BAB IV HASIL DAN PEMBAHASAN
|
|
- Ivan Surya Kurnia
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini, eksperimen dilakukan dua kali, dimana setiap eksperimen memiliki perbedaan pada pembagian dari kelas-kelas kanker. Eksperimen pertama menguji keberhasilan klasifikasi ROI ke dalam jenis keabnormalan, yaitu benign dan malignant, dan eksperimen kedua menguji keberhasilan klasifikasi ke dalam kombinasi dari jenis dan struktur keabnormalan, yaitu architectural distortion, asymmetry, calcification, welldefined/circumscribed masses, other, ill-defined masses, dan spiculated masses. Bagian ini akan membahas hasil yang diperoleh, baik pada fase offline mau pun online, disertai dengan pembahasannya untuk kedua eksperimen yang dilakukan Fase Offline Fase offline terdiri atas dua tahap, yaitu pelatihan dan validasi. Sesuai dengan metodologi yang diusulkan, tahap pelatihan ditujukan untuk memberikan data-data kepada SVM sebagai sampel yang akan digunakan SVM untuk membentuk margin yang paling optimal, yaitu memiliki kemampuan diskriminatif terkuat terhadap kelas-kelas keanggotaan data. Tahap validasi ditujukan untuk menemukan nilai konstanta yang paling optimal untuk melakukan klasifikasi. Konstanta yang ditentukan oleh tahap validasi ada empat, yaitu konstanta untuk 64
2 65 kernel gaussian, tingkat dekomposisi dan ukuran filter yang digunakan oleh DT CWT. Pada eksperimen pertama, hasil dari tahap validasi menunjukkan bahwa konstanta berikut memberikan hasil yang paling optimal: Konstanta kernel : 0.4 Tingkat dekomposisi : 2 Filter tingkat pertama : near-symmetric panjang 13,19 Filter tingkat selanjutnya : q-shift panjang 10,10 Selain penggunaan kombinasi konstanta tersebut, hasil paling optimal juga dapat diperoleh dengan menggunakan hanya deviasi standar untuk merangkum hasil pemfilteran DT CWT. Penggunaan kombinasi konstanta tersebut akhirnya akan menghasilkan 12 fitur, yang terdiri atas 6 fitur berupa deviasi standar untuk setiap orientasi, dimana setiap nilai fitur tersebut dimiliki oleh setiap tingkat dekomposisi, yaitu 2. Fitur-fitur tersebut digunakan sebagai dasar SVM dalam melakukan klasifikasi, sehingga bidang SVM terdiri atas 12 dimensi. Dengan menggunakan kombinasi konstanta yang tersebut, 5 dari 6 kasus benign dan 6 dari 7 kasus malignant berhasil diklasifikasi dengan benar pada tahap validasi. Dari hasil tersebut, akhirnya diperoleh tingkat ketepatan sebesar 84,62%. Proses eksperimen untuk menemukan konstanta terbaik dapat dilihat pada lampiran (halaman ). Pada eksperimen kedua, hasil dari tahap validasi menunjukkan bahwa konstanta berikut memberikan hasil yang paling optimal: Konstanta kernel : 0.7 Tingkat dekomposisi : 2
3 66 Filter tingkat pertama : near-symmetric panjang 13,19 Filter tingkat selanjutnya : q-shift panjang 10,10 Penggunaan kombinasi konstanta tersebut akhirnya akan menghasilkan 24 fitur, yang terdiri atas 6 fitur berupa mean dan deviasi standar untuk setiap orientasi, dimana setiap nilai fitur tersebut dimiliki oleh setiap tingkat dekomposisi, yaitu 2. Fitur-fitur tersebut digunakan sebagai dasar SVM dalam melakukan klasifikasi, sehingga bidang SVM terdiri atas 24 dimensi. Dengan menggunakan kombinasi konstanta tersebut, 5 dari 13 kasus berhasil diklasifikasi dengan benar pada tahap validasi. Dari hasil tersebut, akhirnya diperoleh tingkat ketepatan sebesar 38,46%. Proses eksperimen untuk menemukan konstanta terbaik dapat dilihat pada lampiran (halaman ). Tabel 4.1 Hasil Klasifikasi pada Tahap Validasi. Kelas Jenis Keabnormalan Struktur Keabnormalan Hasil Total Kelas 1 Benign architectural distortion 0 1 Kelas 2 Benign asymmetry 0 0 Kelas 3 Benign calcification 0 1 Kelas 4 Benign well-defined/circumscribed masses 0 2 Kelas 5 Benign other, ill-defined masses 0 1 Kelas 6 Benign spiculated masses 1 1 Kelas 7 Malignant architectural distortion 1 2 Kelas 8 Malignant asymmetry 0 1 Kelas 9 Malignant calcification 1 1 Kelas 10 Malignant well-defined/circumscribed masses 0 0 Kelas 11 Malignant other, ill-defined masses 0 1 Kelas 12 Malignant spiculated masses 2 2
