BAB IV HASIL DAN PEMBAHASAN
|
|
|
- Irwan Salim
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB IV HASIL DAN PEMBAHASAN Bab ini membahas langkah-langkah dari implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi aktivitas menggunakan algoritma k-nearest neighbor berdasarkan ekstraksi fitur gray level co-occurrence matrix (GLCM). 4.1 Data Citra Untuk data citra yang digunakan berjumlah 120 citra aktivitas dalam pertandingan sepak bola yang didapat dari video pertandingan yang diekstraksi menggunakan matlab, dengan rincian 40 citra teknik menendang bola, 40 citra teknik menggiring bola dan 40 citra teknik menyundul bola. Dari 120 data citra tersebut 90 data citra digunakan sebagai data training (latih) dan 30 data citra digunakan sebagai data testing (uji). Data citra yang digunakan adalah sebagai berikut : No Foto Citra Kelas No Nama Citra Kelas 1 Tendang 16 Giring 2 Tendang 17 Giring 44
2 45 3 Tendang 18 Giring 4 Tendang 19 Giring 5 Tendang 20 Giring 6 Tendang 21 Sundul 7 Tendang 22 Sundul 8 Tendang 23 Sundul 9 Tendang 24 Sundul 10 Tendang 25 Sundul
3 46 11 Giring 26 Sundul 12 Giring 27 Sundul 13 Giring 28 Sundul 14 Giring 29 Sundul 15 Giring 30 Sundul Tabel 4-1 : Data training (latih)
4 Ekstraksi Fitur GLCM Ekstraksi fitur GLCM menggunakan data citra aktivitas dengan langkah-langkah sebagai berikut: Data Citra Testing Gambar 4-1 : data citra training teknik menendang bola Data citra memiliki ukuran gambar 232kb dengan ukuran pixel 800 x 528 pixel. Dari citra diatas didapat nilai fitur ekstraksi GLCM sebagai berikut :
5 Tabel 4-2 : Fitur ekstraksi GLCM Komposisi Pixel Citra Dari data fitur ekstraksi GLCM ditentukan nilai komposisi pixel citra. Nilai Pixel Referensi Nilai Pixel Tetangga 0 0,0 0,1 0,2 0,3 0,... 0, ,0 1,1 1,2 1,3 1,... 1, ,0 2,1 2,2 2,3 2,... 2, ,0 3,1 3,2 3,3 3,... 3, ,0...,1...,2...,3...,......, ,0 255,1 255,2 255,3 255, ,255 Tabel 4-3 : Komposisi pixel citra
6 Normalisasi Fitur GLCM Selanjutnya fitur dinormalisasi dan hasil normalisasi fitur GLCM adalah sebagai berikut : e e e e e e e e e e e e e e e e e e e e e e e e e e e e Tabel 4-4 : Tabel Normalisasi GLCM Fitur Ekstraksi Dari Nilai Normalisasi Beberapa fitur glcm yang digunakan dalam penelitian ini adalah asm, kontras, IDM, entropi dan korelasi. Berdasarkan dari fitur ekstraksi dari bab 2 didapat data citra fitur GLCM sudut G0, G45, G90, G135 Contoh perhitungan ASM, Kontras, IDM, Entropi, Korelasi data citra tendang01.jpg Hitung fitur ekstraksi 1. ASM ASM =
7 50 ASM = ASM = 2. Kontras Kontras = Kontras = 3. IDM IDM = IDM = 4. Entropi Entropi = Entropi = 5. Korelasi Korelasi = Korelasi =
8 51 Sehingga data fitur ektraksi GLCM yang dihasilkan adalah : No Nama Citra ASM G0 Kontras G0 IDM G0 Entropi G0 Korelasi G0 1 tendang01.jpg tendang02.jpg tendang03.jpg tendang04.jpg tendang05.jpg giring01.jpg giring02.jpg giring03.jpg giring04.jpg giring05.jpg sundul01.jpg sundul02.jpg sundul03.jpg sundul04.jpg sundul05.jpg Tabel 4-5 : Fitur GLCM sudut G0 data training No Nama Citra ASM G45 Kontras G45 IDM G45 Entropi G45 Korelasi G45 1 tendang01.jpg tendang02.jpg tendang03.jpg tendang04.jpg tendang05.jpg giring01.jpg giring02.jpg giring03.jpg
9 52 9 giring04.jpg giring05.jpg sundul01.jpg sundul02.jpg sundul03.jpg sundul04.jpg sundul05.jpg Tabel 4-6 : Fitur GLCM sudut G45 data training No Nama Citra ASM G90 Kontras G90 IDM G90 Entropi G90 Korelasi G90 1 tendang01.jpg tendang02.jpg tendang03.jpg tendang04.jpg tendang05.jpg giring01.jpg giring02.jpg giring03.jpg giring04.jpg giring05.jpg sundul01.jpg sundul02.jpg sundul03.jpg sundul04.jpg sundul05.jpg Tabel 4-7 : Fitur GLCM sudut G90 data training
