PENENTUAN KUALITAS IKAN BANDENG MENGGUNAKAN ALGORITMA NAIVE BAYES BERDASARKAN TEKSTUR PADA CITRA ABSTRAK
|
|
- Deddy Lesmono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 Nuswantoro Jl. Nakula I No.5-11, Semarang, Jawa Tengah, 50131, Indonesia nikamaghliga@gmail.com, hanny.haryanto@dsn.dinus.ac.id ABSTRAK Salah satu komoditas perikanan yang sangat laris di pasar domestik maupun untuk kebutuhan ekspor adalah ikan bandeng, dengan negara-negara tujuan ekspornya adalah Filipina,Singapura,Taiwan, dan Thailand. Ikan bandeng yang berkualitas memiliki ciri-ciri tekstur daging yang keyal, berbadan gemuk atau montok, terlihat segar, insang yang terlihat berwarna merah. Untuk mengenali kualitas ikan bandeng yang keadaannya segar atau busuk melalui mata ikan bandeng dengan menggunakan algoritma naive bayes dan metode ekstraksi fitur. Dengan menerapakan kedua metode tersebut, diharapkan konsumen dapat mengetahui kualitas ikan bandeng secara visual tanpa menggunakan alat bantu. Dalam penelitian ini menggunakan metode Naive Bayes sebagai klasifikasi dan tekstur fitur. Metode ekstraksi fitur tekstur digunakan untuk mengenali pola tertentu apabila dilihat oleh mata manusia mudah untuk dibedakan, maka secara komputerisasi diharapkan dapat memiliki sifat pengenalan pola yang dimiliki manusia. Algoritma naive bayes berfungsi untuk memprediksi probabilitas data yang terdapat pada masing-masing class. Nilai hasil dari akurasinya adalah sebesar 80%, nilai recall sebesar 80% dan presisinya 81%. Kata kunci: naive bayes, ekstraksi fitur, ikan bandeng, segar, busuk
2 I. PENDAHULUAN Indonesia merupakan negara yang mendapat julukan sebagai negara maritim yang artinya adalah negara yang terdiri dari 2/3 wilayahnya merupakan lutan, dan Indonesia menjadi salah satu negara penghasil kekayaan laut yang terbesar di dunia [1] [2]. Salah satu komoditas perikanan yang sangat laris di pasar domestik maupun untuk kebutuhan ekspor adalah ikan bandeng, dengan negara-negara tujuan ekspornya adalah Filipina,Singapura,Taiwan, dan Thailand. Ikan bandeng yang berkualitas memiliki ciri-ciri tekstur daging yang keyal, berbadan gemuk atau montok, terlihat seg Tetapi jika dilihat dua sisi tersebut kurang akurat maka dalam penelitian ini menggunakan media mata ikan bandeng sebagai objek untuk menentukan kualitas ikan bandeng. Dari mata jika dilihat terdapat perbedaan struktur dari ikan dalam kondisi baik maupun sudah membusuk yaitu, mata ikan bandeng yang masih segar struktur matanya masih kenyal dan bulat sempurna sedangkan untuk kondisi mata ikan bandeng kurang baik struktur mata akan lembek dan tidak bulat sempurna.ar, insang yang terlihat berwarna merah. Metode Histogram merupakan statis orde satu yang berfungsi untuk memperoleh fitur tekstur. Fitur tekstur dikenali melalui metode histogram yang diantaranya adalah rerata intensitas, deviasi standar, sekwness, energi, entropi dan kehalusan [3]. Fitur-fitur tekstur lalu diproses dengan menggunakan metode klasifikasi untuk menentukan dua kualitas ikan bandeng yaitu menjadi ikan bandeng dengan kualitas baik, dan kualitas kurang baik (busuk). Metode Naive Bayes merupakan suatu metode supervised. Naive Bayes classifier mempunyai keunggulan untuk mengklasifikasi Decision Tree dan Neural Network. Naive Bayes classifier juga dapat menangani dataset yang besar baik dengan atribut variabel diskrit atau kontinyu [4] [5]. Dengan menggunakan algoritma tersebut maka dapat diharapkan agar mempermudah dalam proses penentuan kualitas ikan bandeng dengan akurasi yag baik. II. METODE YANG DIUSULKAN 2.1. Algoritma Naive Bayes Naive Bayes Classifier (NBC) dapat juga disebut dengan Bayesian Classification yang merupakan metode pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan dari satu class. Naive Bayes Classifier juga dapat menangani dataset yang besar baik dengan atribut variabel diskrit kontinyu [5]. Bentuk umum Naive Bayes Classifier yaitu [5] : P(C i X)= ( ) ( ) ( ) Data yang bernilai nominal adalah sebagai pengguna metode sebelumnya yang akan berjalan secara langsung. Data yang bernilai numerik memiliki probabilitas normal atau gaussian