4 Fase Online Pada fase online, eksperimen dilakukan dengan meng-input satu per satu data pengujian ke dalam sistem berbasis DT CWT dan SVM yang telah dilatih. Eksperimen dilakukan dengan menggunakan kombinasi konstanta diperoleh dari tahap validasi pada fase offline. Pada eksperimen pertama, 23 dari 27 kasus benign dan 16 dari 17 kasus malignant berhasil diklasifikasi dengan benar pada fase online. Berdasarkan pada hasil ini, maka tingkat ketepatan yang diperoleh adalah 88,64%. Pada eksperimen kedua, 9 dari 44 kasus berhasil diklasifikasi dengan benar pada fase online. Berdasarkan hasil ini, maka tingkat ketepatan yang diperoleh adalah 20,45%. Tabel 4.2 Hasil Klasifikasi pada Fase Online. Kelas Jenis Keabnormalan Struktur Keabnormalan Hasil Total Kelas 1 Benign architectural distortion 0 4 Kelas 2 Benign asymmetry 0 3 Kelas 3 Benign calcification 3 5 Kelas 4 Benign well-defined/circumscribed masses 2 8 Kelas 5 Benign other, ill-defined masses 0 4 Kelas 6 Benign spiculated masses 0 3 Kelas 7 Malignant architectural distortion 2 5 Kelas 8 Malignant asymmetry 0 2 Kelas 9 Malignant calcification 2 4 Kelas 10 Malignant well-defined/circumscribed masses 0 1 Kelas 11 Malignant other, ill-defined masses 0 3 Kelas 12 Malignant spiculated masses 1 2
5 Pembahasan Hasil Penelitian Kedua eksperimen yang dilakukan pada akhirnya memberikan hasil yang akan digunakan untuk mengukur keberhasilan metodologi Jenis Keabnormalan Pada eksperimen pertama, kasus yang dihadapi adalah klasifikasi ROI ke dalam kelas benign dan malignant. Metodologi yang diusulkan berhasil memperoleh tingkat keakuratan sebesar 88,64%. Pada praktiknya di lapangan, klasifikasi terhadap benign dan malignant memerlukan adanya tahap pengangkatan bagian yang dinyatakan kanker, lalu kemudian bagian tersebut diamati melalui sebuah mikroskop. Hal ini membuktikan bahwa kasus benign dan malignant memiliki sebuah representasi yang unik secara visual. DT CWT mampu mereplikasi kemampuan mata manusia dalam menterjemahkan citra dengan cara membagi citra tersebut ke dalam beberapa subband. Hasil dari pembagian citra tersebut kemudian akan digunakan oleh SVM untuk melakukan klasifikasi, dimana SVM merupakan pengklasifikasi dengan tingkat ketepatan yang terbaik saat ini. Sesuai dengan hasil eksperimen, maka kedua pernyataan tersebut dapat dinyatakan benar untuk kasus klasifikasi kanker berbasis mammogram ke dalam kelas benign dan malignant. Penggunaan teknik transformasi wavelet untuk melakukan ekstraksi fitur dan SVM sebagai teknik klasifikasi bukanlah merupakan suatu hal yang baru. Umumnya, bentuk transformasi wavelet yang digunakan adalah Discreet Wavelet Transform (DWT). DT CWT dirancang untuk mengatasi kekurangan-kekurangan
6 69 yang dimiliki oleh DWT yaitu rentan terhadap pergeseran dan informasi arah yang minim. Namun, apakah benar dengan teratasinya kekurangan-kekurangan DWT performa dari teknik ekstraksi fitur akan meningkat, khususnya untuk kasus ekstraksi fitur pada kasus klasifikasi kanker payudara? Untuk menjawab pertanyaan tersebut, maka hasil yang diperoleh dari penelitian ini akan dicoba dibandingkan dengan penelitian-penelitian sebelumnya, yang telah menggunakan kombinasi DWT dan SVM. M. A. Alolfe et al. (2008), melakukan penelitian terhadap kasus klasifikasi kanker payudara. Klasifikasi ini diawali dengan penentuan apakah suatu ROI tergolong sebagai normal atau abnormal, dan kemudian diteruskan dengan penentuan jenis keabnormalan, benign atau malignant. Untuk kepentingan pembahasan ini, maka hanya penentuan jenis keabnormalan yang akan dijadikan sebagai acuan. Teknik ekstraksi fitur yang digunakan pada penelitian ini adalah DWT dengan tingkat dekomposisi 1 sampai dengan 3. Untuk memperoleh fitur, hasil pemfilteran wavelet pada setiap tingkat akan dirangkum dengan urutan sebagai berikut: 1. Normalisasi, dengan cara membagi nilai-nilai pada hasil pemfilteran, dengan nilai maksimum pada hasil pemfilteran tersebut. 