kecondongan atau Skewness yang seringkali disebut sebagai momen orde tiga ternormalisasi. Fitur ini merupakan ukuran ketidak simetrisan atau kemiringan terhadap rerata intensitas. [7] [22] ( ) (4) Fitur keempat yaitu energy. Energy adalah ukuran yang menyatakan distribusi intensitas piksel terhadap jangkauan aras keabuan. Citra yang seragam dengan satu nilai aras keabuan akan memiliki nilai energy yang maksimum, yaitu sebesar 1.. Secara umum, citra dengan sedikit aras keabuan akan memiliki energy yang lebih tinggi daripada yang memiliki banyak nilai aras keabuan. Energy sering disebut sebagai keseragaman. [7] [22] ( ) ( ( )) (5) Entropy yang mengindikasikan kompleksitas citra. Semakin tinggi nilai entropy, semakin kompleks citra tersebut. Entropy juga merepresentasikan jumlah informasi yang terkandung di dalam sebaran data. Perlu diketahui, entropy dan energy berkecenderungan berkebalikan. Biasanya gambar yang tidak kompleks memiliki entropy yang rendah, sedangkan gambar yang lebih kompleks memiliki entropy yang tinggi. [7] [22] Properti kehalusan biasanya disertakan untuk mengukur tingkat kehalusan/kekasaran intensitas pada citra. Pada rumus di atas, adalah deviasi standar yang telah dinormalisasi sehingga nilainya berada dalam jangkauan [0 1] dengan cara membaginya dengan ( ). [7] [22] Dalam hal ini, i adalah aras keabuan pada citra f, lalu p(i) merupakan probabilitas kemunculan i dan L adalah tingkat aras keabuan tertinggi [7] [22] Menyimpan seluruh nilai fitur/parameter hasil ekstraksi fitur tekstur pada seluruh data latih ke dalam database fitur citra latih. 4. Kemudian dilakukan perhitungan Mean ( ) terhadap semua parameter ekstraksi fitur dari seluruh citra latih yang telah disimpan di database berdasarkan kelasnya melalui persamaan berikut : (6) Mean (7) IJCCS Vol. x, No. x, July201x : first_page end_page
7 IJCCS ISSN: Keterangan rumus Mean : x = Nilai data dari attribut yang digunakan n = Nilai dari total data masing-masing kelas 5. Dilanjutkan dengan menghitung standar deviasi ( 2 ) terhadap semua parameter ekstraksi fitur dari seluruh citra latih yang telah disimpan di database berdasarkan kelasnya dengan menggunakan persamaan berikut : Keterangan rumus Standar Deviasi : x i = Nilai atribut x ke -i μ = Rata-rata hitung n = Jumlah sampel Standar Deviasi ( ) = ( ) (8) 6. Menyimpan hasil perhitungan Mean dan Standar Deviasi terhadap seluruh parameter ekstraksi fitur tekstur histogram berdasarkan kelasnya masing-masing ke dalam variabel penyimpanan data sementara untuk nantinya akan digunakan dalam pengujian terhadap data uji. Setelah tahap pelatihan telah selesai maka akan dilanjutkan ke tahap pengujian seperti berikut ini : 1. Inputkan Citra Uji dan akan melalui proses yang sama seperti pada tahap pelatihan yaitu pre-processing berupa cropping dan grayscalling, lalu dilanjutkan dengan memperoleh fitur tekstur pada citra uji menggunakan metode ekstraksi fitur tekstur berbasis histogram. 2. Melakukan klasifikasi Naive Bayes Berdasarkan pada persamaan klasifikasi naive bayes berikut ini : P(Y k X) = ( ) ( ) ( ) (9) maka proses klasifikasi sebagai berikut : 1. Menghitung prior probability ( ). Pada penelitian ini P(Y k ) ialah nilai probabilitas awal yang berasal dari total data latih pada masing-masing kelas. Penulis menggunakan dua kelas dengan dataset 250 yang terdiri dari 150 data latih dan 100 data uji, kelas tersebut antara lain : a. Kelas daging ayam normal b. Kelas daging ayam tiren Maka dari itu persamaan yang digunakan untuk menghitung P(Y k ) terhadap tiap-tiap kelas ialah : ( ) = (10) 2. Menghitung ( ) dengan menggunakan Gaussian Distribution pada masingmasing kelas melalui persamaan berikut ini : Title of manuscript is short and clear, implies research results (First Author)
8 8 ISSN: ( ) = ( ) ( ) (11) 3. Menghitung posterior probability ( ) setiap class. ( ) ialah probabilitas hipotesis yang berdasarkan pada kondisi dari X. Berdasarkan pada hasil pemrosesan pada langkah sebelumnya maka kita dapat memasukkan nilai ke dalam teorema bayes. 4. Mencari nilai tertinggi dari hasil pemrosesan pada posterior probability pada masingmasing kelas. 3. Menghitung Recognition Rate Langkah terakhir ialah menghitung akurasi pada data yang telah diklasifikasikan. Menggunakan recognition rate melalui persamaan berikut ini : Recognition Rate = x 100% (12) 3. HASIL DAN PEMBAHASAN 3.1 Mempersiapkan Data Pada penelitian ini diperlukan beberapa potongan daging ayam broiler untuk dilakukan pemotretan dengan jarak objek ke kamera cm tanpa bantuan flash pada kamera. Setelah data diakuisisi menggunakan kamera, kemudian data akan disortir sesuai kebutuhan penelitian. Hal ini dilakukan untuk memudahkan dalam pelabelan dan pengelompokan untuk data training dan data testing. Data citra daging ayam yang digunakan dalam penelitian ini sebanyak 250 dataset yang diperoleh melalui 2 ekor ayam yang berbeda (ayam normal & ayam tiren). Dari sebanyak 250 total dataset tersebut kemudian dibagi lagi menjadi berikut : Data Latih : citra ayam normal citra ayam tiren Data Uji : citra ayam normal citra ayam tiren 3.2 Pengujian Model Klasifkasi Sebanyak 150 citra data latih yang terdiri dari 75 citra latih daging ayam normal dan 75 citra latih daging ayam tiren diinputkan ke