10 53 No Nama Citra ASM G135 Kontras G135 IDM G135 Entropi G135 Korelasi G135 1 tendang01.jpg tendang02.jpg tendang03.jpg tendang04.jpg tendang05.jpg giring01.jpg giring02.jpg giring03.jpg giring04.jpg giring05.jpg sundul01.jpg sundul02.jpg sundul03.jpg sundul04.jpg sundul05.jpg Tabel 4-8 : Fitur GLCM sudut G135 data training 4.3 Klasifikasi K-Nearest Neighbor Setelah melakukan ekstraksi ciri menggunakan fitur ekstraksi glcm dari setiap citra aktivitas dalam pertandingan sepak bola, selanjutnya adalah proses klasifikasi yaitu menetukan citra uji kedalam kelas yang sudah ditetapkan sebelumnya. Klasifikasi yang digunakan adalah metode klasifikasi k-nearest neighbor. Proses dari K-nearest neighbor adalah dengan mencari jarak terdekat pada citra uji dan citra latih. Setelah jarak terdekatnya diketahui maka berdasarkan jarak yang didapat, data akan masuk kedalam kelas terdekat yang sudah ditetapkan. Terdapat tiga kelas dalam klasifikasi ini, yaitu kelas tendang, kelas giring dan kelas sundul. Hasil dari proses
11 54 menggunakan algoritma K-nearest neighbor dengan data latih dan data testing serta k=5 adalah sebagai berikut : Contoh klasifikasi K-nearest neighbor dengan data testing testtendang01.jpg : Menentukan jarak data terhadap data testing dengan rumus : d( p, q) i ( p i q i 2 ) No Nama citra ASM Kontras IDM Entropi Korelasi Kelas Jarak G0 G0 G0 G0 G0 1 tendang01.jpg 8, ,1904 0,4179 7,7835 3, , tendang02.jpg 4, ,6151 0,1766 8,3457 6, , tendang03.jpg 0, ,5697 0,5007 7,2980 3, , giring01.jpg 6, ,6421 0,3517 8,1559 3, , giring02.jpg 4, ,9453 0,3261 8,3191 3, , giring03.jpg 0, ,7653 0,4260 7,9526 3, , sundul01.jpg 0, ,6016 0,5038 7,4754 3, , sundul02.jpg 8, ,3511 0,3304 7,7796 5, , sundul03.jpg 5, ,4009 0,2086 8,6814 2, , testtendang01.jpg 5, ,5503 0,3771 8,3525 2,6967? 118,3497 Tabel 4-9 : Klasifikasi jarak KNN Selanjutnya menentukan kelas dari jarak yang terkecil. Data jarak diurutkan dari yang terkecil. Berikut hasilnya : No Nama citra ASM Kontras IDM Entropi Korelasi Kelas Jarak G0 G0 G0 G0 G0 2 tendang02.jpg 4, ,6151 0,1766 8,3457 6, , sundul01.jpg 0, ,6016 0,5038 7,4754 3, , giring01.jpg 6, ,6421 0,3517 8,1559 3, , giring03.jpg 0, ,7653 0,4260 7,9526 3, , giring02.jpg 4, ,9453 0,3261 8,3191 3, , sundul02.jpg 8, ,3511 0,3304 7,7796 5, ,4523
12 55 3 tendang03.jpg 0, ,5697 0,5007 7,2980 3, , tendang01.jpg 8, ,1904 0,4179 7,7835 3, , testtendang01.jpg 5, ,5503 0,3771 8,3525 2,6967? 118, sundul03.jpg 5, ,4009 0,2086 8,6814 2, ,4771 Tabel 4-10 : Klasifikasi KNN dari jarak yang terkecil Jadi data testtendang01.jpg dengan k = 5 termasuk ke dalam kelas 2. Berikut hasil klasifikasi KNN data testing : No Data Testing Label Testing Kelas Testing Hasil 1 testtendang01.jpg 1 1 True 2 testtendang02.jpg 1 2 False 3 testtendang03.jpg 1 1 True 4 testtendang04.jpg 1 1 True 5 testtendang05.jpg 1 3 False 6 testtendang06.jpg 1 2 False 7 testtendang07.jpg 1 2 False 8 testtendang08.jpg 1 1 True 9 testtendang09.jpg 1 1 True 10 testtendang10.jpg 1 1 True 11 testgiring01.jpg 2 3 False 12 testgiring02.jpg 2 3 False 13 testgiring03.jpg 2 1 False 14 testgiring04.jpg 2 2 True 15 testgiring05.jpg 2 2 True 16 testgiring06.jpg 2 2 True