2. Perhitungan energy, dengan cara menghitung nilai kuadrat setiap nilai. 3. Reduksi fitur, dengan cara menghitung nilai mean dari hasil perhitungan energy. Beberapa teknik klasifikasi diujikan secara terpisah, yaitu K Nearest Neighbour, SVM, Fuzzy classifier, dan Back Propagation Neural Network. Untuk pembahasan, hanya SVM yang akan digunakan. SVM ini menggunakan fungsi
7 70 kernel linear. Distribusi data yang digunakan pada penelitian ini terdiri atas 13 kasus benign, dimana 9 digunakan untuk pelatihan dan 4 digunakan untuk pengujian, dan 12 kasus malignant, dimana 8 digunakan untuk pelatihan dan 4 digunakan untuk pengujian. Dengan kondisi ini, diperoleh hasil sebagai berikut: - Kombinasi tingkat 1 dan 3 berhasil memperoleh tingkat keakuratan untuk kasus benign 75% (3 dari 4 kasus berhasil diklasifikasi dengan benar) dan kasus malignant 100% (4 dari 4 berhasil diklasifikasi dengan benar), dengan tingkat keakuratan keseluruhan adalah 87,5%. - Kombinasi tingkat 1 dan 2 berhasil memperoleh tingkat keakuratan untuk kasus benign 50% (2 dari 4 kasus berhasil diklasifikasi dengan benar) dan kasus malignant 50% (2 dari 4 berhasil diklasifikasi dengan benar), dengan tingkat keakuratan keseluruhan adalah 50%. - Kombinasi tingkat 2 dan 3 berhasil memperoleh tingkat keakuratan untuk kasus benign 75% (3 dari 4 kasus berhasil diklasifikasi dengan benar) dan kasus malignant 75% (3 dari 4 berhasil diklasifikasi dengan benar), dengan tingkat keakuratan keseluruhan adalah 75%. Sebagai pembanding, akan digunakan hasil terbaik, yaitu 75% untuk kasus benign dan 100% untuk kasus malignant dengan tingkat keakuratan keseluruhan adalah 87,5%. Secara keseluruhan, hasil yang diperoleh dari penggunaan DT CWT memberikan tingkat keakuratan yang lebih tinggi, yaitu 88,64%. Perbedaan tingkat keakuratan tidak terlalu signifikan, sebesar 1,14%. Perbedaan tersebut mungkin saja disebabkan karena beberapa hal sebagai berikut:
8 71 - Perbedaan cara merangkum nilai koefisien wavelet, dimana pada penelitian tersebut menggunakan normalisasi, perhitungan energy, dan kemudian direduksi dengan menghitung mean. Hasil dari perhitungan ini adalah nilai Root Mean Square ( RMS) kuadrat. Dalam ilmu fisika, RMS seringkali dinyatakan sebagai nilai deviasi standar berdasarkan pada patokan nilai tertentu (E.W. Weisstein, 2010), dimanaa pada nilai deviasi standar pada dasarnya adalah nilai RMS terhadap mean, bukan 0. Kesetaraan antara RMS dengann hubungannya dengan mean dan deviasi standar terlihat pada persamaan berikut (C. C. Bissel dan D. A. Chapman, 1992). Dimana adalah nilai mean dan σ x adalah nilai deviasi standar. Hal ini berarti bahwa nilai RMS selalu sama atau lebih besar dari nilai mean dan deviasi standar. Penggunaan RMS kuadrat, dalam hal ini dapat disetarakan sebagai nilai variant, yaitu nilai deviasi standar dikuadratkan, dengan asumsi nilai mean adalah 0. - Jumlah data pengujian yang digunakan terlalu sedikit, dengan 4 data per kasus, sehingga tingkat keakuratan yang diperoleh oleh penelitian tersebut kurang spesifik, dalam arti hanya sedikit kemungkinan angka ( 0%, 25%, 50%, 75%, atau 100% %). Nilai tingkat keakuratan yang diperoleh masih mungkinn meningkat atau menurun apabila jumlah data pengujian lebih banyak secara jumlah dan lebih bervariasi secara kasus.