dalam sistem dan dilakukan proses cropping dan ekstraksi fitur tekstur terhadap seluruh data latih tersebut. Setelah proses tahapan pre-processing dan ekstraksi fitur telah terhadap seluruh data latih telah selesai, maka hasil ekstraksi fitur akan disimpan di dalam database untuk digunakan ebagai parameter membangun model pembelajaran menggunakan metode naive bayes. Kemudian proses dilanjutkan dengan menghitung Mean dan Standar deviasi pada seluruh parameter ekstraksi fitur berdasarkan kelasnya masing-masing. Lalu setelah selesai pada tahap pelatihan, proses dilanjutkan ke dalam tahap pengujian. Perlu diketahui bahwa citra uji yang digunakan dalam penelitian ini berbeda dengan citra latih yang telah diinputkan dan diproses sebelumnya. Pada citra uji pun akan melalui proses preprocessing dan ekstraksi fitur guna mencocokkan ciri fitur dari citra uji dengan ciri fitur pada data latih yang telah disimpan di dalam database fitur citra latih dengan menggunakan metode naive bayes. IJCCS Vol. x, No. x, July201x : first_page end_page
9 IJCCS ISSN: Implementasi Sistem Berikut merupakan penjelasan alur program klasifikasi daging ayam menggunakan naive bayes berdasarkan pada ekstraksi fitur tekstur histogram : 1. Citra latih diinputkan hingga seluruh fitur pada citra latih tersimpan di dalam database fitur citra latih. Kemudian menghitung Mean dan Standar deviasi terhadap seluruh parameter ekstraksi fitur tekstur histogram berdasarkan kelas nya masing-masing. Maka tampilan sistem saat dilakukan proses pelatihan atau perancangan model pembelajaran ialah sebagai berikut : 2. Menginputkan citra uji secara berurutan untuk dilakukan pengujian sekaligus mengklasifikasikan hasil pengujian tersebut ke dalam kelas normal atau kelas tiren berdasarkan hasil dari perbandingan nilai posterior probability yang terbesar diantara kedua kelas tersebut. Apabila nilai posterior probability kelas Normal lebih besar dari kelas Tiren maka citra uji yang diuji tersebut termasuk dalam kelas Normal, apabila sebaliknya maka citra uji tersebut termasuk ke dalam kelas Tiren. Maka tampilan sistem saat dilakukan pengujian ialah sebagai berikut ini : Title of manuscript is short and clear, implies research results (First Author)
10 10 ISSN: Hasil Pengujian Program Berdasarkan dari pengujian sistem klasifikasi daging ayam menggunakan metode naive bayes terhadap 100 data citra uji maka hasil penelitian tersebut sebagai berikut ini : Salah Benar Ayam Normal Ayam Tiren Gambar 3 1 Grafik hasil penelitian Setelah seluruh data uji citra ayam normal dan data uji citra ayam tiren telah selesai dilakukan pengujian oleh sistem, maka hasilnya ialah sebagai berikut ini : 1. Jumlah data uji citra Ayam Normal yang Salah prediksi atau termasuk pada kelas yang salah ialah sebanyak 6 citra ayam normal. 2. Jumlah data uji citra Ayam Tiren yang Salah prediksi atau termasuk pada kelas yang salah ialah sebanyak 11 citra ayam tiren. 3. Jumlah data uji citra Ayam Normal yang Benar prediksi atau termasuk pada kelas yang benar ialah sebanyak 44 citra aym normal. 4. Jumlah data uji citra Ayam Tiren yang Benar prediksi atau termasuk pada kelas yang benar ialah sebanyak 39 citra ayam tiren. 5. Sehingga Total data uji yang Benar prediksi ialah sebanyak 81 cira data uji. 3.5 Akurasi Maka proses untuk menghitung persentase hasil akurasi kebenaran pada keseluruhan data uji ialah sebagai berikut ini Recognition Rate = Recognition Rate = x 100% = 81 % x 100% Berdasarkan pada perhitungan recognition rate di atas, maka menunjukkan bahwa sistem klasifikasi daging ayam menggunakan naive bayes classifier berdasarkan pada ekstraksi fitur tekstur histogram menghasilkan tingkat akurasi yang cukup tinggi yaitu mencapai 81 %. 4. KESIMPULAN Berdasarkan penelitian dan pembahasan yang telah selesai dilakukan sebelumnya, maka penulis dapat menarik kesimpulan sebagai berikut : 1. Metode Naive Bayes memanfaatkan data training untuk menghasilkan probabilitas setiap kriteria untuk kelas yang berbeda, sehingga nilai-nilai probabilitas dari kriteria tersebut dapat dioptimalkan untuk memprediksi daging ayam berdasarkan proses klasifikasi yang dilakukan oleh metode Naive Bayes itu sendiri. 2. Sistem klasifikasi daging ayam menggunakan metode Naive Bayes Classifier berdasarkan pada ekstraksi fitur tekstur berbasis Histogram telah berhasil menghasilkan tingkat akurasi sebesar 81 % dengan menggunakan dataset sebanyak 250 citra yang IJCCS Vol. x, No. x, July201x : first_page end_page