13 56 17 testgiring07.jpg 2 3 False 18 testgiring08.jpg 2 2 True 19 testgiring09.jpg 2 3 False 20 testgiring10.jpg 2 2 True 21 testsundul01.jpg 3 3 True 22 testsundul02.jpg 3 3 True 23 testsundul03.jpg 3 1 False 24 testsundul04.jpg 3 3 True 25 testsundul05.jpg 3 3 True 26 testsundul06.jpg 3 2 False 27 testsundul07.jpg 3 3 True 28 testsundul08.jpg 3 2 False 29 testsundul09.jpg 3 1 False 30 testsundul10.jpg 3 1 False Tabel 4-11 : Hasil klasifikasi K-nearest neighbor Klasifikasi citra jenis teknik aktivitas menggunakan metode K-nearest neighbor dengan k=5 berdasarkan GLCM dengan sudut G0, G45, G90, G135 pada tabel 4-11 menghasilkan tingkat akurasi sebesar 53.33%. = = = x 100% = 53,33 %
BAB IV PEMBAHASAN. Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil
BAB IV PEMBAHASAN Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil model Radial Basis Function Neural Network untuk diagnosa kanker otak, hasil klasifikasi, dan ketepatan hasil klasifikasinya.
BAB 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
BAB 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
BAB 3 METODOLOGI. untuk mengurangi adanya false positive dan false negative. False positive dalam hal ini
34 BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah Dalam proses diagnosis kanker payudara dibutuhkan akurasi yang tinggi untuk mengurangi adanya false positive dan false negative. False positive dalam
BAB 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
BAB I PENDAHULUAN 1.1 LATAR BELAKANG. Tekstur adalah salah satu elemen dasar citra. Elemen dasar ini berupa ciriciri
1 BAB I PENDAHULUAN 1.1 LATAR BELAKANG Tekstur adalah salah satu elemen dasar citra. Elemen dasar ini berupa ciriciri atau sifat-sifat yang terdapat didalam citra dan membentuk suatu pola-pola dengan interval
BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker merupakan salah satu penyebab utama mortalitas di dunia (sekitar 13% dari seluruh penyebab mortalitas), diperkirakan angka mortalitas sekitar 7,9 juta kematian
TEMU KEMBALI CITRA UNTUK PENGENALAN BATIK PADA CITRA 2D MENGGUNAKAN FITUR TEKSTUR MATRIKS KOOKURENSI ARAS KEABUAN DAN FUNGSI JARAK CANBERRA
1 TEMU KEMBAI CITRA UNTUK PENGENAAN BATIK PADA CITRA D MENGGUNAKAN FITUR TEKSTUR MATRIKS KOOKURENSI ARAS KEABUAN DAN FUNGSI JARAK CANBERRA Intan Putri Rakasiwi 1, Ricardus Anggi Pramunendar Universitas
APLIKASI EKSTRAKSI CIRI TEKSTUR MENGGUNAKAN METODA GRAY LEVEL CO OCCURRENCE MATRIX
APLIKASI EKSTRAKSI CIRI TEKSTUR MENGGUNAKAN METODA GRAY LEVEL CO OCCURRENCE MATRIX HASAN BASRI 41512010059 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS MERCU BUANA JAKARTA 2015 JUDUL
Ektraksi Fitur Citra Paru-Paru Menggunakan Gray Level Co-ocurance Matriks
Ektraksi Fitur Citra Paru-Paru Menggunakan Gray Level Co-ocurance Matriks Tri Deviasari Wulan Sistem Informasi, Fakultas Teknik, Universitas Nahdlatul Ulama Surabaya tridevi@unusa.ac.id ABSTRAK Penelitian
KLASIFIKASI BATIK MENGGUNAKAN METODE K-NEAREST NEIGHBOUR BERDASARKAN GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM)
KASIFIKASI BATIK MENGGUNAKAN METODE K-NEAREST NEIGHBOUR BERDASARKAN GRAY EVE CO-OCCURRENCE MATRICES (GCM) Hanang Wijayanto Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131 1110110686@mhs.dinus.ac.id
Perancangan Konversi Braille Ke Teks Berbasis Android
Perancangan Konversi Braille Ke Teks Berbasis Android Intan Sulviyani 1, Ledya Novamizanti 2, Ratri Dwi Atmaja 3 Teknik Telekomunikasi, Telkom University 1,2,3 intansviany@gmail.com Abstrak Komunikasi
BAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Identifikasi Masalah Identifikasi permasalahan ini bahwasanya diambil dari sudut pandang masyarakat tentang objek (batik) yang dikenal dari segi pola dan gambar
Mempelajari dasar-dasar teori dan mengumpulkan referensi yang berhubungan dengan batubara, jenis batubara, metode ekstraksi ciri Discrete Wavelet
BAB 1 PENDAHULUAN 1.1 Latar Belakang Batubara adalah bahan bakar fosil yang dapat terbakar, terbentuk dari endapan batuan organik yang terutama terdiri dari karbon, hidrogen dan oksigen. Batubara terbentuk
KLASIFIKASI 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
KLASIFIKASI 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
PERANCANGAN DAN SIMULASI IMAGE RETREIVAL MENGGUNAKAN METODE COLOR HISTOGRAM, GREY LEVEL CO-OCCURRENCE MATRIX DAN KNN (Design and Simulation of Image Retreival Using Color Histogram, Grey Level Co-Occurrence
Klasifikasi 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
BAB 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
BAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Beras merupakan makanan pokok penduduk dunia salah satunya Indonesia sebagai Negara dengan tingkat konsumsi beras mencapai 139 kilogram perkapita per tahun dan menjadikan
Dosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
BAB III PEMBAHASAN. arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk
BAB III PEMBAHASAN Bab III merupakan pembahasan yang meliputi proses penelitian yaitu arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk klasifikasi stadium kanker payudara,
BAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Kayu merupakan salah satu komoditi yang dapat digunakan untuk beberapa keperluan, seperti bahan bangunan, furniture, dll. Setiap jenis kayu memiliki karakteristik
Jl. 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
BAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kain adalah bahan dasar dari pakaian yang biasa digunakan sebagai kebutuhan pokok manusia untuk melindungi dan menutup dirinya. Kain pun dapat menjadi identitas suatu
Deteksi Glaukoma pada Citra Fundus Retina dengan Metode K-Nearest Neighbor
Deteksi Glaukoma pada Citra Fundus Retina dengan Metode K-Nearest Neighbor Dian Saktian Tobias 1, Anastasia Rita Widiarti 2 1,2 Program Studi Teknik Informatika, Fakultas Sains Dan Teknologi, Universitas
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
Dedi 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
IDENTIFIKASI 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
Perancangan dan Simulasi Deteksi Penyakit Tanaman Jagung Berbasis Pengolahan Citra Digital Menggunakan Metode Color Moments dan GLCM
TEKNOLOGI DI INDUSTRI (SENIATI) 206 ISSN : 2085-428 Peranangan dan Simulasi Deteksi Penyakit Tanaman Jagung Berbasis Pengolahan Citra Digital Menggunakan Metode Color Moments dan GLCM Intan Permata Sari,*,
PENGENALAN VARIETAS MANGGA BERDASARKAN BENTUK DAN TEKSTUR DAUN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PENGENALAN VARIETAS MANGGA BERDASARKAN BENTUK DAN TEKSTUR DAUN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Fathorazi Nur Fajri, Purwanto 2, Ricardus Anggi Pramunendar 3 23 Pascasarjana Teknik Informatika
DAFTAR ISI. BAB II... Error! Bookmark not defined.
DAFTAR ISI SKRIPSI... Error! Bookmark not defined. HALAMAN PERSETUJUAN SKRIPSI... Error! Bookmark not defined. PENGESAHAN DEWAN PENGUJI... Error! Bookmark not defined. PERNYATAAN KEASLIAN TUGAS AKHIR...
BAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira 50408896 Dr. Karmilasari Kanker Latar Belakang Kanker
BAB III ANALISA DAN PERANCANGAN
BAB III ANALISA DAN PERANCANGAN 3.1. Analisis Sistem Tahapan analisis merupakan tahapan yang paling awal dalam pembuatan sistem aplikasi ini. Analisis sistem dilakukan dengan tujuan untuk mengetahui dan
MODIFIKASI ALGORITMA K-NEAREST NEIGHBOUR MENGGUNAKAN CHEBYSHEV DISTANCE BERDASARKAN GRAY LEVEL CO-OCCURRENCE MATRIX UNTUK KLASIFIKASI KAYU
MODIFIKASI ALGORITMA K-NEAREST NEIGHBOUR MENGGUNAKAN CHEBYSHEV DISTANCE BERDASARKAN GRAY LEVEL CO-OCCURRENCE MATRIX UNTUK KLASIFIKASI KAYU Thariq Hafizhuddin Aufar 1, Ricardus Anggi Pramunendar 2 Jurusan
BAB 1 PENDAHULUAN Latar belakang masalah
BAB 1 PENDAHULUAN 1.1. Latar belakang masalah Saluran pernapasan pada manusia terdiri dari rongga hidung, faring, laring, trakea, percabangan bronkus dan paru-paru (bronkiolus, alveolus). Paru-paru merupakan
Identifikasi 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
ISSN : e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 263
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 263 DETEKSI KANKER KOLOREKTAL (KANKER USUS BESAR) MENGGUNAKAN METODE GRAY LEVEL COOCCURENCE MATRIX DAN K-NEAREST NEIGHBOR BERBASIS
UKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Cabai merupakan tanaman yang banyak dibutuhkan untuk kehidupan sehari hari seperti memasak, baik secara langsung ataupun diolah dahulu. Salah satu contoh produk olahan
BAB 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
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
BAB III METODE PENELITIAN
BAB III METODE PENEITIAN 3. Pengumpulan Data Data yang digunakan dalam penelitian ini merupakan data citra tenun yang berasal dari beberapa daerah yang ada di indonesia, yakni tenun dari daerah Bali, Sumatra,
BAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan sistematika tahapan yang dilaksanakan selama pembuatan penelitian tugas akhir. Secara garis besar metodologi penelitian tugas akhir ini dapat
BAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Pada bagian ini penulis akan menganalisa kebutuhan kebutuhan dalam membuat program ini. Setelah semua kebutuhan selesai dianalisa, maka penulis akan melanjutkan ke tahap
DETEKSI ADANYA CACAT PADA KAYU MENGGUNAKAN METODE LOCAL BINARY PATTERN DETECTION OF THE EXISTENCE OF THE DEFECTS IN WOOD USING LOCAL BINARY PATTERN
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 298 DETEKSI ADANYA CACAT PADA KAYU MENGGUNAKAN METODE LOCAL BINARY PATTERN DETECTION OF THE EXISTENCE OF THE DEFECTS IN WOOD USING
BAB 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
IMPLEMENTASI 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
IDENTIFIKASI DAGING SAPI DAN DAGING BABI MENGGUNAKAN FITUR EKSTRAKSI GREY LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR CLASSIFIER
IDENTIFIKASI DAGING SAPI DAN DAGING BABI MENGGUNAKAN FITUR EKSTRAKSI GREY LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR CLASSIFIER Ferry Anggriawan Susanto A11.2011.06083 1, Catur Supriyanto 2 Program
BAB III METODE PENELITIAN. sekunder berupa citra Magnetic Resonansi Image (MRI) yang diperoleh dari
BAB III METODE PENELITIAN Metode penelitian yang dilakukan pada penelitian ini adalah teknik pengumpulan data dan teknik analisis data. A. Teknik Pengumpulan Data Data yang digunakan pada penelitian ini
BAB 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
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Bertambahnya jumlah mahasiswa dari tahun ke tahun di IT Telkom mengakibatkan semakin banyak buku buku Tugas Akhir yang dibuat. Dengan semakin banyaknya buku
HALAMAN 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
BAB III PEMBAHASAN. A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium
BAB III PEMBAHASAN A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium Kanker Payudara Fuzzy Neural Network (FNN) adalah gabungan sistem fuzzy dengan Artificial Neural Network (ANN).