9 72 P. Gorgel et al. (2009) juga menggunakan DWT dan SVM untuk kasus klasifikasi jenis keabnormalan. Tingkat dekomposisi DWT yang digunakan pada penelitian ini adalah 2. Pada penelitian ini, beberapa fungsi kernel diujikan, diantaranya adalah Gaussian RBF, linear, dan quadratic. Sumber data yang digunakan pada penelitian ini berasal dari fakultas pengobatan universitas Akdeniz. Distribusi data yang yang digunakan dalam penelitian ini adalah 28 kasus benign dan 38 kasus malignant. Dengan kondisi ini, diperoleh hasil sebagai berikut: - Dengan menggunakan fungsi kernel Gaussian RBF diperoleh tingkat keakuratan untuk kasus benign sebesar 71,4% dan kasus malignant 94,7%, dengan tingkat keakuratan keseluruhan adalah 84,8%. - Dengan menggunakan fungsi kernel linear diperoleh tingkat keakuratan untuk kasus benign sebesar 60,7% dan kasus malignant 86,8%, dengan tingkat keakuratan keseluruhan adalah 75,7%. - Dengan menggunakan fungsi kernel quadratic diperoleh tingkat keakuratan untuk kasus benign sebesar 53,5% dan kasus malignant 76,3%, dengan tingkat keakuratan keseluruhan adalah 66,6%. Sesuai dengan hasil penelitian sebelumnya, Gaussian RBF terbukti memberikan nilai tingkat keakuratan terbaik, dibandingkan dengan fungsi-fungsi kernel lainnya. Tingkat keakuratan yang diperoleh dari penelitian ini adalah 84,8%, dibandingkan dengan hasil 88,64% dari penggunaan DT CWT. Hasil tersebut menunjukkan perbedaan tingkat keakuratan sebesar 3,84%. Hasil yang diperoleh pada penelitian untuk untuk setiap kasus menunjukkan adanya kecenderungan
10 73 bahwa kasus malignant dapat diklasifikasi lebih baik dibandingkan dengan benign, 94,7% berbanding dengan 71,4%. Hal ini mungkin terjadi karena jumlah data untuk kasus benign dan kasus malignant tidak sama, sehingga data yang digunakan untuk training pada kasus malignant bisa lebih banyak, akhirnya hyperplane SVM yang terbentuk lebih condong kepada malignant. Karenanya, untuk menganalisa tingkat keakuratan diperlukan cara yang lebih spesifik, yaitu per kasus benign dan malignant. Tingkat keakuratan untuk kasus benign adalah 71,4%, dimana penggunaan DT CWT menghasilkan tingkat keakuratan sebesar 85,2% dengan selisih 13,8%. Tingkat keakuratan untuk kasus malignant adalah 94,7%, dimana penggunaan DT CWT menghasilkan tingkat keakuratan sebesar 94,1% dengan selisih 0,6%. Dari selisih hasil yang diperoleh, dapat terlihat bahwa DT CWT lebih handal terutama pada kasus benign, dimana pada kasus malignant, selisih hasil yang diperoleh terlalu kecil sehingga dapat dikatakan setara. C. Manoharan dan N. V. S. Sree Rathna Lakshmi (2010) mencoba menggunakan fitur yang merupakan kombinasi dari S dan momen-momen Jacobi. Nilai S diperoleh dengan cara mereduksi subband LL dari hasil proses dekomposisi DWT tingkat 1, menggunakan Singular Value Decomposition (SVD). Sebanyak 10 momen Jacobi dihitung dan dikombinasikan dengan S. Selanjutnya SVM digunakan untuk melakukan klasifikasi. Distribusi data yang digunakan pada penelitian ini adalah 16 kasus benign, dimana 6 digunakan untuk pelatihan dan 10 digunakan untuk pengujian, dan 19 kasus malignant, dimana 6 digunakan untuk pelatihan dan 13 digunakan untuk pengujian. Dengan kondisi ini, hasil eksperimen menunjukkan bahwa tingkat keakuratan klasifikasi untuk kasus benign 90,0% dan kasus malignant 84,6%, dengan tingkat keakuratan keseluruhan
11 74 87%. Sebagai perbandingan dengan DT CWT, penelitian ini mungkin kurang relevan, karena hanya menggunakan subband LL dari hasil ekstraksi fitur DWT yang direduksi dengan menggunakan SVD. Hal ini disebabkan karena subband LL menyimpan informasi paling banyak, yang pada dekomposisi DWT merupakan bagian yang akan di dekomposisi pada tingkat selanjutnya. Subband LL dapat dikatakan gambar dengan isi seperti gambar aslinya, namun dengan resolusi setengah dari gambar aslinya. Jadi penggunaan DWT pada penelitian ini hanyalah untuk mengurangi ukuran matriks SVD dengan cara mereduksi resolusi gambar hingga setengahnya dan fitur-fitur sisanya diperoleh dari nilai momen Jacobi. Karenanya pada penelitian ini hanya bisa dibandingkan, berdasarkan tingkat keakuratannya, fitur mana yang memberikan hasil yang lebih baik. Hasil penelitian ini menunjukkan tingkat keakuratan sebesar 87%, dibandingan dengan DT CWT 88,64% terdapat perbedaan yang tidak terlalu signifikan, yaitu 1,64%. Yang menarik pada penelitian ini adalah penggunaan data pelatihan yang jumlahnya lebih sedikit dari data pengujian, namun tetap memberikan hasil yang cukup menjanjikan. Namun, jumlah keseluruhan data juga tidak terlalu banyak, sehingga variasi kasus yang dihadapi juga kurang banyak. Berdasarkan dari hasil yang diperoleh dengan penggunaan DT CWT, dibandingkan dengan penelitian-penelitian sebelumnya yang menggunakan DWT, dimana keduanya menggunakan SVM sebagai pengklasifikasi, dapat dikatakan bahwa penerapan DT CWT mampu memberikan fitur yang lebih baik. Hal ini terbukti dari nilai-nilai tingkat keakuratan yang diperoleh, penggunaan DT CWT selalu memberikan hasil yang lebih baik. Namun, perlu diingat juga bahwa penelitian ini menggunakan data yang jumlahnya lebih besar, baik pada saat