3 dengan menghitung nilai dari rerata μ dan standar deviasi σ pada setiap class. Di definisikan dengan rumus sebagai berikut: g(x, )= ( ) ( ) dapat disimpulkan dari persamaan diatas adalah pencarian probabilitaas X berdasarkan kondisi pada hipotesis Ci: P(X k C i ) = g(x i, i, i) 2.2. Ekstraksi Fitur Berbasis Histogram Statistical Histogram adalah suatu metode yang digunakan untuk mendapatkan tekstur pada histogram. Metode histogram digunakan untuk memperoleh fitur tekstur. Melalui metode histogram dapat mengenali beberapa fitur seperti rerata intensitas, deviasi standar,skewness, energi, entropi dan kehalusan [7]. Fitur yang pertama dapat dihitung secara statistik yang biasa disebut dengan rerata intensitas. Komponen-komponen fitur ini dihitung berdasarkan persamaan [7] [8]: 1. Rerata intensitas 2. Deviasi standar ( ) ( ) Pada σ2 disebut sebagai varians atau disebut sebagai momen orde dua ternormalisasi kerena p(i) merupakan fungsi peluang. Fitur ini memberikan ukuran kekontrasan. 3. Skewness ( ) ( ) Skewness atau yang disebut dengan momen orde tiga ternormalisasi, nilai negatif dinyatakan sebagai distribusi kecerahan yang condong ke kiri terhadap rerata dan nilai positif menyatakan bahwa distribusi kecerahan condong ke kanan terhadap rerata. 4. Energi ( ) Dapat dijabarkan, i adalah sebagai nilai keabuan pada citra f dan p(i) menyatakan sebagai probabilitas kemunculan i dan L yang menyatakan sebagai nilai keabuan tertinggi. Rumus tersebut akan menghasilkan rerata kecerahan objek. Citra dengan sedikit aras keabuan akan memiliki energi yang lebih tinggi daripada yang memiliki banyak nilai aras keabuan. Energi sering disebut sebagai keseragaman. 5. Entropi ( ( )( ( ( ))) Enteropi juga mempresentasikan jumlah informasi yang terkandung di dalam data.
4 6. Smoothness Dalam menghitung kehalusan, varians perlu di normalisasikan sehingga nilainya berbeda dalam jangkauan [0 1] dengan cara membaginya dengan (L-1)2 [8]. Untuk pendektan secara tekstur dengan probabilitas mempunya kelebihan pada sifatnya yang tidak tergantung pada operasi translasi, penyekalan, dan rotasi Pengukuran Akurasi, Recall, dan Presisi Nilai akurasi adalah jumlah dari recod data yang nantinya akan diklasifikasikan oleh sebuah algoritma klasifikasi, selanjuta nilai persisi adalah proporsi jumlah kasus yang diprediksi posotif pada data yang sebenarnya. Sedangkan nilai recall adalah proporsi jumlah kasus positif yang sebenarnya diprediksi positif secara benar [4] [7] [8]. Untuk perhitungan nilai akurasi, presisi dan recall didefinisikan sebagai berikut: Akurasi = (TP+TN)/(TP+TN+FP+FN) Recall = (TP+TN)/(TP+FN) Presisi = TP/(TP+FP) 2.4. Evaluasi Performa Terdapat dua ukuran evaluasi yang digunakan untuk mengevaluasi efektivitas dari sistem mesin pencari gambar. Pengukuran pertama adalah recall yang merupakan ukuran dari kemampuan sebuah sistem untuk menampilkan seluruh gambar yang relevan [4]. Pengukuran kedua adalah precision yang merupakan ukuran dari kemampuan sebuah sistem untuk menampilkan hanya gambar yang relevan. Hasil temu kembali merepresentasikan hasil yang relevan jika hasil temu kembali tersebut termasuk ke dalam