11 IJCCS ISSN: terbagi menjadi data training sebanyak 150 citra dan data testing sebanyak 100 citra untuk dilakukan pengujian. 3. Besar atau kecilnya hasil posterior probability dan hasil akurasi keduanya dipengaruhi oleh banyaknya data training dan data testing yang digunakan dalam penelitian. 4. Tinggi atau rendahnya hasil perhitungan dari ekstraksi fitur tekstur berbasis Histogram dipengaruhi oleh faktor pencahayaan, posisi objek penelitian, jarak pengambilan citra dan kualitas kamera sehingga dapat menyebabkan akuisisi citra tidak dapat maksimal. 5. Hasil akhir posterior probability yang menyatakan bahwa citra yang diinputkan termasuk ke dalam kelas yang tidak seharusnya (False) disebabkan oleh kemiripan nilai hasil perhitungan ekstraksi fitur tekstur antara kelas Normal dengan kelas Tiren atau pun sebaliknya. 6. Berdasarkan besarnya hasil akurasi yang dihasilkan tersebut, maka menunjukkan bahwa klasifikasi daging ayam menggunakan metode Naive Bayes Classifier berdasarkan tekstur pada citra dapat dimanfaatkan sebagai alat pengukur kualitas daging ayam apabila digunakan sesuai dengan prosedur penelitian yang telah dilakukan 5. SARAN Adapun saran-saran yang dapat penulis sampaikan dalam penelitian ini untuk para peneliti yang hendak megembangkan lebih lanjut supaya dapat meningkatkan kualitas, kuantitas dan fungsionalitas dari metode klasifikasi, adalah sebagai berikut ini: 1. Menggunakan objek penelitian jenis daging yang berbeda seperti daging sapi, daging burung, daging babi atau daging kambing. 2. Memperbanyak dataset citra daging ayam yang digunakan sehingga hasil yang diperoleh pun dapat lebih akurat. 3. Menggunakan metode ekstraksi fitur tekstur yang berbeda seperti Laws, GLCM atau memanfaatkan ekstraksi ciri warna. 4. Menggunakan metode klasifikasi yang berbeda seperti KNN, C.45, Support Vector Machine (SVM) atau Neural Network. 5. Melakukan pengembangan lebih lanjut dengan menggabungkan beberapa metode yang baru atau belum pernah digunakan sehingga diharapkan dapat meningkatkan akurasi dengan menutup kekurangan-kekurangan metode yang telah diimplementasikan. DAFTAR PUSTAKA 1. Saputro, Eko. (2013, Januari 03). Dasar-Dasar Pengolahan Daging. Batu: Kementrian Pertanian, Badan Penyuluhan Dan Pengembangan SDM Pertanian, Balai Besar Pelatiuhan Peternakan Batu. 2. Syaefulamri. (2012, Maret 20). Analisis Pengaruh Kualitas Produk Kebersihan dan Kenyamanan di Pasar Tradisional Terhadap Perpindahan Berbelanja dari Pasar Tradisional ke Pasar Modern di Kota Semarang. Skripsi. Semarang, Jawa Tengah, Indonesia: Fakultas Ekonomika dan Bisnis, Universitas Diponegoro, Semarang 3. Indiastuti, Rina., Setiawan, M., & Nurhayati, I. (2006). Analisis Penyebab Perbedaan dan Peningkatan Harga Antar Komoditas Survey pada Berbagai Komoditas Bahan Makanan dan Makanan Jadi di Kota Bandung. Bandung: Universitas Padjadjaran dan Kantor Bank Indonesia Bandung. 4. RI, Kementrian Pertanian.(2013). STATISTIK PETERNAKAN DAN KESEHATAN HEWAN. Jakarta : Direktorat Jenderal Peternakan dan Kesehatan. 5. Nareswari, A. R. (2006, Agustus). Identifikasi dan Karakterisasi Ayam Tiren. Skripsi. Bogor, Indonesia: Fakultas Teknologi Pertanian, Institut Pertanian Bogor. 6. Yulistiani, R. (2010). Studi Daging Ayam Bangkai : Perubahan Organoleptik dan Pola Pertumbuhan Bakteri. Jurnal Teknologi Pertanian, Vol. 11 No. 1, Hal Title of manuscript is short and clear, implies research results (First Author)
12 12 ISSN: Kadir, A., & Susanto, A. (2013). Teori dan Aplikasi Pengolahan Citra. Yogyakarta: ANDI. 8. Prasetyo, E. (2012). Data Mining - Konsep dan Aplikasi Menggunakan MATLAB. Yogyakarta: ANDI. 9. Permadi, Y., & Murinto. (2015). Aplikasi Pengolahan Citra Untuk Identifikasi Kematangan Mentimun Berdasarkan Tekstur Kulit Buah Menggunakan Metode Ekstraksi Ciri Statistik. Jurnal Informatika, Vol.9, No Miqdad, M. (2014). Penentuan Kualitas Kayu Kelapa Menggunakan Algoritma Naive Bayes Berdasarkan Tekstur pada Citra. Jurnal Informatika. 11. Kumar, Tarun & Verma, Karun. (2010, September). A Theory Based on Conversion of RGB Image to Gray Image. International Journal of Computer Applications, Volume 7, No Bhuvaneswari, R. & Kalaiselvi, K. (2012, Januari). Naive Bayesian Classification Approach in Healthcare Applications. International Journal of Computer Science and Telecommunications, Volume 3, Issue Saleh, Alfa. (2015, Mei - Juli). Implementasi Metode Klasifikasi Naive Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. Citec Journal, Vol. 2, No (2010). Pedoman Produksi dan Penanganan Daging Ayam yang Higienis. Direktorat Kesehatan Masyarakat Veteriner dan Pascapanen, Direktorat Jenderal Peternalan dan Kesehatan Hewan, Kementrian Pertanian. 15. USDA. (2016, January 15). U.S. Department of Agriculture. Retrieved January 15, 2016, from Soeparno. (1994). Ilmu dan Teknologi Daging. Yogyakarta: Gadjah Mada University Press. 17. Lawrie, R. (2003). Ilmu Daging. Jakarta: Universitas Indonesia. 18. Munir, R. (2004). Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung: Informatika. 19. Wijanarto, Nurhayati, O. D., Suhartono, V., Mulyanto, E., & Sutojo, T. (2009). Teori Pengolahan Citra Digital. Yogyakarta: ANDI. 20. Putra, D. (2010). Pengolahan Citra Digital. Yogyakarta: ANDI. 21. Muntasa, A., Purnomo, & Hery, M. (2010). Konsep Pengolahan Citra Digital dan Ekstraksi Fitur. Yogyakarta: Graha Ilmu. 22. Malik, F., & Baharudin, B. (2013). The Statistical Quantized Histogram Texture Features Analysis for Image Retrieval Based on Median and Laplacian Filters in the DCT Domain. The Arab Journal of Information Technology, Vol.10, No Kumari, Anjana. (2014, Maret). Study on Naive Bayes Classifier and its relation to Information Gain. International Journal on Recent and Innovation in Computing and Communication, Volume 2, Issue Kuncara, P. (2014). Perbedaan Ekstensi Gambar JPG, GIF, PNG, BMP dan TIFF. Retrieved from P.S, Shimi. (2014, Desember). Color vs Texture Feature Extraction And Matching In Visual Content Retrieval By Using Global Color Histogram. Volume 5, Issue 12, pp IJCCS Vol. x, No. x, July201x : first_page end_page