12 75 pelatihan mau pun pengujian. Hal ini berarti bahwa generalisasi dari metodologi yang digunakan pada penelitian ini lebih teruji, dibandingkan dengan penelitianpenelitian sebelumnya, namun juga menggunakan data pelatihan dengan kasus yang lebih bervariasi Struktur Keabnormalan Pada eksperimen kedua, kasus yang dihadapi adalah klasifikasi ROI ke dalam kelas yang merupakan kombinasi dari jenis keabnormalan dan struktur keabnormalan. Metodologi yang diusulkan berhasil memperoleh tingkat keakuratan sebesar 20,45% Hasil buruk yang diperoleh dari eksperimen kedua akan dicoba dikaitkan dengan teori-teori yang ada. Berikut ini adalah beberapa analisis yang merupakan dugaan mengapa diperoleh hasil tersebut: - DT CWT tergolong sebagai teknik ekstraksi fitur berbasis tekstur. Struktur keabnormalan melambangkan bagaimana bentuk dan penyebaran kanker di dalam suatu ROI. Teknik yang digunakan untuk merangkum hasil pemfilteran DT CWT yang pada akhirnya digunakan sebagai fitur adalah mean dan deviasi standar. Pada akhirnya fitur yang dihasilkan tidak memiliki informasi spasial, sehingga fitur ini tidak dapat mendiskriminasi struktur keabnormalan. - SVM multi-kelas menggunakan kombinasi dari beberapa SVM biner untuk melakukan klasifikasinya. SVM biner ini diterapkan kepada setiap pasang kombinasi tingkat keabnormalan dan kelas keabnormalan yang ingin diklasifikasi. Setiap SVM biner ini
13 76 mendapatkan perlakuan yang sama, dengan menggunakan kombinasi konstanta yang sama pada setiap proses klasifikasi. Struktur keabnormalan, melambangkan bagaimana bentuk dan penyebaran kanker di dalam suatu ROI. Permasalahannya, struktur keabnormalan yang satu dengan yang lainnya, mungkin saja memiliki karakteristik yang sangat berbeda sehingga diperlukan konstanta yang berbeda juga. Untuk menguji hal ini, dilakukan eksperimen tambahan dimana konstanta kernel SVM dicari dan dibedakan untuk setiap pasangan kelas. Percobaan ini memberikan hasil yang lebih baik, namun tidak terlalu signifikan. Penggunaan kombinasi konstanta DT CWT yang berbeda-beda pada setiap pasangan kelas mungkin dapat meningkatkan hasil yang diperoleh lebih jauh lagi.
BAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini dilakukan eksperimen sebanyak dua kali. Eksperimen pertama dilakukan untuk menguji keberhasilan klasifikasi ROI ke dalam jenis keabnormalan,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Kanker payudara merupakan salah satu penyebab kematian yang sering dialami oleh wanita pada usia lanjut. Tercatat bahwa pada tahun 2011, terdapat lebih
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini, eksperimen dilakukan terhadap 3 metode NMF, yaitu normal NMF, Local NMF, dan nsnmf.untuk setiap metode NMF, eksperimenakan dilakukan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1. Implementasi Pengujian dalam penelitian ini dilakukan dengan menggunakan MATLAB 29. Citra mammogram yang digunakan dibagi menjadi tiga kelas, yaitu kelas Normal, Benign
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 terperinciDIAGNOSIS KANKER PAYUDARA PADA MAMMOGRAM MENGGUNAKAN METODE TRANSFORMASI CURVELET DAN CBIR
DIAGNOSIS KANKER PAYUDARA PADA MAMMOGRAM MENGGUNAKAN METODE TRANSFORMASI CURVELET DAN CBIR TRI ADHI WIJAYA [5108100510] Surabaya, 19 Juli 2010 / Ruang Sidang S2 Gedung Teknik Informatika ITS Latar Belakang
Lebih terperinciIMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER
IMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER M. Jamaluddin 1, Nanik Suciati 2, Arya Yudhi Wiajaya 3 1,2,3 Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinciBAB 3 METODOLOGI. melakukan pengamatan dan analisis dari gambar yang didapat. Untuk bisa mendapatkan
BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah 3.1.1 Analisis Kebutuhan Dalam melakukan analisa gambar mammogram, biasanya dokter secara langsung melakukan pengamatan dan analisis dari gambar yang
Lebih terperinciBAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA 2.1 Computer-Aided Mammography Computer-Aided Mammography (CAM) merupakan suatu sistem yang bertujuan membantu para ahli patologi dalam melakukan deteksi dan klasifikasi terhadap
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciBAB 2 LANDASAN TEORI. mencakup teori speaker recognition dan program Matlab. dari masalah pattern recognition, yang pada umumnya berguna untuk