kategori gambar yang sama dengan gambar query [6]. III. METODOLOGI PENELITIAN 3.1. Teknik Analisa Data Dalam penelitian ini, setelah data didaptkan ada beberapa tahapan yang dilakukan terhadap data-data yang diperoleh. Tahapantahapan tersebut antara lain 1. Melakukan seleksi citra pada ikan bandeng yang memenuhi standart (berkualitas) dan ikan bandeng yang tidak memenuhi standart yang akan digunakan dalam penelitian 2. Menerapkan metode ekstraksi fitur tektur berbasis histogram dari data citra mata ikan bandeng. Selanjutnya akan di dapatkan data fitur atau ciri tekstur berupa rerata intesitas, deviasi standar, sekwness, energi, entropi dan kehalusan. 3. Hasil dari ekstraksi fitur tekstur citra kelapa berbasis histogram selanjutnya diolah kembali dengan metode naive bayes untuk menentukan kualitas ikan bandeng tersebut menjadi dua klasifikasi yaitu A dan B 4. Menghitung yang berfungsi untuk kecocokan antara hasil data yang telah di klasifikasikan menjadi dua kelas oleh metode yang diusulkan dengan data testing dari grader
5 untuk diuji tingkat kinerja keberhasilan sistem klasifikasi ikan bandeng Metode Penelitian dengan rerata intensitas. Komponenkomponen fitur ini dihitung berdasarkan persamaan: b. Deviasi Standar momen orde dua ternormalisasi kerena p(i) merupakan fungsi peluang: ( ) ( ) Gambar 3. 1 Metode yang Diusulkan Dalam penelitian ini juga melakukan beberapa pengembangan berikut langkah pengembangan tersebut: 1. Setelah mengambil gambar objek ikan bandeng menggunakan kamera, maka selanjutnya melakukan proses croping yang difokuskan hanya pada mata ikan bandeng. 2. Merubah citra RGB menjadi grayscale. 3. Melakukan ekstraksi fitur tekstur mata ikan bandeng bertujuan untuk mendaptakan ciri tekstur mata ikan bandeng yang sebelumnya telah melalui tahap pengolahan awal citra. Untuk melakukan ektraksi fitur tekstur dapat dilakukan dengan rumus sebagai berikut: a. Fitur yang pertama dapat dihitung secara statistik yang biasa disebut c. Skewness atau yang disebut dengan momen orde tiga ternormalisasi ( ) ( ) d. Entropi diindikasikan sebagai kompleks citra. ( ) e. Kehalusan digunakan mengukur tingkat kehalusan atau kekasaran intensitas pada citra R = 1-4. Setelah melakukan ektraksi fitur tekstur langkah selanjutnya adalah Naive Bayes Classifier. Berikut rumus dari naive bayes classifier: P(Ci X) =(P(X Ci)P(Ci))/(P(X)) 5. Langkah Langkah yang terakhir adalah menghitung nilai akurasi, recall dan
6 presisi Untuk perhitungan nilai akurasi, presisi dan recall didefinisikan sebagai berikut: Tabel 4.1 Hasil Ekstraksi Fitur dalam Database Akurasi = Recall = Presisi =. IV. HASIL DAN PEMBAHASAN 4.1. Persiapan Data Dalam melakukan penelitian ini maka perlu data-data citra yang bersifat 2D dari citra mata ikan bandeng. Data tersebut nantinya akan digunakan sebagai penentu klasifikasi kualitas ikan bandeng yang berjumlah 100 data citra ikan bandeng, masing-masing terdiri dari 50 dalam kondisi segar dan 50 dalam kondisi busuk Ekstraksi Fitur Ekstraksi fitur pada citra telur di penelitian ini yang bertujuan untuk mendapatkan ciri tekstur dari citra pada telur yang sebelumnya melalui tahapan pengolahan awal citra yang sudah dijelaskan di subbab sebelumnya. Ekstraksi fitur tekstur tersebut menggunakan metode histogram pada metode ini didalamnya terdapat 6 fitur yaitu rerata intensitas, deviasi standar, skewness, energi, entropi dan smoothness Pengujian Model Pengujian menggunakan metode naive bayes yang digunakan untuk klasifikasi kualitas ikan bandeng, tahapan sebelum pengenalan dan dilakukan testing maka hasilnya didapatkan ekstraksi fitur mata ikan bandeng berdasarkan pada