KLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES
|
|
- Herman Santoso
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 Jl. Imam Bonjol No. 207, Semarang, 50131, Telp. (024) atmaji.tri@gmail.com 1, catur.dinus@gmail.com 2 Abstrak Indonesia merupakan negara kepulauan sehingga mempunyai wilayah laut yang luas, luasnya wilayah perairan di Indonesia menjadi salah satu faktor majunya komoditas ikan salah satunya ikan hias. Ikan hias yang populer di Indonesia yaitu ikan koi, dikarenakan coraknya beragam serta warnanya yang indah menjadikan ikan koi sebagai ikan yang laris dipasaran. Jenis ikan koi beragam tergantung corak dan warna tetapi tiap jenis mempunyai warna yang mirip sehingga susah untuk membedakan tiap jenisnya. Orang awam yang tidak mempunyai pengetahuan ikan koi akan mengalami kesulitan dalam membedakan jenis dari tiap ikan koi, sehingga orang awam membeli ikan koi hanya membeli yang dirasa bagus tanpa mengetahui jenis dari ikan koi tersebut. Masalah pengenalan jenis ikan koi dapat diselesaikan dengan klasifikasi menggunakan ektraksi fitur GLCM (Gray Level Co-occurrence Matrix) dan algoritma Naive Bayes. Berdasarkan hasil penelitian yang telah dilakukan dengan 6 jenis ikan koi yaitu Asagi, Kohaku, Showa, Sanke, Shusui dan Tancho mendapatkan nilai akurasi sebesar 73,33% dengan menggunakan parameter jarak d = 2 pada sudut θ = 45, dengan jumlah data benar 22 dan jumlah data salah 8. Kata kunci Ikan Koi, GLCM (Gray Level Co-occurrence Matrix), Naive Bayes. I PENDAHULUAN Komoditas ikan hias salah satu komoditas yang menjanjikan di Indonesia. Luasnya perairan Indonesia menjadikan spesies ikan sangat beragam. Berdasarkan jenis dan daerah penyebaranya ikan hias banyak terdapat di Sumatra, Kalimantan, dan Irian jaya sedangkan di pulau Jawa ikan hias yang terdapat di alam sangatlah sedikit. Perkembangan komoditas ikan hias yang naik turun disebabkan perubahan tren ikan yang tidak pasti. Ikan koi salah satu ikan hias yang sangat populer karena warna coraknya yang unik sehingga membuat ikan ini mudah dikenali. Jenisnya pun beragam, ada ikan koi jenis Kohaku, Taisho Sanke, Showa Sanshoku, Bekko, Utsurimono, Asagi, Shusui, Koromo, Hikari Moyomono, Hikari Utsurimono, Kawarimono, dan Tancho [1] yang membedakan dari tiap jenisnya dapat dilihat dari warna, corak, pola dan ukuran tubuhnya. Ikan koi memiliki ciri khas warna seperti warna hitam, putih, merah, kuning, biru dan krem [2]. Dari corak warna inilah yang membuat kesulitan untuk membedakan antara jenis satu dengan yang lainya. Beberapa jenisnya menjadi sangat populer karena sering diperlombakan, adapun ikan koi yang sering diperlombakan yaitu jenis Kohaku, Sanke, Showa Sanshoku, Asagi, Shusui dan Tancho. Keenam jenis ikan koi tersebut mempunyai corak yang hampir mirip, sehingga sulit untuk membedakan. Keenam jenis koi tersebut identik dengan warna putih, merah dan hitam dengan corak yang berbeda. Kecuali ikan Kohaku yang mempunyai varian warna putih dan merah saja. Kebiasaan dari orang Indonesia dimana pembeli hanya membeli yang menurutnya menarik saja, tanpa mengetahui jenis dari ikan koi yang dibeli. Apabila pembeli mau membeli ikan yang mempunyai jenis yang sama, pembeli tersebut harus menjelaskan secara terperinci agar mendapatkan ikan yang sesuai keinginan. Tetapi masih dapat terjadi kesalahan dikarenakan kemiripan dari tiap jenis ikan koi. Karena banyaknya kemiripan pada jenis ikan koi maka memerlukan klasifikasi untuk mempermudah dalam membedakan jenisnya. Klasifikasi sendiri merupakan suatu cara memilah dan mengelompokan menjadi golongan atau unit tertentu. Cara yang digunakan dalam pengklasifikasian yaitu membandingkan untuk mencari persamaan maupun perbedaaan sifat atau ciri [3]. Media yang digunakan sebagai pengklasifikasian yaitu citra. Karena citra mudah dilihat dan diidentifikasi. Ilmu yang mempelajari tentang citra yaitu Image Processing atau pengolahan citra digital. Dimana pengolahan citra digital yaitu sebuah proses filter