6 BAB 2 LANDASAN TEORI 2.1 Teori-teori Dasar / Umum Landasan teori dasar / umum yang digunakan dalam penelitian ini mencakup teori speaker recognition dan program Matlab. 2.1.1 Speaker Recognition Pada
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN Pada bab ini akan dibahas tentang latar belakang, perumusan masalah, tujuan penelitian, manfaat penelitian, dan kontribusi penelitian. Masalah-masalah yang dihadapi berkaitan dengan melakukan
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinciBAB 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
Lebih terperinciPENELITIAN. David PROGRAM
COMPUTER AIDED DIAGNOSIS SISTEM UNTUK DIGITAL MAMMOGRAM MENGGUNAKAN NEURAL NETWORK DAN DUAL TREE COMPLEX WAVELET TRANSFORM PENELITIAN 11124007555 Program Pascasarjana Ilmu Komputer PROGRAM STUDI MAGISTER
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
60 BAB IV HASIL DAN PEMBAHASAN 41 Hasil Eksperimen E-nose terdiri dari 4 buah sensor gas dimana masing-masing dari sensor tersebut memiliki kepekaan yang berbeda pada saat pendeteksian aroma Jenis teh
Lebih terperinciSeminar Nasional Inovasi Dan Aplikasi Teknologi Di Industri 2017 ISSN ITN Malang, 4 Pebruari 2017
PENGENALAN INDIVIDU BERDASARKAN SIDIK RUGAE PALATINA DENGAN MENGGUNAKAN METODE SINGULAR VALUE DECOMPOSITION SEBAGAI PENGOLAH EKSTRAKSI CIRI DAN SUPPORT VECTOR MACHINE SEBAGAI KLASIFIKATOR Shofi Annisa
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pengembangan teknologi diharapkan menghasilkan berbagai hal yang berguna untuk memenuhi kebutuhan masyarakat serta memberi kemudahan dan kenyamanan pada pengguna
Lebih terperinciBAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA 2.1 Computer Aided Mammography Menurut Yusuf (2007), Computer-Aided Mammography (CAM) merupakan sebuah sistem yang digunakan untuk melakukan deteksi dan klasifikasi terhadap kanker
Lebih terperinciBAB I PENDAHULUAN. Bab I Pendahuluan
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Perkembangan ilmu biomedikal telah mendorong banyak penelitian dilakukan untuk menghasilkan alat bantu diagnosa berbasis komputer. Salah satunya yaitu pendeteksian
Lebih terperincig(x, y) = F 1 { f (u, v) F (u, v) k} dimana F 1 (F (u, v)) diselesaikan dengan: f (x, y) = 1 MN M + vy )} M 1 N 1
Fast Fourier Transform (FFT) Dalam rangka meningkatkan blok yang lebih spesifik menggunakan frekuensi dominan, akan dikalikan FFT dari blok jarak, dimana jarak asal adalah: FFT = abs (F (u, v)) = F (u,
Lebih terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang Diagnosis kanker dapat dilakukan berdasarkan struktur morfologisnya, namun hal tersebut mengalami kesulitan karena perbedaan struktur morfologis yang sangat tipis
Lebih terperinciWATERMARKING PADA CITRA DIGITAL BERBASIS DISCRETE WAVELET TRANSFORM DAN SINGULAR VALUE DECOMPOSITION
WATERMARKING PADA CITRA DIGITAL BERBASIS DISCRETE WAVELET TRANSFORM DAN SINGULAR VALUE DECOMPOSITION Disusun oleh : Nama : Hendra Togi Manalu Nrp : 0522121 Jurusan Teknik Elektro, Fakultas Teknik,, Jl.
Lebih terperinciBAB 1 PENDAHULUAN. di bidang pendidikan, keamanan, perkantoran, bahkan pada bidan g
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarangini dunia berada di era digital. Era dimana hampir setiap aspek dalamkehidupan manusia sangat berhubungan erat dengan teknologi komputasi baik di bidang pendidikan,
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 OPTIMASI NILAI AMBANG WAVELET BERBASIS LOGIKA FUZZY PADA DENOISING CITRA BERWARNA (Kata kunci: denoising, transformasi wavelet, logika fuzzy, thresholding, median absolute
Lebih terperinciBAB I PENDAHULUAN. 1 Universitas Kristen Maranatha
BAB I PENDAHULUAN I.1 Latar Belakang Masalah Perkembangan dunia digital, terutama dengan berkembangnya internet, menyebabkan informasi dalam berbagai bentuk dan media dapat tersebar dengan cepat tanpa
Lebih terperinciLOGO PEMBERIAN TANDA AIR MENGGUNAKAN TEKNIK KUANTISASI RATA-RATA DENGAN DOMAIN TRANSFORMASI WAVELET DISKRIT. Tulus Sepdianto
LOGO PEMBERIAN TANDA AIR MENGGUNAKAN TEKNIK KUANTISASI RATA-RATA DENGAN DOMAIN TRANSFORMASI WAVELET DISKRIT Tulus Sepdianto 1206100002 PENDAHULUAN Latar Belakang Penggunaan internet secara global Distribusi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Menginterprestasi sebuah citra untuk memperoleh diskripsi tentang citra tersebut melalui beberapa proses antara lain preprocessing, segmentasi citra, analisis
Lebih terperinciBAB I PENDAHULUAN. dikembangkan dengan sejumlah pendekatan selama bertahun-tahun. Klasifikasi
BAB I PENDAHULUAN 1.1 Latar Belakang Deteksi dan klasifikasiciri pada citra sangat luas dan banyak dikembangkan dengan sejumlah pendekatan selama bertahun-tahun. Klasifikasi suatu objek dapat dilakukan
Lebih terperinciKata Kunci : non-blind watermarking, complex wavelet transform, singular value decomposition.