PENENTUAN KUALITAS IKAN BANDENG MENGGUNAKAN ALGORITMA NAIVE BAYES BERDASARKAN TEKSTUR PADA CITRA ABSTRAK
PENENTUAN KUALITAS IKAN BANDENG MENGGUNAKAN ALGORITMA NAIVE BAYES BERDASARKAN TEKSTUR PADA CITRA Rahmanika Ratna Sari 1, Hanny Haryanto 2 1,2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian
Lebih terperinciFakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 PENERAPAN ALGORITMA K-MEANS BERDASARKAN COSINE SIMILARITY UNTUK PENGENALAN KAYU KELAPA APPLICATION OF K-MEANS ALGORITHM BASED ON COSINE SIMILARITY
Lebih terperinciIdentifikasi Jenis Buah Jeruk Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Jenis Buah Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit Reni Resita *1, Juratminingsih *2, Gasim 3 1,2 STMIK GI MDP; Jl. Rajawali
Lebih terperinciDedi Argya Nugroho Effendi 1,Erna Zuni Astuti 2 1,2
37 Pengelompokan Jenis Tekstur Kayu Menggunakan K- Nearest Neighbor dan Ekstraksi Fitur Histogram Wood Texture Classification Using K-Nearest Neighbor and Histogram Feature Extraction Dedi Argya Nugroho
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 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 terperinciPenerapan Algoritma K-Means Clustering Untuk Pengelompokkan Citra Digital Dengan Ekstraksi Fitur Warna RGB
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Penerapan Algoritma K-Means Clustering Untuk Pengelompokkan Citra Digital Dengan Ekstraksi Fitur Warna RGB Sandi Desmanto 1, Irwan 2, Renni Angreni
Lebih terperinciAnalisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra
Analisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra Meirista Wulandari Jurusan Teknik Elektro, Universitas Tarumanagara, Jakarta, Indonesia meiristaw@ft.untar.ac.id Diterima 10 Desember 016
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka tentang identifikasi iris mata ataupun identifikasi citra digital sudah pernah dilakukan sebelumnya, berikut merupakan tabel perbandingan terhadap
Lebih terperinciSISTEM PAKAR DETEKSI DINI PENYALAHGUNAAN NARKOBA MENGGUNAKAN TEOREMA BAYES EXPERT SYSTEM FOR EARLY DETECTION OF DRUGS ABUSE USING BAYES THEOREM
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 198-1520 1 SISTEM PAKAR DETEKSI DINI PENYALAHGUNAAN NARKOBA MENGGUNAKAN TEOREMA BAYES EXPERT SYSTEM FOR EARLY DETECTION OF DRUGS ABUSE USING BAYES THEOREM Cicih
Lebih terperinciIJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN:
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Klasifikasi Naive Bayes Untuk Strategi Pemasaran Mahasiswa Baru di Universitas Dian Nuswantoro Naive Bayes Classification in marketing strategy of
Lebih terperinciPENERAPAN METODE HISTOGRAM OF ORIENTED GRADIENT (HOG) PADA OBJECT COUNTING BERBASIS RASBERRY PI
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 PENERAPAN METODE HISTOGRAM OF ORIENTED GRADIENT (HOG) PADA OBJECT COUNTING BERBASIS RASBERRY PI Eko Nopyanto 1, Hikma Taufik 2, Dedy Hermanto 3 Eka
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 terperinciRancang Bangun Sistem Pembuatan Surat Keputusan dan Sertifikat di STMIK GI MDP
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Rancang Bangun Sistem Pembuatan Surat Keputusan dan Sertifikat di STMIK GI MDP Pringka Arwanda Sirwandi, Fransiska PS., S.SI., M.T.I., Mulyati, SE,
Lebih terperinciPENERAPAN ALGORITMA PRINCIPLE COMPONENT ANALYSIS (PCA) DAN FITUR RGB UNTUK PELACAKAN JENIS DAN WARNA BUAH
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 PENERAPAN ALGORITMA PRINCIPLE COMPONENT ANALYSIS (PCA) DAN FITUR RGB UNTUK PELACAKAN JENIS DAN WARNA BUAH 1 Suta Wijaya, 2 Hendri, 3 Gasim Jurusan
Lebih terperinciREKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER
REKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER Titis Suwartiningsih (11 1065 1116) 1, Bagus Setya Rintyarna,
Lebih terperinciPERANGKAT LUNAK BANTU MENENTUKAN PILIHAN SEPEDA MOTOR BEKAS DI BEDAGAN DENGAN METODE FUZZY
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 n1 PERANGKAT LUNAK BANTU MENENTUKAN PILIHAN SEPEDA MOTOR BEKAS DI BEDAGAN DENGAN METODE FUZZY TAHANI SOFTWARE OPTIONS HELP DETERMINE USED MOTORCYCLES
Lebih terperinciALGORITMA NAÏVE BAIYES UNTUK PREDIKSI PROFESI BERDASARKAN SKILL JOB SEEKER
Seminar Nasional Riset Kuantitatif Terapan 2017 Kendari, 8 April 2017 63 ALGORITMA NAÏVE BAIYES UNTUK PREDIKSI PROFESI BERDASARKAN SKILL JOB SEEKER Dewi Hastuti 1, Ayu Sabrina Syair 2, Asih Setiyorini
Lebih terperinciKlasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra
Jurnal Ilmiah Ilmu Komputer, Vol 15 No. 2, Desember 2010 : 38-41 Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra Vera Yunita, Yeni Herdiyeni Departemen Ilmu
Lebih terperinciIMPLEMENTASI METODE CERTAINTY FACTOR UNTUK MENDETEKSI GANGGUAN PERKEMBANGAN ANAK BERBASIS MOBILE HANDPHONE
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 IMPLEMENTASI METODE CERTAINTY FACTOR UNTUK MENDETEKSI GANGGUAN PERKEMBANGAN ANAK BERBASIS MOBILE HANDPHONE Marganda Simarmata [1], Dahlan Abdullah
Lebih terperinciBAB I PENDAHULUAN 1.1 LATAR BELAKANG
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Daging merupakan salah satu bahan pangan yang mengandung protein hewani. Daging mengandung zat zat gizi yang bernutrisi tinggi sehingga layak dikonsumsi oleh manusia.