gambar asli menjadi gambar lain sesuai dengan keinginan. Dengan begitu informasi yang terdapat didalam citra dapat diolah sesuai kebutuhan. Citra ikan koi yang ingin diidentifikasi akan dibandingkan dengan citra lain untuk digolongkan kedalam jenis yang sesuai ciri warna corak terdapat dalam ikan koi. Corak ikan koi yang mempunyai perpaduan warna dapat diolah dengan menggunakan ekstraksi ciri pada citra menggunakan metode Grayscale, ekstraksi ciri dilakukan berdasarkan warna, bentuk dan tekstur. Dengan begitu kita mendapatkan nilai ektraksi yang sesuai untuk kemudian dibandingkan dengan nilai ekstraksi yang digunakan sebagai acuan. Setelah mendapat nilai yang sesuai, nilai tersebut akan diolah dengan menggunakan algoritma pengklasifikasian. Salah satu algoritma yang dapat digunakan untuk mengklasifikasikan yaitu Naive Bayes. Naive Bayes adalah sebuah pengklasifikasian statistik yang digunakan untuk memprediksi probabilitas keanggotaan suatu kelas. Biasanya metode Bayesian digunakan untuk membantu pengambilan keputusan sehingga mendapatkan nilai kepercayaan pada informasi. Dengan menggunakan algoritma Naive Bayesian Classifier diharapkan bisa memperoleh nilai akurasi kemiripan yang tinggi. II LANDASAN TEORI 2.1 Ikan koi Ikan koi Komoditas ikan koi mulai berkembang sangat pesat, banyaknya orang mulai menyukai ikan koi, berawal kepopulerannya di Jepang dan kemudian 1
2 menyebar berbagai belahan dunia. Ikan yang termasuk ikan hias ini digemari karena warnanya yang menarik dan beragam, serta mempunyai corak bervariasi. Varian warna didominasi oleh warna hitam, putih, merah, kuning, biru dan krem ini menjadikan ikan koi stabil dalam penjualannya. Mudahnya perawatan salah satu alasan untuk menjadikan ikan koi sebagai ikan peliharaan. Mempunyai jenis beragam membuat ikan koi menjadi stabil penjualanya dipasaran. Standar internasional dari ikan koi dapat dikatakan berkualitas, dapat dilihat dari beberapa kriteria, antara lain: 1. Bentuk tubuh sempurna. 2. Warnanya cerah mencolok, tidak terjadi gradasi warna atau bayangan. 3. Batas pada pola warna terlihat jelas. 4. Ukuran proposional sesuai panjang dan besarnya. Tiap jenis ikan koi mempunyai perbedaan tersendiridiri baik bentuk, corak dan warnanya. Untuk membedakan agak sulit karena beberapa jenis mempunyai persamaan warna [2]. 2.2 GLCM (Gray Level Co-occurrence Matrix) Gray Level Co-ocurrence Matrix (GLCM) adalah matriks yang mengambil nilai dari histogram tingkat kedua. Gray Level Co-ocurrence Matrix (GLCM) merupakan matriks yang menggunakan probabilitas dari dua titik x 1 dan x 2 pada tingkat keabuan dalam jarak tertentu d dan orientasi sudut θ tertentu. Orientasi sudut terbagi dalam 4 arah yaitu 0,45, 90 dan 135 serta jarak ditetapkan sebesar 1 pixel, 2 pixel dan seterusnya [3]. Langkah-langkah untuk membuat Gray Level Coocurrence Matrix (GLCM) ternormalisasi sebagai berikut: 1. Normalisasi pixel dengan mengubah rentan nilai intensitas pixel. I i,j = (I min) newmax newmin + newmin (1) Max Min 2. Membuat area kerja. 3. Menentukan hubungan spasial antara pixel referensi dengan piksel tetangga, dengan jarak dan sudut. 4. Menghitung jumlah kookurensi matriks dan mengisikanya pada area kerja. 5. Normalisasi matriks untuk mengubah kebentuk probabilitas. p(x 1, x 2 ) = jumlah pasangan titik titik keabuan x 1 dan x 2 (2) Banyaknya titik pada daerah suatu citra Hasil dari ektraksi akan digunakan sebagai atribut perhitungan. Adapun beberapa ekstraksi fitur ciri yang digunakan sebagai pembeda dari tiap citra yaitu: 1. Energi(Energy) Untuk mengukur kesamaan nilai keabuan yang mempunyai nilai derajat keabuan sama. Citra yang sama akan memiliki nilai energy yang besar [4]. f 1 = i j p 2 d (i, j) (3) 2. Entropi(Entropy) Menunjukkan tidak keteraturan bentuk, dengan variasi elemen-elemen matriks kookurensi. Citra yang memiliki transisi derajat keabuan kecil akan memiliki variansi yang kecil juga [4]. f 2 = i j pd(i, j) log(pd(i, j)) (4) 3. Kontras(Contrast) Menunjukan