histogram. Selanjutnya dari data traning dan data testing yang sudah dilakukan pengolahan awal dan ekstraksi fitur akan dilakukan prosedur klasifikasi. Tahapan selanjutnya setelah melakukan proses pengolahan dan ekstaksi fitur adalah mengelola setiap citra mata ikan bandeng dalam bentuk database yang nantinya akan digunakan sebagai tolok ukur dengan menggunakan Naive Bayes. Berikut tahapantahapan yang perlu dilakukan: 1. Masukan data citra uji (data training ) kemudian masuk kedalam tahap proes awal dan ekstraksi fitur pada citra yang dimasukan. Data citra yang dimasukkan menggunakan file image dengan kode A Masuk kedalam tahap klasifikasi dengan menggunakan metode Naive Bayes
7 a. Menghitung P(X k C i ) pada masing-masing class 3. Setelah melakukan perhitungan nilai mean dan standar deviasi pada masingmasing atribut class. a. Menghitung Posterior Probability P(C i X) pada masing-masing class. 4. Mencari nilai tertinggi pada Posterior Probability P(C i X) pada masing-masing class Setelah melakukan tahapan-tahapan diatas maka dapat diperoleh klasifikasi yang dilakukan secara komputerisasi. Dapat dilihat bahwa adanya perbedaan klasifikasi antara grader dan metde yang diuslkan. Tabel 4.4 Hasil klasifikasi 20 citra NO Kode Citra Prediksi Sistem data uji Prediksi Grader Hasil 1 A-85 Segar Segar True 2 A-86 Segar Segar True 3 A-87 Segar Segar True 4 A-88 Segar Segar True 5 A-89 Segar Segar True 6 A-90 Segar Segar True 7 A-91 Segar Segar True 8 A-92 Segar Segar True 9 A-93 Segar Segar True 10 A-94 Segar Segar True 11 B-73 Busuk Busuk True 12 B-74 Busuk Busuk True Segar Busuk True 14 B-76 Busuk Busuk True 15 B-78 Busuk Busuk True 16 B-79 Segar Busuk False 17 B-80 Busuk Busuk True 18 B-51 Segar Busuk False 19 B-82 Busuk Busuk True 20 B-84 Segar Busuk False Hasil dari pencocokan data uji kemudian dimasukan ke dalam tabel confusion matrix. Berikut nilai akurasi, nilai recall dan nilai persisi: Tabel 4.5 confusion matrix untuk metode yang diusulkan True Segar True Busuk Prediksi A 10 0 Prediksi B 4 6 Dari tabel diatas dapat diperoleh nilai akurasi dengan menggunakan persamaan berikut: Akurasi = = = 0,8 x 100% = 80% Dari percobaan 20 data citra uji diatas maka diperoleh kesimpulan bahwa tingkat nilai akurasi memiliki tingkat kedekatan dengan nilai prediksi. Maka tingkat akurasi sebesar 80%.
8 V. PENUTUP Dari hasil penelitian tersebut dapat disimpulkan dengan menggunakan naive bayes berdasarkan tekstur pada citra menghasilkan nilai akurasi sebesar 80%, nilai recall sebesar 80% dan nilai pressisi sebesar 81%. Nilai tersebut berdasarkan 100 citra data training dan 20 data testing. Nilai akuasi sebesar 80% menunjukkan bahwa metode fitur ekstraksi dan algoritma naive bayes dapat diterapkan dengan baik [6] A.Kadir, A Model of Plant Identification System Using GLCM, Lacunarity and She Fetures, [7] S.Sergan, Color Histogram Features Based Image Classification In Content-Based Image Retrieval Syatems, [8] E. M. V. S. O. D. N. a. W. T. Sutoyo, "Teori Pengolahan,Citra Digital", DAFTAR PUSTAKA [1] 1 I.PENDAHULUAN Latar Belakang Ikan Bandeng, Unhas, [Online]. Available: /135/Skripsi.pdf.. [Diakses ]. [2] Teori Pengolahan Citra Digital, dalam Teori Pengolahan Citra Digital, Yogyakarta, ANDI, [3] A. a. A. Susanto, Pengolahan Citra Teori dan Aplikasi, [4] E.R.Anandita, Klasifikasi Tebu Dengan Menggunakan Algoritma Naive Bayes Classification Pada Dinas Kehutanan Dan Perkebunan Pati, [5] J. L. H. Elvia Budianita, Implementasi Pengolahan Citra dan Klasifikasi K-Nearest Neighbour Untuk Membangun Aplikasi Pembeda Daging Sapi dan Babi, Jurnal Sains Teknologi dan Industri, vol. Vol.12 pp, pp , 2015.