Lebih terperinciPengenalan Wajah Manusia dengan Hidden Markov Model (HMM) dan Fast Fourier Transform (FFT)
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Pengenalan Wajah Manusia dengan Hidden Markov Model (HMM) dan Fast Fourier Transform (FFT) Andes Andriady 1, Fandi Sanjaya 2, Derry Alamsyah 3 1,2,3
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Sebelum proses penelitian dilakukan, peneliti terlebih dahulu memulainya dengan melakukan studi kepustakaan dari berbagai sumber seperti melalui beberapa penelitian yang telah ada
Lebih terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
Lebih terperinciAPLIKASI PENGOLAHAN CITRA UNTUK IDENTIFIKASI KEMATANGAN MENTIMUN BERDASARKAN TEKSTUR KULIT BUAH MENGGUNAKAN METODE EKSTRAKSI CIRI STATISTIK
APLIKASI PENGOLAHAN CITRA UNTUK IDENTIFIKASI KEMATANGAN MENTIMUN BERDASARKAN TEKSTUR KULIT BUAH MENGGUNAKAN METODE EKSTRAKSI CIRI STATISTIK 1 Yuda Permadi, 2 Murinto Program Studi Teknik Informatika Kampus
Lebih terperinciSISTEM PENGAMBILAN KEPUTUSAN KREDIT RUMAH DENGAN METODE FUZZY SAW MADM
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 SISTEM PENGAMBILAN KEPUTUSAN KREDIT RUMAH DENGAN METODE FUZZY SAW MADM Marganda Simarmata [1], Dahlan Abdullah [2] 1.Program Studi Teknik Informatika
Lebih terperinciPenentuan Kualitas Kayu Kelapa Menggunakan Algoritma Naive Bayes Berdasarkan Tekstur pada Citra
1 Penentuan Kualitas Kayu Kelapa Menggunakan Algoritma Naive Bayes Berdasarkan Tekstur pada Citra M. Miqdad Teknik Informatika, Ilmu Komputer, Universitas Dian Nuswantoro Semarang, Jl. Nakula I No. 5-11,
Lebih terperinciKLASIFIKASI JENIS DAGING BERDASARKAN TEKSTUR MENGGUNAKAN METODE GRAY LEVEL COOCURENT MATRIX
KLASIFIKASI JENIS DAGING BERDASARKAN TEKSTUR MENGGUNAKAN METODE GRAY LEVEL COOCURENT MATRIX Nurul Lihayati 1, Ratri Enggar Pawening 2, Mohammad Furqan 3 1,2, 3 Jurusan Teknik Informatika, STT Nurul Jadid
Lebih terperinciBAB I PENDAHULUAN. penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi.
BAB I PENDAHULUAN A. LATAR BELAKANG Buah-buahan merupakan salah satu kelompok komoditas pertanian yang penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi. Permintaan domestik terhadap
Lebih terperinciDesain Model Fuzzy Gejala Penyakit Untuk Sistem Pakar Pendiagnosa Penyakit Anak
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Desain Model Fuzzy Gejala Penyakit Untuk Sistem Pakar Pendiagnosa Penyakit Anak Natalia 1, Bella Halim 2, Gasim 3 1,2 STMIK GI MDP; Jl. Rajawali
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 terperinciSISTEM INFORMASI PENGELOLAAN ODI (ORPHAN DETAIL INFORMATION) BERBASIS CLIENT SERVER DI KANTOR BAITULMAAL MUAMALAT
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 SISTEM INFORMASI PENGELOLAAN ODI (ORPHAN DETAIL INFORMATION) BERBASIS CLIENT SERVER DI KANTOR BAITULMAAL MUAMALAT Dahlan Abdullah Program Studi Teknik
Lebih terperinciPERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI
Techno.COM, Vol. 15, No. 3, Agustus 2016: 241-245 PERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI Didik Srianto 1, Edy Mulyanto 2 1,2 Teknik Informatika,
Lebih terperinciPenerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 39 Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi Irwan
Lebih terperinciTanya Jawab Seputar DAGING AYAM SUMBER MAKANAN BERGIZI
Tanya Jawab Seputar DAGING AYAM SUMBER MAKANAN BERGIZI KEMENTERIAN PERTANIAN DIREKTORAT JENDERAL PETERNAKAN DAN KESEHATAN HEWAN 2012 DAFTAR ISI 1. Apa Kandungan gizi dalam Daging ayam? 2. Bagaimana ciri-ciri
Lebih terperinciKLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES
KLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES Tri Adhi Atmaji 1, Catur Supriyanto 2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Lebih terperinciKata kunci Prediksi Ketepatan Masa Studi, Sistem Pakar, Case Based Reasoning, Algoritma C4.5
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Aplikasi Berbasis Sistem Pakar Untuk Memprediksi Ketepatan Masa Studi Dengan Pendekatan Case Based Reasoning dan C45 EXPERT SYSTEM BASED APPLICATION
Lebih terperinciVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FILTER GABOR ABSTRAK
VERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FILTER GABOR Eric (0822026) Jurusan Teknik Elektro Universitas Kristen Maranatha email: eric.wennas@gmail.com ABSTRAK Pola pembuluh
Lebih terperinciPERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR
PERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR Ragil Anggararingrum Perwira Nagara¹, Adiwijaya², Ratri Dwi Atmaja³ ¹Teknik
Lebih terperinciPENGEMBANGAN SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KARYAWAN TERBAIK DENGAN METODE PROFILE MATCHING DI PT SUARA MERDEKA
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 PENGEMBANGAN SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KARYAWAN TERBAIK DENGAN METODE PROFILE MATCHING DI PT SUARA MERDEKA DEVELOPMENT OF DECISION SUPPORT