tingkat nilai derajat keabuan pada daerah citra. Semakin jauh nilai keabuan dari daerah diagonal utama, maka mempunyai nilai keabuan yang besar [4]. f 3 = i j i j 2 pd(i, j) (5) 4. Homogenitas(Homogenety) Homogenitas ini kesamaan dari variasi isi yang terdapat pada citra menunjukan nilai kemiripan dari citra. f 4 = pd(i,j) i j (6) 1+ i j 5. Korelasi(Correlation) Menunjukan keterkaitan tiap pixel-pixel terhadap nilai ketergantungan linier derajat pada suatu citra abu-abu [4]. f 5 = ijp d (i,j)(i μ x)(j μ y ) i j (7) σ x σ y 2.3 Naive Bayes Klasifikasi mempunyai tujuan untuk memeriksa ciri objek baru dan didefinisikan kedalam kelas yang sudah ditentukan. Objek tersebut diklasifikasikan dengan data yang ada didatabase atau sering disebut data training. Salah satu algoritma yang bagus untuk digunakan untuk pengklasifikasian pola yaitu algoritma Naive Bayes. Dalam penerapanya pengolahan citra yaitu teknik atau metode untuk memilih vektor fitur kedalam kelaskelas tertentu. Dalam teori Bayes diperkenalkan 2 jenis probabilitas untuk mengelompokan pola yaitu probabilitas apriori (apriori probability) dan probabilitas aposteriori (aposteriori probability) [5]. Kedua probabilitas saling terkait satu sama lain. Probabilitas apriori yaitu merupakan probabilitas penglompokan suatu pola kedalam kelas yang telah diketahui. Dalam melakukan klasifikasi menggunakan algoritma Naive Bayes mempunyai langkah-langkah, adapun langkah-langkah tersebut [6]. 1. Menghitung probabilitas (prior) tiap kelas yang ada. 2. Lalu menghitung rata-rata (mean) tiap ektraksi fitur yang digunakan, menggunakan rumus. μ = n (8) k k = banyaknya data n =nilai data 3. Menghitung nilai standar deviasi dari setiap fitur yang digunakan, menggunakan rumus. σ = [( 1 n 1 (x i μ) 2 n i=1 )] 0.5 (9) 2
3 4. Kemudian menghitung nilai densitas probabilitas, dengan menggunakan rumus. (x μ) 1 2 P(x C i ) = 2πσ e 2σ 2 (10) 5. Setelah mendapatkan nilai denstitas probabilitas dan prior, menghitung probabilitas masing-masing kelas. P(C i x) = P(x C i )P(c) (11) Nilai terbesar dari perhitungan probabilitas adalah kelas yang sesuai. 2.4 Akurasi Tingkat akurasi merupakan metode digunakan untuk mengetahui kinerja dari klasifikasi jenis ikan koi menggunakan algoritma naive bayes. Dibutuhkan sebuah metode perhitungan kinerja yaitu akurasi. Setelah mendapatkan nilai akurasi dapat menyimpulkan tingkat akurasi kemiripan dari klasifikasi naive bayes terhadap citra [7]. akurasi = III jumlah data benar jumlah data keseluruhan METODOLOGI PENELITIAN 100% (12) 3.1 Prosedur Pengambilan Data Dalam penelitian ini saat melakukan experimen, pengambilan data tidak dilakukan secara langsung. Peneliti menggunakan data sekunder yang mempunyai sifat publik atau dapat diakses semua orang. Data diambil dari sumber yang terpercaya melalui internet. Dengan data yang diambil dari internet peneliti bermaksud untuk memberikan kemudahan orang lain mempelajari penelitian ini. Jumlah data yang diambil 120 citra ikan koi, terbagi atas 20 citra ikan koi jenis Kohaku, 20 citra ikan koi jenis Sanke, 20 citra ikan koi jenis Showa, 20 citra ikan koi Asagi, 20 citra ikan koi Shusui dan 20 citra ikan koi Tancho dengan ukuran pixel yang berbeda-beda. Maka dalam prosesnya harus disamakan terlebih dahulu ukuran pikselnya, citra harus melakukan proses resize. 120 data citra ikan koi akan dibagi kedalam 2 jenis data yaitu 90 data citra training dan 30 data citra uji yang terdiri dari ikan koi jenis Kohaku, Sanke, Asagi, Shusui, Tancho dan Showa. Berikut dataset citra ikan koi jenis Kohaku, Sanke, Showa, Asagi, Shusui dan Tancho yang digunakan dalam penelitian ini dapat dilihat pada Gambar 1. Gambar 1 Data Set. 3.2 Metode Usulan Pada penelitian tentang klasifikasi ikan koi jenis Kohaku, Showa, Sanke, Asagi dan Tancho menggunakan beberapa tahapan. Tahap awal menyamakan ukuran pixel dari data citra yang digunnakan, serta mengekstraksi ciri citra dengan metode Gray Level Co-occurrence Matrix (GLCM). Setelah mendapatkan