EKSTRAKSI FITUR MENGGUNAKAN GLCM (Gray Level Co- Occurrance Matrix) DAN JARAK EUCLIDEAN UNTUK PENGENALAN JENIS BATIK TULIS DAN BATIK CAP
EKSTRAKSI FITUR MENGGUNAKAN GLCM (Gray Level Co- Occurrance Matrix) DAN JARAK EUCLIDEAN UNTUK PENGENALAN JENIS BATIK TULIS DAN BATIK CAP Riadlotul Mufailah 1, Aripin, M.Kom 2 Teknik Informatika, Fakultas
Prodi S1 Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom 3 Fakultas Peternakan, Universitas Padjadjaran
0 DETEKSI KUALITAS DAN KESEGARAN TELUR AYAM RAS BERDASARKAN DETEKSI OBJEK TRANSPARAN DENGAN METODE GREY LEVEL CO-OCCURRENCE MATRIX (GLCM) DAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN) Rizka Kaamtsaalil Salsabiilaa,
BAB II TINJAUAN PUSTAKA. teori yang sesuai dengan penelitian printer forensik
BAB II TINJAUAN PUSTAKA Pada bagian ini akan menguraikan tentang tinjauan pustaka dan landasan teori yang sesuai dengan penelitian printer forensik 2.1 Tinjauan Pustaka Penelitian printer forensik untuk
PERBANDINGAN KINERJA EKSTRAKSI FITUR TINGKAT RENDAH MENGGUNAKAN METODE
PERBANDINGAN KINERJA EKSTRAKSI FITUR TINGKAT RENDAH MENGGUNAKAN METODE Gray Level Co-occurrence Matrix (GLCM) dan GABOR FILTER DALAM PENGENALAN MOTIF BATIK OLEH : ANUGRAH SURADIPURWO NIM : 41508110061
Identifikasi Tumbuhan Obat Herbal Berdasarkan Citra Daun Menggunakan Algoritma Gray Level Co-occurence Matrix dan K-Nearest Neighbor
Tersedia di https://jtsiskom.undip.ac.id (14 Maret 2018) DOI: 10.14710/jtsiskom.6.2.2018.51-56 Jurnal Teknologi dan Sistem Komputer, 6(2), 2018, 51-56 Identifikasi Tumbuhan Obat Herbal Berdasarkan Citra
Deteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor
Deteksi Kualitas Pemasangan Ubin Berbasis Ekstraksi Ciri Bunyi Dengan Klasifikasi K-Nearest Neighbor Regha Julian Pradhana 1,*, Bambang Hidayat 1, Ratri Dwi Atmaja 1 1 Fakultas Teknik Elektro, Universitas
PENGOLAHAN 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
Segmentasi Citra menggunakan Support Vector Machine (SVM) dan Ellipsoid Region Search Strategy (ERSS) Arimoto Entropy berdasarkan Ciri Warna dan Tekstur Lukman Hakim 1, Siti Mutrofin 2, Evy Kamilah Ratnasari
BAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan studi (state of the art) Berikut penelitian yang telah dilakukan sebelumnya : 1. Penelitian dilakukan oleh Sigit Sugiyanto Feri Wibowo (2015), menjelaskan tentang klasifikasi
GRAY LEVEL COOCURENCE MATRIX SEBAGAI PENGEKSTRAKSI CIRI PADA PENGENALAN NASKAH BRAILLE
GRAY LEVEL COOCURENCE MATRIX SEBAGAI PENGEKSTRAKSI CIRI PADA PENGENALAN NASKAH BRAILLE Yegar Sahaduta 1), Chairisni Lubis 2) 1) Fakultas Teknologi Informasi-Universitas Tarumanagara Jl. S. Parman No.1,
BAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Parkir adalah kegiatan manusia sehari-hari. Setiap pemilik kendaraan haruslah memarkir kendaraannya jika dibawa dalam beraktifitas. Dalam hal ini dikebanyakan tempat
BAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Digital [3] Citra atau gambar didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y), di mana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap
BAB 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
BAB 1 PENDAHULUAN. sistem analog menjadi sistem komputerisasi. Salah satunya adalah sistem
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan teknologi digital pada era ini berkembang sangat pesat. Hampir setiap tahun telah ditemukan ataupun dikembangkan sebuah inovasi teknologi baru.
ISSN : e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 1638
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 1638 KLASIFIKASI JENIS BATUAN SEDIMEN BERDASARKAN TEKSTUR DENGAN METODE GRAY LEVEL CO-OCCURRENCE MATRIX DAN K-NN Classification
BAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Modified k-nearest Neighbor untuk mengidentifikasi diabetic retinopathy.