Lebih terperinciABSTRAK. Kata kunci : CBIR, GLCM, Histogram, Kuantisasi, Euclidean distance, Normalisasi. v Universitas Kristen Maranatha
ABSTRAK Content-Based Image Retrieval (CBIR) adalah proses untuk mendapatkan suatu citra berdasarkan konten-konten tertentu, konten yang dimaksud dapat berupa tekstur, warna, bentuk. CBIR pada dasarnya
Lebih terperinciPENERAPAN METODE NAIVE BAYES UNTUK KLASIFIKASI JAGUNG PRODUKTIF DI GORONTALO
PENERAPAN METODE NAIVE BAYES UNTUK KLASIFIKASI JAGUNG PRODUKTIF DI GORONTALO Ramayanti Kaku, Arip Mulyanto, Manda Rohandi Program Studi Sistem Informasi/ Jurusan Teknik Informatika Abstrak Bervariasinya
Lebih terperinciSKRIPSI IDENTIFIKASI DAN KARAKTERISASI AYAM TIREN. Oleh : Ajeng Rucitra Nareswari F
SKRIPSI IDENTIFIKASI DAN KARAKTERISASI AYAM TIREN Oleh : Ajeng Rucitra Nareswari F24102044 2006 DEPARTEMEN ILMU DAN TEKNOLOGI PANGAN FAKULTAS TEKNOLOGI PERTANIAN BOGOR INSTITUT PERTANIAN BOGOR BOGOR 54
Lebih terperinciSISTEM PENGENALAN BUAH MENGGUNAKAN METODE DISCRETE COSINE TRANSFORM dan EUCLIDEAN DISTANCE
SISTEM PENGENALAN BUAH MENGGUNAKAN METODE DISCRETE COSINE TRANSFORM dan EUCLIDEAN DISTANCE Bagus Aditya *), Achmad Hidayatno, and Ajub Ajulian Zahra Jurusan Teknik Elektro, Universitas Diponegoro Semarang
Lebih terperinciMagister Teknik Informatika, Universitas Ahmad Dahlan, Yogyakarta 2. Program Studi Teknik Elektro, Universitas Ahmad Dahlan, Yogyakarta 3
Sistem Identifikasi Jamur Menggunakan Metode Ekstraksi Ciri Statistik Orde 1 dan Klasifikasi Jarak Mushroom Identification System Using the 1st Order Statistic Characteristic Extraction and Distance Classification
Lebih terperinciIMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA Erik Hadi Saputra 1), Burhan Alfironi Muktamar 2) 1), 2) Teknik Informatika
Lebih terperinci( ) ( ) (3) II-1 ( ) ( )
BAB II LANDASAN TEORI 2.1 Naïve Bayes Classifier 2.1.1 Teorema Bayes Bayes merupakan teknik prediksi berbasis probabilistik sederhana yang berdasar pada penerapan teorema Bayes (atau aturan Bayes) dengan
Lebih terperinciAlfa Saleh. Teknik Informatika Universitas Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan
PENERAPAN DATA MINING DENGAN METODE KLASIFIKASI NAÏVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DALAM MENGIKUTI ENGLISH PROFICIENCY TEST (Studi Kasus : Universitas Potensi Utama) Alfa Saleh Teknik Informatika
Lebih terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
Lebih terperinciIDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID ABSTRAK
IDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID Disusun Oleh : Robin Yosafat Saragih (1022076) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciANALISIS PERFORMA DAN KUALITAS CITRA BERBASIS ANDROID MENGGUNAKAN ALGORITMA KRIPTOGRAFI RIJNDAEL, DAN SERPENT
IJCCS, Volx, Nox, Julyxxxx, pp 1~5 ISSN: 1978-1520 1 ANALISIS PERFORMA DAN KUALITAS CITRA BERBASIS ANDROID MENGGUNAKAN ALGORITMA KRIPTOGRAFI RIJNDAEL, DAN SERPENT Sutrisno 1, Isrok Husnaidi 2, M Haviz
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN MODIFIED HAUSDORFF DISTANCE ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN MODIFIED HAUSDORFF DISTANCE Daniel Halomoan (0822056) Jurusan Teknik Elektro Universitas Kristen Maranatha email: daniel170390@gmail.com
Lebih terperinciJl. Nakula 1 No. 5-11, Jawa Tengah Telp : (024) , 2
PERBANDINGAN ALGORITMA PERHITUNGAN JARAK MENGGUNAKAN ECUILDEAN DAN MANHATTAN DISTANCE PADA K-NEAREST NEIGHBOR GUNA KLASIFIKASI CITRA JENIS MOBIL RODA EMPAT Erlangga Fery Anggriwan 1,DR. Pulung Nurtantio
Lebih terperinciPEMBOBOTAN KORELASI PADA NAÏVE BAYES CLASSIFIER
PEMBOBOTAN KORELASI PADA NAÏVE BAYES CLASSIFIER Burhan Alfironi Muktamar 1), Noor Akhmad Setiawan 2), Teguh Bharata Adji 3) 1), 2), 3) Teknik Elektro dan Teknologi Informasi Universitas Gadjah Mada Jl.
Lebih terperinciPENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA
PENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA Dina Indarti Pusat Studi Komputasi Matematika, Universitas Gunadarma Jl. Margonda Raya no. 100, Depok 16424, Jawa Barat
Lebih terperinciREALISASI PERANGKAT LUNAK UNTUK IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL LINE BINARY PATTERN (LLPB)
REALISASI PERANGKAT LUNAK UNTUK IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL LINE BINARY PATTERN (LLPB) Elfrida Sihombing (0922019) Jurusan Teknik Elektro Universitas
Lebih terperinciDeteksi Mobil pada Citra Digital Menggunakan C-HOG dan Support Vector Machine
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Deteksi Mobil pada Citra Digital Menggunakan C-HOG dan Support Vector Machine Frans Irawan 1, Ardi Purnomo 2, Derry Alamsyah 3 1,2 STMIK GI MDP;
Lebih terperinciKLASIFIKASI KUALITAS TELUR ASIN BERDASARKAN CITRA RED GREEN BLUE MENGGUNAKAN ADAP TIVE NEURO FUZZY INFERENCE SYSTEM
KLASIFIKASI KUALITAS TELUR ASIN BERDASARKAN CITRA RED GREEN BLUE MENGGUNAKAN ADAP TIVE NEURO FUZZY INFERENCE SYSTEM Maimunah Program Studi Teknik Komputer Universitas Islam 45 Email: maimaimuna@gmail.com