ciri dari citra tahap selanjutnya mengklasifikasikan hasil ekstraksi ciri menggunakan alogoritma Naive Bayes. Berikut kerangka pemikiran dari penelitian ini dapat dilihat pada Gambar 2. Gambar 2 Kerangka Pemikiran Dalam melakukan penelitian ini terdapat beberapa tahap yang perlu dilakukan untuk citra ikan koi dapat diklasifikasikan menurut jenisnya. Adapun proses yang dilakukan sebagai berikut: 1. Dataset Penelitian ini menggunakan dataset citra ikan koi yang berjumlah 120 data citra yang berisi 20 citra ikan koi jenis Kohaku, 20 citra ikan koi jenis Showa, 20 citra ikan koi jenis Sanke, 20 citra ikan koi jenis Asagi, 20 citra ikan koi jenis Shusui dan 20 citra ikan koi jenis Tancho. Dari 120 data tersebut dibagi kedalam dua bagian yaitu 90 data 3
4 training dan 30 data uji. Dataset diambil dari berbagai sumber di internet. 2. Resize dan Konversi Citra Pada tahap ini data citra ikan koi yang mempunyai ukuran pixel yang berbeda mengalami tahapan resize disamakan ukuran pikselnya, dengan ukuran 100*250 pixel. Setelah mempunyai ukuran yang sama data citra ikan koi dikonversi menjadi citra grayscale dengan 256 derajat keabuan. 3. Ekstraksi ciri dengan GLCM Pada langkah selanjutnya citra yang sudah dikonversi menjadi grayscale akan diambil fitur ekstraksi cirinya. Dalam penelitian ini, peneliti menggunakan 4 fitur ekstraksi ciri yaitu energi, homogenitas, korelasi dan kontras. Dengan nilai jarak d=1, d=2 dan sudut θ = 0, 45, 90 dan 135. Langkah-langkah ekstraksi ciri dengan menggunakan GLCM sebagai berikut: a) Mengubah framework matriks. b) Menentukan hubungan spasial antara pixel referensi dengan pixel lain dengan memberikan sudut (θ) dan jarak (d). c) Menghitung nilai kookurensi matriks dan mengisikanya ke framework matriks. d) Menjumlahkan matriks kookurensi dengan matriks transposenya untuk menjadikan matriks simetris. e) Normalisasi matriks untuk mengubahnya kebentuk probabilitas. f) Setelah matriks kookurensi tersebut, barulah dapat dihitung analisa seperti energi, homogenitas, korelasi dan kontras. 4. Proses klasifikasi dengan menggunakan algoritma Naive Bayes Untuk pengklasifikasian citra ikan koi, peneliti menggunakan algoritma klasifikasi Naive Bayes. Dengan membandingkan probabilitas-probabilitas sesuai dengan nilai ektraksi fitur ciri. Awalnya pemberian label terhadap hasil probabilitas proses GLCM dan kemudian dibandingkan dengan data lainnya yang mempunyai nilai mendekati. Data lainya yang dimaksud adalah data training. 0, 45, 90, 135. Salah satu contoh hasil ektraksi fitur GLCM pada jarak 1 sudut 0 dapat dilihat Gambar 3. Gambar 3 Hasil Ekstraksi GLCM Hasil ekstraksi dapat digunakan untuk melakukan klasifikasi. Di matlab sudah menyediakan fungsi klasifikasi Naive Bayes, dengan menggunakan fungsi NaiveBayes.fit(). Menghasilkan atribut-atribut yang dapat digunakan sebagai prediksi. Setelah mendapatkan hasil prediksi akan diubah menjadi tabel dengan menggunakan confusion matrix di matlab terdapat fungsi confusionmat(). Berikut hasil atribut Naive Bayes dilihat pada Gambar 4. IV HASIL DAN PEMBAHASAN Data citra yang didapat awalnya mempunyai ukuran pixel yang berbeda-beda, maka diperlukan penyesuaian terhadap citra tersebut dengan cara mengubah ukuran pixel dan melakukan pemotongan gambar agar sesuai dibutuhkan. Selanjutnya citra akan diolah menggunakan ekstraksi fitur GLCM untuk mendapatkan nilai kontras, korelasi, energi dan homogenitas dengan parameter jarak 1 dan 2 terhadap sudut Gambar 4 Atribut NaiveBayes.fit() Membuat naive bayes objek untuk mendapatkan nilai yang digunakan sebagai pediksi. Hasil yang didapat berupa prior, mean dan standard deviasi, selanjutnya hasil tersebut akan 4