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
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 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 terperinciBAB III METODOLOGI PENELITIAN. Dataset
BAB III METODOLOGI PENELITIAN Metodologi penelitian diuraikan dalam skema tahap penelitian untuk memberikan petunjuk atau gambaran yang jelas, teratur, dan sistematis seperti yang ditunjukkan pada Gambar
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 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 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 terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Bab ini membahas langkah-langkah dari implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi aktivitas menggunakan algoritma k-nearest neighbor
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pertukaran informasi di zaman modern ini telah sampai pada era digital. Hal ini ditandai dengan semakin dibutuhkannya teknologi berupa komputer dan jaringan internet
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 terperinciCONTEND BASED IMAGE RETRIEVAL UNTUK PENGENALAN CITRA 2D BATIK MENGGUNAKAN FITUR TEKSTUR WARNA DAN FUNGSI JARAK MINKOWSKI
CONTEND BASED IMAGE RETRIEVAL UNTUK PENGENALAN CITRA D BATIK MENGGUNAKAN FITUR TEKSTUR WARNA DAN FUNGSI JARAK MINKOWSKI Retno Indriani (1),Ricardus Anggi Pramunendar () Universitas Dian Nuswantoro, Ilmu
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 terperinciAPLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK
APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK Arwin Halim 1, Hardy 2, Alvin Yufandi 3, Fiana 4 Program Studi Teknik Informatika, STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan
Lebih terperinciIMPLEMENTASI METODE NAIVE BAYES CLASSIFICATION DALAM KLASIFIKASI KELAYAKAN CALON PENDONOR DARAH (STUDI KASUS PMI KAB. DEMAK)
IMPLEMENTASI METODE NAIVE BAYES CLASSIFICATION DALAM KLASIFIKASI KELAYAKAN CALON PENDONOR DARAH (STUDI KASUS PMI KAB. DEMAK) Diana Septiari Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciPenerapan Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier
Penerapan Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier Octia Nuraeni 55410244 Teknik Informatika Pembimbing : Dr. Riza Adrianti
Lebih terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Pada proses penelitian ini dilakukan beberapa tahapan mulai dari tahap awal yaitu tahap inisiasi, pengembangan model, dan tahap terakhir pengembangan prototipe. Dalam tahapan inisiasi
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Data E-mail Pada bagian ini akan disajikan detail jumlah keseluruhan dataset yang digunakan untuk penelitian. Dataset diambil CSDMC21 yang disediakan oleh http://www.csmining.org/
Lebih terperinciPENERAPAN DATA MINING UNTUK MENENTUKAN POTENSI HUJAN HARIAN DENGAN MENGGUNAKAN ALGORITMA NAIVE BAYES
PENERAPAN DATA MINING UNTUK MENENTUKAN POTENSI HUJAN HARIAN DENGAN MENGGUNAKAN ALGORITMA NAIVE BAYES Ahmad Subhan 1, Ahmad Zainul Fanani 2 1,2 Teknik Informatika, Ilmu Komputer, Universitas Dian Nuswantoro
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : Tabel 2.1 Penelitian sebelumnya Parameter Penulis Objek Metode Hasil
Lebih terperinciTemu Kembali Citra Makanan Menggunakan Representasi Multi Texton Histogram
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-368 Temu Kembali Citra Makanan Menggunakan Representasi Multi Texton Histogram Imagine Clara Arabella, Nanik Suciati, dan Dini
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 terperinciAkurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa
Akurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa dengan Metode NAÏVE BAYES M. Ridwan Effendi Fakultas Komputer Jurusan Sistem Informasi Universitas Mohammad Husni Thamrin Jakarta Email :
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 ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI
PENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI Laily Hermawanti Program Studi Teknik informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro 1B Jogoloyo Demak Telpon
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Studi Sebelum melakukan penelitian penulis terlebih dahulu melakukan tinjauan pustaka dari penelitian lain dan penelitian tentang prediksi penjurusan
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Indonesia merupakan negara tropis yang memiliki + 30.000 spesies tumbuh-tumbuhan ([Depkes] 2007). Tumbuh-tumbuhan tersebut banyak yang dibudidayakan sebagai tanaman hias. Seiring
Lebih terperinciUKDW 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
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 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 terperinciPenerapan Data Mining Classification Untuk Prediksi Perilaku Pola Pembelian Terhadap Waktu Transaksi Menggunakan Metode Naïve Bayes
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining Classification Untuk Prediksi Perilaku Pola Pembelian Terhadap Waktu Transaksi Menggunakan Metode
Lebih terperinciPENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan
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 terperinciIMPLEMENTASI METODE HARMONIC MEAN FILTERDAN CANNY UNTUK MEREDUKSI NOISEPADA CITRA DIGITAL
IMPLEMENTASI METODE HARMONIC MEAN FILTERDAN CANNY UNTUK MEREDUKSI NOISEPADA CITRA DIGITAL Ahmad Yunus Nasution 1, Garuda Ginting 2 1 Mahasiswa Teknik Informatika STMIK Budi Darma 2 Dosen Tetap STMIK Budi
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Pengukuran Precision & Recall Pada penelitian ini, eksperimen dilakukan terhadap 1000 gambar corel yang terdiri dari 10 kategori gambar (setiap kategori terdiri atas
Lebih terperinciKlasifikasi Daging Ayam Menggunakan Naive Bayes Classifier Berdasarkan Pada Ekstraksi Fitur Tekstur Histogram
DRAFT JURNAL A11.2010.05611S, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Klasifikasi Daging Ayam Menggunakan Naive Bayes Classifier Berdasarkan Pada Ekstraksi Fitur Tekstur Histogram Chicken Meat
Lebih terperinciPENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5
1 PENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5 Dina Maurina, Ahmad Zainul Fanani S.Si, M.Kom Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula
Lebih terperinciPENGKLASIFIKASIAN DAUN MANGGA, SALAM DAN SAWO DENGAN MENGGUNAKAN METODE NAIVE BAYES
PENGKLASIFIKASIAN DAUN MANGGA, SALAM DAN SAWO DENGAN MENGGUNAKAN METODE NAIVE BAYES Andrian Riza Hermawan 1, Andriano E. Wibowo 2, Dhio Alfanda F. 3, Dwi Fetiria Ningrum 4, Naldo Sancho Liman 5 1,2,3,4,5
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
Lebih terperinciPENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM)
PENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM) Rima Tri Wahyuningrum *) Program Studi Teknik Informatika,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN:
KAJIAN KOMPARASI ALGORITMA C4.5, NAÏVE BAYES DAN NEURAL NETWORK DALAM PEMILIHAN PENERIMA BEASISWA (Studi Kasus pada SMA Muhammadiyah 4 Jakarta ) Ulfa Pauziah Program Studi Teknik Informatika, Universitas
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 1 Operator descriptor
Tabel 1 Operator descriptor Operator (P, R) Ukuran Blok (piksel) Kuantisasi Sudut (8, 1) 3 x 3 45 derajat (8, 2) 5 x 5 45 derajat (16, 2) 5 x 5 22.5 derajat (24, 3) 7 x 7 15 derajat Penentuan ukuran blok
Lebih terperinciSISTEM PREDIKSI PENGUNDURAN DIRI PESERTA DIDIK MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER
SISTEM PREDIKSI PENGUNDURAN DIRI PESERTA DIDIK MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER ARTIKEL SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program
Lebih terperinciDeteksi Otomatis Penyakit Kulit Menggunakan Algoritma Naive Bayes
Deteksi Otomatis Penyakit Kulit Menggunakan Algoritma Naive Bayes Izzati Saila Hafsah 1, Pulung Nurtantio Andono 2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Jl. Nakula No.
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 terperinciKLASIFIKASI PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 KLASIFIKASI PADA TEXT MINING Budi Susanto Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa
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 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 terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih terperinci1. BAB I PENDAHULUAN
1. BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Deteksi kulit manusia berperan penting dan digunakan secara luas sebagai langkah awal pada aplikasi pengolahan citra seperti gesture analysis, content based
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terkait Dalam melakukan penelitian ini mengunakan hasil penelitian-penelitian yang terkait, mempunyai hubungan berdasarkan objek yaitu tentang citra ikan, sebagai
Lebih terperinciBab III ANALISIS&PERANCANGAN
3.1 Analisis Masalah Bab III ANALISIS&PERANCANGAN Pada penelitian sebelumnya yaitu ANALISIS CBIR TERHADAP TEKSTUR CITRA BATIK BERDASARKAN KEMIRIPAN CIRI BENTUK DAN TEKSTUR (A.Harris Rangkuti, Harjoko Agus;
Lebih terperinciAPLIKASI 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
Lebih terperinciBAB IV METODOLOGI PENELITIAN. Penelitian ini dilakukan dengan melalui empat tahap utama, dimana
BAB IV METODOLOGI PENELITIAN Penelitian ini dilakukan dengan melalui empat tahap utama, dimana tahap pertama adalah proses pengumpulan dokumen teks yang akan digunakan data training dan data testing. Kemudian
Lebih terperinciKLASIFIKASI 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
Lebih terperinciPENERAPAN DATA MINING DALAM MENENTUKAN JURUSAN SISWA
PENERAPAN DATA MINING DALAM MENENTUKAN JURUSAN SISWA Alfa Saleh Teknik Informatika Universitas Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan Email : alfasoleh1@gmail.com Abstrak
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 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 terperinciPENGEMBANGAN TAHAPAN KLASIFIKASI APEL ENVY DAN PASIFIC ROSE MENGGUNAKAN JARINGAN SARAF TIRUAN (JST)
PENGEMBANGAN TAHAPAN KLASIFIKASI APEL ENVY DAN PASIFIC ROSE MENGGUNAKAN JARINGAN SARAF TIRUAN (JST) Farah Zakiyah Rahmanti*, Prajanto Wahyu Adi, Ion Ataka, Septian Enggar Sukmana Program Studi Teknik Informatika,
Lebih terperinci2.Landasan Teori. 2.1 Konsep Pemetaan Gambar dan Pengambilan Data.