Lebih terperinciIndarto 1, Murinto 2, I. PENDAHULUAN. Kampus III UAD Jl.Dr.Soepomo, Janturan, Yogyakarta
Deteksi Kematangan Buah Pisang Berdasarkan Fitur Warna Citra Kulit Pisang Menggunakan Metode Transformasi Ruang Warna HIS (Banana Fruit Detection Based on Banana Skin Image Features Using HSI Color Space
Lebih terperinciIMPLEMENTASI ALGORITMA RANDOM FORESTS UNTUK KLASIFIKASI SPAM PADA CITRA DAN TEXT INSTAGRAM TUGAS AKHIR
IMPLEMENTASI ALGORITMA RANDOM FORESTS UNTUK KLASIFIKASI SPAM PADA CITRA DAN TEXT INSTAGRAM TUGAS AKHIR RIZKY NOVRIYEDI PUTRA 1132001001 PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS
Lebih terperinciKLASIFIKASI PENYAKIT STROKE MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER (STUDI KASUS PADA RUMAH SAKIT UMUM DAERAH UNDATA PALU)
semantik, Vol.3, No.2, Jul-Des 2017, pp. 13-22 ISSN : 2502-8928 (Online) 13 KLASIFIKASI PENYAKIT STROKE MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER (STUDI KASUS PADA RUMAH SAKIT UMUM DAERAH UNDATA PALU)
Lebih terperinciPERBANDINGAN TINGKAT AKURASI PENGENALAN OBJEK ANTARA FITUR HOG DAN C-HOG UNTUK JARAK POTRET DAN RESOLUSI KAMERA
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 PERBANDINGAN TINGKAT AKURASI PENGENALAN OBJEK ANTARA FITUR HOG DAN C-HOG UNTUK JARAK POTRET DAN RESOLUSI KAMERA Erfin Sandrio 1, Yupiter 2, Gasim
Lebih terperinciPENENTUAN LOKASI PARKIR KOSONG MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK (PNN) SKRIPSI JOKO KURNIANTO
PENENTUAN LOKASI PARKIR KOSONG MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK (PNN) SKRIPSI JOKO KURNIANTO 121402102 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
Lebih terperinciREALISASI PERANGKAT LUNAK UNTUK MEMVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCALITY PRESERVING PROJECTION
REALISASI PERANGKAT LUNAK UNTUK MEMVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCALITY PRESERVING PROJECTION FadliWitular (0822043) Jurusan Teknik Elektro Universitas
Lebih terperinciPERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA
PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA Naser Jawas Sistem Komputer STMIK STIKOM Bali Jl Raya Puputan No.86 Renon, Denpasar, Bali 80226
Lebih terperinciKLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS
Ikhwan Ruslianto KLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS IKHWAN RUSLIANTO Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciKLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA
KLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA Arina Diori (0722107) Jurusan Teknik Elektro email: arinadiorisinaga@yahoo.com ABSTRAK Buah
Lebih terperinciIMPLEMENTASI K-NEAREST NEIGHBOR UNTUK MENGENALI POLA CITRA DALAM MENDETEKSI PENYAKIT KULIT
IMPLEMENTASI K-NEAREST NEIGHBOR UNTUK MENGENALI POLA CITRA DALAM MENDETEKSI PENYAKIT KULIT Sebastian Rori Listyanto Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro
Lebih terperinciKarakteristik Morfologi Kerbau Lokal (Bubalus bubalis) Lombok Tengah Nusa Tenggara Barat. Abstrak
Karakteristik Morfologi Kerbau Lokal (Bubalus bubalis) Lombok Tengah Nusa Tenggara Barat Akhmad Sukri 1, Herdiyana Fitriyani 1, Supardi 2 1 Jurusan Biologi, FPMIPA IKIP Mataram; Jl. Pemuda No 59 A Mataram
Lebih terperinciSISTEM KLASIFIKASI JENIS BERAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION
SISTEM KLASIFIKASI JENIS BERAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION Pradityo Utomo Program Studi D3 Manajemen Informatika Universitas Merdeka Madiun pradityou@gmail.com ABSTRACT Information
Lebih terperinciKata kunci: Klasifikasi, warna kulit, naïve bayes
PENGKLASIFIKASI GENUS PANTHERA (HARIMAU, SINGA, JAGUAR DAN MACAN TUTUL DENGAN METODE NAIVE BAYES Program Studi Informatika, Program Teknologi Informasi dan Ilmu Komputer, Agus Suryanto, Brian Andrianto,
Lebih terperinciIDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN)
IDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN) SKRIPSI Disusun Oleh : THOMI LUTHFIANTO 1203030010 PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS
Lebih terperinciVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR CHAIN CODE ABSTRAK
VERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR CHAIN CODE Andre Sitorus (0822107) Jurusan Teknik Elektro email: tiantorus11@gmail.com ABSTRAK Pola yang dibentuk oleh
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Daging merupakan salah satu komoditi peternakan yang menjadi andalan yang sangat menunjang untuk memenuhi kebutuhan dasar bahan pangan di Indonesia. Kebutuhan akan
Lebih terperinciPERANCANGAN PENDETEKSI WAJAH DENGAN ALGORITMA LBP (LOCAL BINARY PATTERN) BERBASIS RASPBERRY PI
PERANCANGAN PENDETEKSI WAJAH DENGAN ALGORITMA LBP (LOCAL BINARY PATTERN) BERBASIS RASPBERRY PI Nadia R.W (0822084) Email: neko882neko@yahoo.co.id Jurusan Teknik Elektro, Fakultas Teknik,, Jl. Prof. Drg.