NON-BLIND WATERMARKING PADA CITRA DIGITAL MENGGUNAKAN COMPLEX WAVELET TRANSFORM (CWT) DAN SINGULAR VALUE DECOMPOSITION (SVD) Disusun Oleh : Froni Andrian Sitompul (0822102) Jurusan Teknik Elektro, Fakultas
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. kanker payudara apakah tergolong normal atau abnormal (benign atau malignant)
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Sistem aplikasi yang kami kembangkan adalah sistem pengklasifikasian jenis kanker payudara apakah tergolong normal atau abnormal (benign atau malignant)
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB IV PENGOLAHAN DATA
BAB IV PENGOLAHAN DATA 4.1 Koreksi Geometrik Langkah awal yang harus dilakukan pada penelitian ini adalah melakukan koreksi geometrik pada citra Radarsat. Hal ini perlu dilakukan karena citra tersebut
Lebih terperinciBABI PENDAHULUAN. 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Kanker payudara adalah jenis kanker yang dimulai pada sel-sel payudara sebagai sekelompok sel kanker, yang kemudian dapat menyerang jaringan di sekitarnya atau menyebar
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 terperinciWatermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital
JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2014) 1-6 1 Watermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital Latifatul Machbubah, Drs. Soetrisno, MI.Komp Jurusan Matematika, Fakultas
Lebih terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciBAB 3 METODOLOGI. 3.1 Rancangan Program Pemilihan Metode. Dalam perancangan program mammogram, telah ditemukan banyak
BAB 3 METODOLOGI 3.1 Rancangan Program 3.1.1 Pemilihan Metode Dalam perancangan program mammogram, telah ditemukan banyak sekali metode yang dapat digunakan. Metode-metode yang ada mencakup program yang
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 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 terperinciDeteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation
Deteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation Tri Deviasari Wulan 1, Endah Purwanti 2, Moh Yasin 3 1,2 Program Studi Fisika Fakultas Sains dan Teknologi
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciBAB I PENDAHULUAN. teknologi pengolahan citra (image processing) telah banyak dipakai di berbagai
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Citra (image) adalah bidang dalam dwimatra (dua dimensi) (Munir, 2004). Sebagai salah satu komponen multimedia, citra memegang peranan sangat penting sebagai
Lebih terperinciBAB 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,
Lebih terperinciTrihastuti Agustinah
TE 9467 Teknik Numerik Sistem Linear Trihastuti Agustinah Bidang Studi Teknik Sistem Pengaturan Jurusan Teknik Elektro - FTI Institut Teknologi Sepuluh Nopember O U T L I N E OBJEKTIF TEORI CONTOH 4 SIMPULAN
Lebih terperinciBAB I 1 PENDAHULUAN. 1.1 Latar Belakang
BAB I 1 PENDAHULUAN 1.1 Latar Belakang Bidang komputer merupakan suatu bidang yang tidak akan pernah berhenti dan selalu berkembang kegunaanya hingga sekarang ini. Teknologi baru dan aplikasi baru selalu
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Citra Citra merupakan salah satu komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Meskipun sebuah citra kaya akan informasi, namun sering
Lebih terperinciBAB III METODOLOGI PENELITIAN
36 BAB III METODOLOGI PENELITIAN 31 Kerangka Pikir Salah satu sifat penting dari kualitas teh adalah aromaidentifikasi aroma teh dapat dilakukan dengan alat Electronic Nose(e-nose) Sistem pengenalan aroma
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teknologi internet berkembang dengan sangat pesat dan sangat mudah sekali untuk mengaksesnya. Akan tetapi, didalamnya terdapat banyak konten yang
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM. linear sequential (waterfall). Metode ini terdiri dari empat tahapan yaitu analisis,
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Perancangan program aplikasi yang dibuat dalam skripsi ini menggunakan aturan linear sequential (waterfall). Metode ini terdiri dari empat tahapan yaitu analisis,
Lebih terperinciKelas. Kelas. p q r s t u v w x y Level Transformasi.