5 diprediksi dengan fungsi predict() di matlab. Contoh hasil prediksi dilihat pada Gambar 5. Dari percobaan diatas dapat dilihat nilai akurasi paling tinggi dari klasifikasi dengan algoritma naive bayes sebesar 73,33% dengan jumlah data benar 22 serta jumlah data yang salah 8, pada jarak 2 dan sudut 45. Berikut hasil klasifikasi dengan jarak 2 dan sudut 45 beserta keterangannya dapat dilihat pada Tabel 3. Tabel 3 Keterangan Klasifikasi Gambar 5 Hasil Prediksi Perhitungan nilai akurasi bertujuan untuk mendapat seberapa tinggi nilai kemiripan dari hasil klasifikasi yang telah dilakukan terhadap citra ikan koi. Perhitungan nilai akurasi dilakukan dengan jarak 1 dan jarak 2 pada sudut 0, 45, 90, 135. Dalam proses perhitungan akurasi memerlukan tabel confusion matrix untuk melihat hasil prediksi serta tingkat keberhasilan prediksi yang telah dilakukan. Berikut contoh perhitungan akurasi pada jarak 1 dan sudut 0 dilihat pada Tabel 1. Tabel 1 Confusion Matrix akurasi = % = 46,67% 30 Berikut hasil akurasi keseluruhan yang telah dilakukan dengan jarak 1 dan 2 pada sudut 0, 45, 90, 135 dapat dilihat pada Tabel 2. Tabel 2 Hasil Klasifikasi Naive Bayes V KESIMPULAN Dari hasil penelitian yang sudah dilakukan dan sesuai dengan tujuan penelitian untuk mengimplementasikan algoritma Naive Bayes dalam melakukan klasifikasi terhadap citra ikan koi serta mendapatkan nilai akurasi, dapat disimpulkan ada beberapa faktor yang mempengaruhi nilai prediksi yaitu nilai jarak dan sudut yang digunakan. Ektraksi fitur GLCM (Gray Level Co-occurrence Matrix) seperti contrast, correlation, homogenity dan energy ikut mempengaruhi hasil dari prediksi. Akurasi yang didapat dari klasifikasi Naive Bayes terhadap jenis ikan koi adalah 73,33% dengan jarak 2 pada sudut 45. VI REFERENSI [1] D. S. Lesmana dan I. Dermawan, Budi Daya Ikan Hias Air Tawar, Jakarta: Penebar Swadaya, [2] A. Asmara dan A., Meraih Untung Memelihara Ikan KOI, Bandung: Titan Ilmu, [3] D. Putra, Pengolahan Citra Digital, Yogyakarta: Penerbit Andi,
6 [4] Y. G. K, I. Santoso and R.. R. Isnanto, Klasifikasi Citra Dengan Matriks Ko-okurensi Aras Keabuan (Gray Level Co-occurence Matrix), Universitas Diponegoro, Semarang, [5] L. Kusrini, Algoritma Data Mining, Surabaya: Andi Offset, [6] A. R. Hermawan, A. E. Wibowo, D. F. Ningrum and N. S. Liman, Pengklasifikasian Daun Mangga, Salam dan Sawo dengan Menggunakan Metode Naive Bayes, Universitas Brawijaya, Malang, [7] M. Miqdad, Penentuan Kualitas Kayu Kelapa Menggunakan Algoritma Naive Bayes Berdasarkan Tekstur Pada Citra, Universitas Dian Nuswantoro, Semarang,
BAB 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 terperinciSKRIPSI KLASIFIKASI IKAN KOI MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR
SKRIPSI KLASIFIKASI IKAN KOI MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR CLASSIFICATION OF FISH KOI USING GRAY LEVEL CO- OCCURRENCE MATRIX AND K-NEAREST NEIGHBOR Diajukan untuk memenuhi
Lebih terperinciEKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX. Abstrak
EKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX Karina Auliasari, Bastian, Bella Fardani, Zulkifli, Ivandi Jurusan Teknik Informatika Fakultas Teknik
Lebih terperinciAtthariq 1, Mai Amini 2
IDENTIFIKASI IKAN KERAPU BERDSARKAN POLA KULIT DENGAN METODE GLCM DAN EUCLIDEAN DISTANCE Atthariq 1, Mai Amini 2 1,2,3 Teknologi Informasi dan Komputer, Politeknik Negeri Lhokseumawe, Jalan banda Aceh-Medan
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 5, No. 1 (2016) 158-163 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone IDENTIFIKASI JENIS PENYAKIT DAUN TEMBAKAU MENGGUNAKAN METODE GRAY LEVEL
Lebih 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 terperinciPENENTUAN 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 terperinciADLN - 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
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 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 terperinciBAB 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,
Lebih terperinciIDENTIFIKASI BIOMETRIK FINGER KNUCKLE PRINT MENGGUNAKAN FITUR EKSTRAKSI PCA DAN GLCM
1 IDENTIFIKASI BIOMETRIK FINGER KNUCKLE PRINT MENGGUNAKAN FITUR EKSTRAKSI DAN Ratna Dwi Jayanti A11.2011.05949 Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro, Jl.