Lebih terperinciBAB 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 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 terperinciPREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES
PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES Selvy Megira 1), Kusrini 2), Emha Taufiq Luthfi 3) 1), 2), 3) Teknik Universitas AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih terperinciABSTRAK. v Universitas Kristen Maranatha
ABSTRAK Tanda tangan merupakan sesuatu yang unik yang dimiliki setiap orang sehingga seringkali dipakai untuk menentukan keabsahan dokumen ataupun transaksi. Akan tetapi tanda tangan menjadi rentan terhadap
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN
Jurnal Teknik Informatika Vol. 1 September 2012 1 PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN Wahyu Saputra Wibawa 1, Juni Nurma Sari 2, Ananda 3 Program Studi
Lebih terperinciDeteksi Kualitas Telur Menggunakan Analisis Tekstur
IJCCS, Vol.11, No.2, July 2017, pp. 199~208 ISSN: 1978-1520 199 Deteksi Kualitas Telur Menggunakan Analisis Tekstur Enny Itje Sela* 1, M Ihsan 2 1 Teknik Informatika, Universitas Teknologi Yogyakarta,
Lebih terperinciPENGENALAN BILANGAN ARAB MENGGUNAKAN TEMPLATE MATCHING
Powered by TCPDF (www.tcpdf.org) PENGENALAN BILANGAN ARAB MENGGUNAKAN TEMPLATE MATCHING Muhammad Hanif Dwiadi¹, Sofia Naning Hertiana², Gelar Budiman³ ¹Teknik Telekomunikasi,, Universitas Telkom Abstrak
Lebih terperinciUCAPAN TERIMAKASIH. Denpasar, Agustus Penulis
UCAPAN TERIMAKASIH Segenap puja dan puji syukur penulis panjatkan kehadapan Ida Sang Hyang Widhi Wasa sebagai sumber dari segala sumber pengetahuan, karena atas asung kertha wara nugrahanya Tesis yang
Lebih terperinciAplikasi Image Retrieval dengan Histogram Warna dan Multiscale
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 Aplikasi Image Retrieval dengan Histogram Warna dan Multiscale GLCM Arwin Halim 1, Hardy 2, Mytosin 3 STMIK Mikroskil, Jl. Thamrin No. 112, 124, 140,
Lebih terperinciSistem Informasi Geografis Kecamatan Ilir Barat II Berbasis Mobile
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Sistem Informasi Geografis Kecamatan Ilir Barat II Berbasis Mobile Ahmad Padhli 1, Dedy Hermanto 2 1,2 STMIK GI MDP; Jalan Rajawali 14, Palembang,
Lebih terperinciKlasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor
Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor Puspa Rizky Trisnaningtyas 1, Maimunah 2 Program Studi Teknik Komputer Universitas Islam 45 Bekasi, Indonesia
Lebih terperinciIDENTIFIKASI NOMOR POLISI KENDARAAN BERMOTOR MENGGUNAKAN JARINGAN SYARAF TIRUAN SELF ORGANIZING MAPS (SOMS)
Powered by TCPDF (www.tcpdf.org) IDENTIFIKASI NOMOR POLISI KENDARAAN BERMOTOR MENGGUNAKAN JARINGAN SYARAF TIRUAN SELF ORGANIZING MAPS (SOMS) Inung Wijayanto¹, Iwan Iwut Tritoasmoro², Koredianto Usman³
Lebih terperinciLAPORAN PENELITIAN DOSEN MUDA. Sistem Identifikasi Teroris Dengan Pelacakan Dan Pengenalan Wajah
LAPORAN PENELITIAN DOSEN MUDA Sistem Identifikasi Teroris Dengan Pelacakan Dan Pengenalan Wajah Oleh : Endah Sudarmilah, S.T, M.Eng Umi Fadlillah, S.T Dibiayai oleh Koordinasi Perguruan Tinggi Swasta Wilayah
Lebih terperinciPENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT
PENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT Dedy Ahmad Kurniawan 1), Danny Kriestanto 2) Teknik Informatika, STMIK AKAKOM e-mail: dedyahmad.akakom10@gmail.com 1), danny@akakom.ac.id 2) ABSTRAK
Lebih terperinciBAB I PENDAHULUAN. Peminatan atau bidang peminatan adalah sebuah jurusan yang harus di
BAB I PENDAHULUAN I. Latar Belakang Peminatan atau bidang peminatan adalah sebuah jurusan yang harus di ambil oleh mahasiswa untuk menentukan arah kompetensi dan keahlian mahasiswa tersebut yang mana di
Lebih terperinciPENERAPAN ALGORITMA DIJKSTRA DAN FUZZY LOGIC SUGENO PADA GAME ZOMBIE SHOOTER
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 PENERAPAN ALGORITMA DIJKSTRA DAN FUZZY LOGIC SUGENO PADA GAME ZOMBIE SHOOTER Andryano Pratama 1, Fadli Delta Rizky 2, Daniel Udjulawa 3 3 STMIK GI
Lebih terperinciPengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya
Pengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya 1 Hafidz Surahman 1, Aisyah Fuja 2, Ir.Rubandi 3, Willy 4 1,2 STMIK GI MDP; Jalan Rajawali No.14 Palembang,
Lebih terperinciBAB II DASAR TEORI. luar dan daging iga sangat umum digunakan di Eropa dan di Amerika Serikat
6 BAB II DASAR TEORI 2.1. Daging Sapi dan Daging Babi 2.1.1.Daging Sapi Daging sapi adalah daging yang diperoleh dari sapi yang biasa dan umum digunakan untuk keperluan konsumsi makanan. Di setiap daerah,
Lebih terperinciKLASIFIKASI JENIS KUALITAS KEJU DENGAN MENGGUNAKAN METODE GRAY LEVEL COOCCURRENCE MATRIX (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) PADA CITRA DIGITAL
e-proceeding of Engineering : Vol.4, No.2 Agustus 207 Page 2035 KLASIFIKASI JENIS KUALITAS KEJU DENGAN MENGGUNAKAN METODE GRAY LEVEL COOCCURRENCE MATRIX (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) PADA CITRA
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 terperinciIDENTIFIKASI SERAT LURUS DAN MIRING PADA KAYU OLAHAN MENGGUNAKAN METODE KLASIFIKASI K-NEARESET NEIGHBOR
IDENTIFIKASI SERAT LURUS DAN MIRING PADA KAYU OLAHAN MENGGUNAKAN METODE KLASIFIKASI K-NEARESET NEIGHBOR Straight and Oblique Processed Wood Fiber Identification using K-Neareset Neighbor Classification
Lebih terperinciKLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER
KLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (STUDI KASUS : Calon Pendonor Darah di Kota Semarang) SKRIPSI Disusun Oleh : DHIMAS BAYUSUSETYO NIM. 24010212130081 DEPARTEMEN
Lebih terperinciPENGGUNAAN METODE TEMPLATE MATCHING UNTUK MENDETEKSI CACAT PADA PRODUKSI PELURU
PENGGUNAAN METODE TEMPLATE MATCHING UNTUK MENDETEKSI CACAT PADA PRODUKSI PELURU Oleh: Amilia Khoiro Masruri 1210 100 029 Dosen Pembimbing: Dr. Budi Setiyono, S.Si, MT JURUSAN MATEMATIKA FAKULTAS MATEMATIKA
Lebih terperinciPENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH
PENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH Rikko Ismail Hardianzah 1), Bambang Hidayat 2), Suhardjo 3) 1),2) Fakultas Teknik
Lebih terperinci