6 2.Landasan Teori 2.1 Konsep Pemetaan Gambar dan Pengambilan Data. Informasi Multi Media pada database diproses untuk mengekstraksi fitur dan gambar.pada proses pengambilan, fitur dan juga atribut atribut
Lebih 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Perumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini sering terjadi data explosion problem yaitu data data yang tersimpan dalam database berjumlah sangat besar namun dari data data tersebut belum banyak dimanfaatkan
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 terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
Lebih terperinciMetode Klasifikasi (SVM Light dan K-NNK. NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech. Jurusan Informatika FMIPA Universitas Syiah Kuala
Metode Klasifikasi (SVM Light dan K-NNK NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech Jurusan Informatika FMIPA Universitas Syiah Kuala www.informatika.unsyiah.ac.id/tfa Alur dan Proses Cleaning Process Dokumen
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciBAB III PROSEDUR DAN METODOLOGI. Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala
52 BAB III PROSEDUR DAN METODOLOGI 3.1 ANALISA MASALAH Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala melakukan proses retrival citra dan bagaimana solusi untuk memecahkan masalah
Lebih terperinciSistem Rekomendasi Bacaan Tugas Akhir Jurusan Teknik Informatika Universitas Sriwijaya menggunakan Metode Collaborative Filtering dan Naive Bayes
Sistem Rekomendasi Bacaan Tugas Akhir Jurusan Teknik Informatika Universitas Sriwijaya menggunakan Metode Collaborative Filtering Naive Bayes Riri Intan Aprilia 1 Teknik Informatika Fakultas Ilmu Komputer
Lebih terperinciAlgoritma Dasar. 4.1 Naive Bayes
4 Algoritma Dasar It is a capital mistake to theorize before one has data. Arthur Conan Doyle Sebelum masuk ke algoritma machine learning yang cukup modern/ matematis, kami akan memberi contoh algoritma
Lebih terperinciAPLIKASI IMAGE RETRIEVAL MENGGUNAKAN KOMBINASI METODE COLOR MOMENT DAN GABOR TEXTURE
APLIKASI IMAGE RETRIEVAL MENGGUNAKAN KOMBINASI METODE COLOR MOMENT DAN GABOR TEXTURE Arwin Halim 1, Hardy 2, Christina Dewi 3, Sulaiman Angkasa 4 Program Studi Teknik Informatika, STMIK Mikroskil Jl. Thamrin
Lebih terperinciBAB II KAJIAN PUSTAKA. pola seperti teknik statistic dan matematika (Larose, 2005).
BAB II KAJIAN PUSTAKA A. Data Minning Data minning adalah suatu proses menemukan hubungan yang berarti, pola dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan
Lebih terperinciJaringan Saraf Tiruan Backpropagation untuk Pengenalan Wajah Metode Ekstraksi Fitur Berbasis Histogram
193 Jaringan Saraf Tiruan Backpropagation untuk Pengenalan Wajah Metode Ekstraksi Fitur Berbasis Histogram Sigit Kusmaryanto Abstract One common weakness in pattern recognition for face recognition is
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengenalan Wajah Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem keamanan selain pengenalan retina mata, pengenalan sidik jari
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan dan Praproses Data Kegiatan pertama dalam penelitian tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data sekunder
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem yaitu dengan melakukan pengambilan data berupa foto fisik dari permukaan buah manggis kemudian melakukan sampling data
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Video Video adalah teknologi untuk menangkap, merekam, memproses, mentransmisikan dan menata ulang citra bergerak. Teknologi ini biasanya menggunakan film seluloid, sinyal elektronik,
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah 1.2 Hipotesis
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Setiap matakuliah memiliki silabus perkuliahan yang berisi materi-materi mengenai matakuliah tersebut. Silabus disusun berdasarkan buku-buku referensi utama
Lebih terperinciSistem perolehan citra berbasis isi Berdasarkan tekstur menggunakan metode Gray level co-occurrence matrix dan Euclidean distance
Vol 1, No 3 Desember 2010 ISSN 2088-2130 Sistem perolehan citra berbasis isi Berdasarkan tekstur menggunakan metode Gray level co-occurrence matrix dan Euclidean distance * Fitri Damayanti, ** Husni, ***
Lebih terperinciAnalisis dan Implementasi Deteksi Citra Spam Menggunakan Gray Level Co-occurences Matrix dan Naive Bayes