BAB 1 PENDAHULUAN. Perkembangan pengetahuan dibidang kecerdasan buatan sedemikian
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan pengetahuan dibidang kecerdasan buatan sedemikian pesatnya, seperti penelitian segmentasi dokumen. Segmentasi dokumen membuat pengguna menjadi mudah
SISTEM 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
IMPLEMENTASI 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
APLIKASI IDENTIFIKASI MOTIF BATIK MENGGUNAKAN METODE EKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) BERBASIS ANDROID
APLIKASI IDENTIFIKASI MOTIF BATIK MENGGUNAKAN METODE EKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) BERBASIS ANDROID BATIK S PATTERN IDENTIFICATION THROUGH FEATURE EXTRACTION METHOD, GRAY LEVEL
Pengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN)
Pengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN) Iman Ilmawan Muharam Manajemen Sistem Informasi Universitas Gunadarma Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat ilmawan@sta.gunadarma.ac.id
BAB I PENDAHULUAN. kulit rentan mengalami penyakit, salah satu penyakit yang paling berbahaya adalah kanker kulit.
BAB I PENDAHULUAN 1.1 Latar Belakang Kulit merupakan salah satu bagian terpenting dalam organ tubuh manusia. Hal ini disebabkan, karena kulit berfungsi sebagai organ paling luar yang menutupi hampir seluruh
DAFTAR 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
BAB 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
APLIKASI PENGKLASIFIKASIAN MOTIF BATIK TULIS LASEM MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM) DAN SUPPORT VECTOR MACHINE (SVM)
APLIKASI PENGKLASIFIKASIAN MOTIF BATIK TULIS LASEM MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Sebagai Salah Satu Syarat Untuk Memperoleh
EKSTRAKSI 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
2.Landasan Teori. 2.1 Konsep Pemetaan Gambar dan Pengambilan Data.
6 2.Landasan Teori 2.1 Konsep Pemetaan Gambar dan Pengambilan Data. Informasi Multi Media pada database diproses untuk mengekstraksi fitur dan gambar.pada proses pengambilan, fitur dan juga atribut atribut
KLASIFIKASI JENIS KAYU DENGAN GRAY-LEVEL CO-OCCURRENCE
Jurnal Ilmiah Teknologi dan Informasi ASIA Vol. 7 No., Februari 3 KLASIFIKASI JENIS KAYU DENGAN GRAY-LEVEL CO-OCCURRENCE MATRICES (GLCMs) dan K-NEAREST NEIGHBOR Jaenal Arifin, Yuliana Melita.. STMIK ASIA
Penyusun Tugas Akhir Alvian Adi Pratama [ ] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom.
![Penyusun Tugas Akhir Alvian Adi Pratama [ ] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom.](/thumbs/62/48013424.jpg "Penyusun Tugas Akhir Alvian Adi Pratama [ ] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom.")
Penyusun Tugas Akhir Alvian Adi Pratama [5106100108] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom. Latar Belakang Batik merupakan harta kebudayaan Indonesia yang
BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Indonesia merupakan sebuah salah satu negara yang dikenal sebagai penghasil berbagai macam sumber daya alam, termasuk sumber daya alam berupa kayu-kayuan. Kayu di Indonesia
KLASIFIKASI TENUN MENGGUNAKAN METODE K-NEAREST NEIGHBOUR BERDASARKAN GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM)
KASIFIKASI TENUN MENGGUNAKAN METODE K-NEAREST NEIGHBOUR BERDASARKAN GRAY EVE CO-OCCURRENCE MATRICES (GCM) Eka Putra Satrio 1, T. Sutojo,S.Si, M.Kom 2 Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No.
ADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker merupakan proses penyakit yang terjadi karena sel abnormal mengalami mutasi genetik dari DNA seluler. Sel abnormal membentuk klon dan berproliferasi secara abnormal
PENGENALAN CIRI GARIS TELAPAK TANGAN MENGGUNAKAN EKSTRAKSI FITUR (GLCM) DAN METODE K-NN
32 ISSN: 1978-1520 PENGENALAN CIRI GARIS TELAPAK TANGAN MENGGUNAKAN EKSTRAKSI FITUR (GLCM) DAN METODE K-NN Palm Characteristic Recognition Using Feature Extraction (GLCM) and K- NN Method Intan Purnamasari
IDENTIFIKASI RETINA MATA MENGGUNAKAN JARAK EUCLIDEAN DENGAN PENCIRIAN MATRIKS KOOKURENSI ARAS KEABUAN (GRAY LEVEL CO-OCCURRENCE MATRIX-GLCM)
IDENTIFIKASI RETINA MATA MENGGUNAKAN JARAK EUCLIDEAN DENGAN PENCIRIAN MATRIKS KOOKURENSI ARAS KEABUAN (GRAY LEVEL CO-OCCURRENCE MATRIX-GLCM) 1 Andi Widiasmoro, 2 R. Rizal Isnanto, 3 Jatmiko Endro Suseno
BAB 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
BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker adalah suatu penyakit dimana terjadi pertumbuhan berlebihan atau perkembangan tidak terkontrol dari sel-sel jaringan pada bagian tubuh tertentu. Kanker payudara
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 1.1 Data Training Data training adalah data yang digunakan untuk pembelajaran pada proses data mining atau proses pembentukan pohon keputusan.pada penelitian ini
BAB II TINJAUAN PUSTAKA
2.1 Tinjauan Empiris BAB II TINJAUAN PUSTAKA Pada penelitian ini, peneliti menggunakan beberapa penelitian yang pernah dilakukan sebelumnya sebagai tinjauan studi. Berikut ialah tinjauan empiris yang digunakan:
Pengenalan 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,
SKRIPSI IDENTIFIKASI DAGING SAPI DAN DAGING BABI MENGGUNAKAN FITUR EKSTRAKSI GREY LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR CLASSIFIER
SKRIPSI IDENTIFIKASI DAGING SAPI DAN DAGING BABI MENGGUNAKAN FITUR EKSTRAKSI GREY LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR CLASSIFIER BEEF AND PORK IDENTIFICATION USING FEATURE EXTRACTION OF GREY
PENGENALAN CIRI GARIS TELAPAK TANGAN MENGGUNAKAN EKSTRAKSI FITUR (GLCM) DAN METODE K-NN
PENGENALAN CIRI GARIS TELAPAK TANGAN MENGGUNAKAN EKSTRAKSI FITUR (GLCM) DAN METODE K-NN PALM CHARACTERISTIC RECOGNITION USING FEATURE EXTRACTION (GLCM) AND K-NN METHOD Intan Purnamasari 1 T. Sutojo 2 JurusanTeknik
EKSTRAKSI FITUR TEKSTUR CITRA TEMPE MENGGUNAKAN METODE GRAY LEVEL CO-OCCURENCE MATRIX
EKSTRAKSI FITUR TEKSTUR CITRA TEMPE MENGGUNAKAN METODE GRAY LEVEL CO-OCCURENCE MATRIX WINDAYANI ACHMAD ZAENULLAH 41511120110 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS MERCU BUANA
IDENTIFIKASI MACAN TUTUL DENGAN METODE GREY LEVEL COOCURENT MATRIX ( GLCM) Zuly Budiarso Fakultas teknologi Informasi, Univesitas Stikubank Semarang
IDENTIFIKASI MACAN TUTUL DENGAN METODE GREY LEVEL COOCURENT MATRIX ( GLCM) Zuly Budiarso Fakultas teknologi Informasi, Univesitas Stikubank Semarang Abstrak Tekstur (Textures) adalah sifat-sifat atau karakteristik
Ekstraksi 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
IDENTIFIKASI JENIS KAYU MENGGUNAKAN LEARNING VECTOR QUANTIZATION BERDASARKAN FITUR TEKSTUR GRAY LEVEL CO-OCCURRENCE MATRIX
IDENTIFIKASI JENIS KAYU MENGGUNAKAN EARNING VECTOR QUANTIZATION BERDASARKAN FITUR TEKSTUR GRAY EVE CO-OCCURRENCE MATRIX Ahmad Yasir Fikri 1, Ricardus Anggi Pramunendar 2 Jurusan Tehnik Informatika, Fakultas
PENGELOMPOKAN CITRA BATIK MENGGUNAKAN ALGORITMA K-MEANS BERDASARKAN FITUR TEKSTUR DENGAN METODE GLCM
1 PENGEOMPOKAN CITRA BATIK MENGGUNAKAN AGORITMA K-MEANS BERDASARKAN FITUR TEKSTUR DENGAN METODE GCM Sulistiawan Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131 sulistiawann1@gmail.com