Lebih terperinciBAB II LANDASAN TEORI. titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
BAB II LANDASAN TEORI 2. Citra/Image Citra atau yang lebih sering dikenal dengan gambar merupakan kumpulan dari titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
Lebih terperinciBAB I PENDAHULUAN 1.1 LATAR BELAKANG. Tekstur adalah salah satu elemen dasar citra. Elemen dasar ini berupa ciriciri
1 BAB I PENDAHULUAN 1.1 LATAR BELAKANG Tekstur adalah salah satu elemen dasar citra. Elemen dasar ini berupa ciriciri atau sifat-sifat yang terdapat didalam citra dan membentuk suatu pola-pola dengan interval
Lebih 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 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 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 terperinciKLASIFIKASI CITRA BERAS BERDASARKAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN MENGGUNAKAN k-nearest NEIGHBOUR
MAKALAH SEMINAR TUGAS AKHIR KLASIFIKASI CITRA BERAS BERDASARKAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN MENGGUNAKAN k-nearest NEIGHBOUR Eko Prasetyo, Imam Santoso, Budi Setiyono. Jurusan Teknik Elektro
Lebih terperinciIDENTIFIKASI 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
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN 41 Analisa Analisa merupakan tahap paling utama dalam melakuakan penelitian Tahapan analisa digunakan untuk menganalisa permasalahan yang berhubungan dengan penelitian yang
Lebih terperinciBAB 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
Lebih terperinciBAB 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
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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.
Lebih terperinciBAB 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
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
Lebih terperinciBAB IV IMPLEMENTASI DAN HASIL PENGUJIAN
BAB IV IMPLEMENTASI DAN HASIL PENGUJIAN 4.1 Implementasi Aplikasi Bagian ini membahas implementasi aplikasi yang telah dibuat untuk dilakukan pengujian terhadap aplikasi sehingga akan diketahui hasil dari
Lebih terperinciSKRIPSI 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
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 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 terperinciAPLIKASI 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
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 terperinciEKSTRAKSI 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
Lebih terperinciBAB I PENDAHULUAN. Usaha perikanan bukanlah usaha yang hanya sekedar melakukan kegiatan
BAB I PENDAHULUAN 1.1 Latar Belakang Usaha perikanan bukanlah usaha yang hanya sekedar melakukan kegiatan pemeliharaan ikan di kolam, di sungai, di danau, atau di laut, melainkan usaha yang mencakup berbagai
Lebih terperinciIdentifikasi 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
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan metode penelitian sebagai berikut: 1) Pengumpulan Data Tahap ini dilakukan sebagai langkah awal dari suatu penelitian. Mencari
Lebih terperinciKlasifikasi Buah Jeruk Menggunakan Metode Naive Bayes Berdasarkan Analisis Tekstur dan Normalisasi Warna
Klasifikasi Buah Jeruk Menggunakan Metode Naive Bayes Berdasarkan Analisis Tekstur dan Normalisasi Warna Wildan Agustian 1, Dra. Sri Setyaningsih, M.Si 1 Arie Qur ania, M.Kom 1 1. Program Studi Ilmu Komputer
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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Ikan hias air tawar merupakan salah satu komoditas perikanan Indonesia yang mempunyai peluang untuk meningkatkan perekonomian negara di sektor non migas. Ikan hias
Lebih terperinciEkstraksi Ciri Citra Batik Berdasarkan Tekstur Menggunakan Metode Gray Level Co Occurrence Matrix
Ekstraksi Ciri Citra Batik Berdasarkan Tekstur Menggunakan Metode Gray Level Co Occurrence Matrix Rizky Andhika Surya, Abdul Fadlil, Anton Yudhana Magister Teknik Informatika Universitas Ahmad Dahlan Yogyakarta,
Lebih terperinciDETEKSI 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
Lebih terperinciPerancangan 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
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 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 terperinciPERBANDINGAN 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
Lebih terperinciCONTENT BASED IMAGE RETRIEVAL BERBASIS COLOR HISTOGRAM UNTUK PENGKLASIFIKASIAN IKAN KOI JENIS KOHAKU
CONTENT BASED IMAGE RETRIEVAL BERBASIS COLOR HISTOGRAM UNTUK PENGKLASIFIKASIAN IKAN KOI JENIS KOHAKU Hisyam Syarif 1 1,3 Jurusan Teknik Informatika-S1, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
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 terperinciANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR
ANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR Gibtha Fitri Laxmi 1, Puspa Eosina 2, Fety Fatimah 3 1,2,3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas
Lebih terperinciIII. METODOLOGI PENELITIAN
15 III. METODOLOGI PENELITIAN A. Waktu dan Tempat Penelitian ini dilaksanakan pada bulan Juli Desember 2007 di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian, Departemen Teknik Pertanian, Fakultas
Lebih terperinciDAFTAR 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...
Lebih terperinciPenyusun 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
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 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 terperinciBAB II TINJAUAN PUSTAKA
6 BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terkait Studi Kepustakaan dalam melakukan sebuah penelitian merupakan sesuatu yang harus dilakukan sebagai sumber referensi penelitian yang akan dilakukan. Berikut
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Menginterprestasi sebuah citra untuk memperoleh diskripsi tentang citra tersebut melalui beberapa proses antara lain preprocessing, segmentasi citra, analisis
Lebih 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 terperinciAPLIKASI IDENTIFIKASI CIRI TEKSTUR KAYU JATI MENGGUNAKAN METODA GRAY LEVEL CO OCCURRENCE MATRIX
APLIKASI IDENTIFIKASI CIRI TEKSTUR KAYU JATI MENGGUNAKAN METODA GRAY LEVEL CO OCCURRENCE MATRIX PRASTIKA INDRIYANTI 41512010042 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS MERCU
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 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 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 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 terperinciTEMU 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
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Rancangan Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau informasi
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Indonesia merupakan negara tropis yang memiliki + 30.000 spesies tumbuh-tumbuhan ([Depkes] 2007). Tumbuh-tumbuhan tersebut banyak yang dibudidayakan sebagai tanaman hias. Seiring
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah
BAB IV HASIL DAN PEMBAHASAN A. Data Sampel Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah sampel beras B, 1 buah sampel beras C, dan 2 buah sampel beras D. 1. Data Pengujian Mutu Beras
Lebih terperinciDAFTAR ISI BAB II TINJAUAN PUSTAKA...4
DAFTAR ISI HALAMAN JUDUL...i PERNYATAAN BEBAS PLAGIARISME...ii HALAMAN PENGESAHAN...iii HALAMAN TUGAS...iv HALAMAN MOTTO...vi KATA PENGANTAR...vii DAFTAR ISI...ix DAFTAR TABEL...xiii DAFTAR GAMBAR...xv
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang ENDHULUN Dalam ilmu biologi dan kehutanan, diketahui terdapat banyak enis daun dengan karakteristik (ciri) yang berbeda-beda. Hal tersebut menyebabkan sulitnya untuk melakukan pengenalan
Lebih terperinciPendekatan Statistik Pada Domain Spasial dan Frekuensi untuk Mengetahui Tampilan Citra Yustina Retno Wahyu Utami 1)
ISSN : 1693 1173 Pendekatan Statistik Pada Domain Spasial dan Frekuensi untuk Mengetahui Tampilan Citra Yustina Retno Wahyu Utami 1) Abstrak Mean, standard deviasi dan skewness dari citra domain spasial
Lebih terperinciBAB 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
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi berisi tahapan-tahapan yang dilakukan
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDESAIN KARTU UCAPAN
PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDESAIN KARTU UCAPAN Rudy Adipranata 1, Liliana 2, Gunawan Iteh Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas Kristen Petra Jl. Siwalankerto
Lebih terperinciBAB 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
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 Ciri Kain Menggunakan Fitur Tekstur dan Gray Level Difference Method
Identifikasi Ciri Kain Menggunakan Fitur Tekstur dan Gray Level Difference Method Inwijayati Fakultas Teknologi Industri Universitas Gunadarmai Universitas Gunadarma Depok, Indonesia Prihandoko, Bertalya
Lebih terperinciGRAY 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,
Lebih terperinciEktraksi Fitur Citra Paru-Paru Menggunakan Gray Level Co-ocurance Matriks
Ektraksi Fitur Citra Paru-Paru Menggunakan Gray Level Co-ocurance Matriks Tri Deviasari Wulan Sistem Informasi, Fakultas Teknik, Universitas Nahdlatul Ulama Surabaya tridevi@unusa.ac.id ABSTRAK Penelitian
Lebih terperinciBAB II TINJAUAN PUSTAKA. sekumpulan besar data yang tersimspan dalam penyimpanan dengan
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Data Mining A. Pengertian Data Mining Menurut Gartner Group data mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan
Lebih terperinciProdi S1 Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom.