OPEN ACCESS OPEN ACCESS ISSN 2460-3295 socj.telkomuniversity.ac.id/indosc ISSN XXXX-XXXX NO. XX, SEPT 2016 SOCJ.TELKOMUNIVERSITY.AC.ID/INDOSC Ind. Symposium on Computing Sept 2016. pp. 319-334 doi:10.21108/indosc.2016.164
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Alur Metodologi Penelitian Berikut adalah alur metodologi penelitian yang akan digunakan dalam menyelesaikan penelitian tugas akhir ini : 3.2 Pengumpulan Data Gambar 3.1
Lebih terperinciTINJAUAN PUSTAKA. Definisi Data Mining
TINJAUAN PUSTAKA Definisi Data Mining Sistem Manajemen Basis Data tingkat lanjut dan teknologi data warehousing mampu untuk mengumpulkan banjir data dan untuk mentransformasikannya ke dalam basis data
Lebih terperinciPROGRAM BANTU PENEMPATAN PERSEDIAAN BARANG SANITER PADA DUA TOKO DENGAN METODE NAÏVE BAYES
PROGRAM BANTU PENEMPATAN PERSEDIAAN BARANG SANITER PADA DUA TOKO DENGAN METODE NAÏVE BAYES Umi Proboyekti, Djoni Dwiyana Abstrak Barang saniter merupakan salah satu macam barang yang dijual di toko bahan
Lebih terperinciBAB 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
Lebih terperinciANALYSIS PERFORMANCE FITUR BENTUK, WARNA DAN TEKSTUR CITRA PADA PENELUSURAN INFORMASI ASET BERBASIS CBIR
ANALYSIS PERFORMANCE FITUR BENTUK, WARNA DAN TEKSTUR CITRA PADA PENELUSURAN INFORMASI ASET BERBASIS CBIR Jumi¹ ), Achmad Zaenuddin 1) 1 Jurusan Administrasi Bisnis, Politeknik Negeri Semarang jumimail06@gmail.com
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian terkait Penelitian ini sebelumnya dilakukan studi kepustakaan dari penelitian terdahulu sebagai dasar atau acuan untuk menyelesaikan tugas akhir. Dari studi kepustakaan
Lebih terperinciBAB III METODELOGI PENELITIAN
BAB III METODELOGI PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan yaitu metode eksperimental dimana metode ini bekerja dengan memanipulasi dan melakukan kontrol pada objek penelitian
Lebih terperinciTHE APPLICATION OF DATA MINING FOR OLD STUDENT TO PREDICTION STUDIES USING NAIVE BAYES AND ADABOOST METHOD
THE APPLICATION OF DATA MINING FOR OLD STUDENT TO PREDICTION STUDIES USING NAIVE BAYES AND ADABOOST METHOD 1 JACOB SOARES, 2 ALBERTUS JOKO SANTOSO, 3 SUYOTO 1, 2, 3 Universitas Atma Jaya Yogyakarta E-mail:
Lebih terperinciBAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA
BAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA 3.1 Analisis Masalah Jaringan saraf tiruan hopfield merupakan salah satu Algoritma Machine Learning yang dapat mengklasifikasikan suatu objek citra berdasarkan pelatihan
Lebih 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 terperinciBAB 2. Landasan Teori
BAB 2 Landasan Teori 2.1 Pengertian Data Mining Menurut Han dan Kamber (2011:6) menjelaskan bahwa Data Mining merupakan pemilihan atau menggali pengetahuan dari jumlah data yang banyak. Berbeda dengan
Lebih terperinciBAB I PENDAHULUAN. Perkembangan teknologi komputer dan internet semakin maju
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Perkembangan teknologi komputer dan internet semakin maju menyebabkan data digital yang dihasilkan, disimpan, ditransmisikan, dianalisis, dan diakses menjadi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Job Order merupakan pekerjaan yang dilakukan apabila ada order yang diterima dari konsumen. Setiap detil pekerjaan 100% ditentukan oleh calon pembeli, pihak pembuat
Lebih terperinciIMPLEMENTASI METODE BAYESIAN DALAM PENJURUSAN DI SMA BRUDERAN PURWOREJO STUDI KASUS: SMA BRUDERAN PURWOREJO
IMPLEMENTASI METODE BAYESIAN DALAM PENJURUSAN DI SMA BRUDERAN PURWOREJO STUDI KASUS: SMA BRUDERAN PURWOREJO Sendy Winanta Yetli Oslan, Gunawan Santoso Abstrak Penjurusan siswa kelas X SMA yang akan naik
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciPENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL
Makalah Nomor: KNSI-472 PENCARIAN CITRA BERDASARKAN BENTUK DASAR TEPI OBJEK DAN KONTEN HISTOGRAM WARNA LOKAL Barep Wicaksono 1, Suryarini Widodo 2 1,2 Teknik Informatika, Universitas Gunadarma 1,2 Jl.
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Penelitian 4.1.1 Support Vector Machines (SVM) Setelah melalui proses training dan testing dengan metode Support Vector Machines (SVM), diperoleh hasil yang tertera
Lebih terperinciPerbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik
Perbandingan 5 Algoritma Data Mining untuk Klasifikasi Data Peserta Didik Imam Sutoyo AMIK BSI JAKARTA e-mail: imam.ity@bsi.ac.id Abstrak - Klasifikasi peserta didik merupakan kegiatan yang sangat penting
Lebih terperinci