PERANCANGAN SISTEM PENDETEKSI LEUKOPLAKIA MELALUI CITRA KLINIS RONGGA MULUT BERBASIS GRAY LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR DESIGN OF LEUKOPLAKIA DETECTION SYSTEM THROUGH CLINICAL PICTURE
Lebih terperinciBAB 4 PENGUJIAN DAN ANALISIS SISTEM
BAB 4 PENGUJIAN DAN ANALISIS SISTEM Bab ini akan membahas mengenai proses pengujian dari sistem yang dirancang terhadap beberapa citra dijital replika kulit. Pengujian terhadap sistem ini dilakukan untuk
Lebih terperinciKLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (Studi Kasus : Calon Pendonor Darah di Kota Semarang)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 2, Tahun 2017, Halaman 193-200 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Analisis dan perancangan sistem ini ditujukan untuk memberikan gambaran secara umum mengenai aplikasi yang akan dibuat. Hal ini berguna untuk menunjang pembuatan
Lebih terperinciProdi 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,
Lebih terperinciPertemuan 2 Representasi Citra
/29/23 FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 2 Representasi Citra Representasi Citra citra Citra analog Citra digital Matrik dua dimensi yang terdiri
Lebih 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih terperinciIV. HASIL DAN PEMBAHASAN
26 IV. HASIL DAN PEMBAHASAN A. Pengukuran Parameter Mutu Jeruk Pontianak Secara Langsung Dari Hasil Pemutuan Manual Pemutuan jeruk pontianak secara manual dilakukan oleh pedagang besar dengan melihat diameter
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN
4 BAB HASIL DAN PEMBAHASAN Ada tiga tahap utama yang dilakukan pada percobaan ini yaitu ektraksi ciri, pelatihan dan pengujian JST. Percobaan dilakukan dengan mengkombinasikan data hasil ekstraksi ciri
Lebih terperinciBAB 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.
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciABSTRACT. Keyword : Reef Fish, HSL, GLCM, PNN.
ABSTRACT Suharindra, Muhammad Ryzani. 2017. Identification Reef Fish Image With HSL Color Extraction And GLCM Texture Extraction Based on Probabilistic Neural Network Algorithm Thesis.Tanjungpinang: Department
Lebih terperinciEkstraksi Pola Iris Mata Berwarna Biru dan Cokelat dengan Metode GrayLevel Cooccurrence Matrix Yunia Mentari a, Nurhasanah a)*, Iklas Sanubary a)
Ekstraksi Pola Iris Mata Berwarna Biru dan Cokelat dengan Metode GrayLevel Cooccurrence Matrix Yunia Mentari a, Nurhasanah a)*, Iklas Sanubary a) a) Program Studi Fisika, Jurusan Fisika, FMIPA Universitas
Lebih 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 terperinciAPLIKASI PENGENALAN KARAKTER HURUF HIJAIYAH UNTUK PENDIDIKAN ANAK USIA DINI (PAUD) SKRIPSI
APLIKASI PENGENALAN KARAKTER HURUF HIJAIYAH UNTUK PENDIDIKAN ANAK USIA DINI (PAUD) SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Guna Memperoleh Gelar Sarjana Komputer ( S.Kom ) Pada Program Studi
Lebih terperinciAnalisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital
Analisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital Nurul Fuad 1, Yuliana Melita 2 Magister Teknologi Informasi Institut Saint Terapan & Teknologi
Lebih 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 terperinciBAB 1 PENDAHULUAN UKDW
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teknologi sangat banyak memberi pengaruh terhadap perkembangan ilmu pengetahuan. Dan kebutuhan manusia akan teknologi untuk mempermudah melakukan
Lebih terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
Lebih terperinci