Fitur yang digunakan untuk pelatihan pada algoritme VFI5 diperoleh dari tiap-tiap piksel pada citra tanda tangan. Fitur pada pelatihan yang semula berupa matriks berukuran 3 4 piksel disusun menjadi matriks
Lebih terperinciBAB I PENDAHULUAN. beberapa dekade ini. Kanker paru merupakan pertumbuhan sel-sel abnormal yang
BAB I PENDAHULUAN A. Latar Belakang Kanker paru telah menjadi salah satu kanker yang sering terjadi dalam beberapa dekade ini. Kanker paru merupakan pertumbuhan sel-sel abnormal yang tak terkendali pada
Lebih terperinciWATERMARKING DENGAN METODE DEKOMPOSISI NILAI SINGULAR PADA CITRA DIGITAL
SEMIN HASIL TUGAS AKHIR 1 WATERMKING DENGAN METODE DEKOMPOSISI NILAI SINGUL PADA CITRA DIGITAL Oleh : Latifatul Machbubah NRP. 1209 100 027 JURUSAN MATEMATI FAKULTAS MATEMATI DAN ILMU PENGETAHUAN ALAM
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Noise Pada saat melakukan pengambilan gambar, setiap gangguan pada gambar dinamakan dengan noise. Noise dipakai untuk proses training corrupt image, gambarnya diberi noise dan
Lebih terperinciKombinasi Teknik Ekstraksi Fitur pada Sistem Temu Kembali Citra Mammogram
Kombinasi Teknik Ekstraksi Fitur pada Sistem Temu Kembali Citra Mammogram Diana Purwitasari Teknik Informatika - FTIF, Institut Teknologi Sepuluh Nopember diana@if.its.ac.id Anugrah Nahari Teknik Informatika
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Perkembangan multimedia saat ini sangat cepat. Dengan multimedia, pengguna dapat menyerap informasi dengan lebih mudah, sehingga pemilihan informasi yang tepat menjadi penting. Pemilihan informasi
Lebih terperinciBAB 1 PENDAHULUAN. misalnya untuk mendeteksi ketidakpuasan pelanggan pada sistem call center otomatis,
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi memungkinkan manusia untuk berinteraksi dengan perangkat elektronik seperti asisten virtual pada ponsel pintar atau komputer. Agar komputer dapat
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Analisa Masalah Kemajuan teknologi di bidang multimedia, menuntut kemampuan sistem yang lebih baik dan lebih maju dari sebelumnya, sesuai dengan perkembangan teknologi.
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 terperinci2. Adanya resiko pemumpukan barang pada gudang.
BAB 3 PROSEDUR DAN METODOLOGI 3.1. Analisis Masalah 3.1.1. Deskripsi Masalah Pemenuhan keinginan atau permintaan pasar merupakan hal yang krusial bagi setiap perusahaan. Perusahaan yang siap berkompetisi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Malaria merupakan penyakit mematikan yang disebabkan oleh dari genus dengan perantara nyamuk Anopheles betina. Berdasarkan data WHO, pada tahun 2014 sendiri telah terjadi
Lebih terperinciIDENTIFIKASI TINGKAT KOLESTEROL MENGGUNAKAN IRIS MATA DENGAN METODE TRANSFORMASI HOUGH DAN DAUGMAN S RUBBER SHEET MODEL
IDENTIFIKASI TINGKAT KOLESTEROL MENGGUNAKAN IRIS MATA DENGAN METODE TRANSFORMASI HOUGH DAN DAUGMAN S RUBBER SHEET MODEL SKRIPSI Disusun Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer
Lebih terperinciBAB 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era yang semakin maju ini, teknologi telah memegang peranan penting dalam kehidupan manusia sehari-hari, sehingga kemajuannya sangat dinantikan dan dinikmati para
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan sehari- hari seringkali ditemukan uang palsu pada berbagai transaksi ekonomi. Tingginya tingkat uang kertas palsu yang beredar di kalangan masyarakat
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker merupakan penyakit penyebab kematian paling tinggi di dunia, berdasarkan data World Health Organization (WHO) pada tahun 2012 terdapat sekitar 14 juta kasus
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Metode Penelitian Penelitian mengenai peningkatan kecepatan prediksi produksi susu sapi ini menggunakan metode eksperimen dengan metode sebagai berikut: a. Pengumpulan data
Lebih terperinciGambar IV-1. Perbandingan Nilai Korelasi Antar Induk Wavelet Pada Daerah Homogen Untuk Level Dekomposisi Pertama
BAB IV ANALISIS IV.1 Analisis Terhadap Hasil Pengolahan Data Gambar IV-1 menunjukkan peningkatan nilai korelasi dari sebelum transformasi wavelet dengan setelah transformasi wavelet pada level dekomposisi
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 terperinciBAB I PENDAHULUAN I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Proses pencocokan citra dilakukan dengan mengidentifikasi dan mengukur pasangan titiktitik sekawan antara citra satu dengan citra lainnya untuk objek yang sama pada
Lebih terperinciDETEKSI KERUSAKAN ROTOR BAR MOTOR INDUKSI MENGGUNAKAN ANALISIS ARUS OUTPUT INVERTER BERBASIS WAVELET
SEMINAR TUGAS AKHIR JUNI 2013 DETEKSI KERUSAKAN ROTOR BAR MOTOR INDUKSI MENGGUNAKAN ANALISIS ARUS OUTPUT INVERTER BERBASIS WAVELET Oleh: Rifaldy Swasetyasakti 2209100080 Dosen Pembimbing Prof. Ir. Mochamad
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN. untuk pengenalan ekspresi wajah diantara metode Non Negative Matrix
BAB 4 HASIL DAN PEMBAHASAN 4.1. Hasil Penelitian Penelitian akan dilakukan untuk mencari hasil yang paling optimal untuk pengenalan ekspresi wajah diantara metode Non Negative Matrix Factorization (NMF),
Lebih terperinciPERBANDINGAN TEKNIK WATERMARKING CITRA DIGITAL MENGGUNAKAN DWT-SVD DAN RDWT-SVD. Abstract
PERBANDINGAN TEKNIK WATERMARKING CITRA DIGITAL MENGGUNAKAN DWT- DAN Qurrota Ayun Majid, T. Sutojo, S.Si, M.Kom Teknik Informatika - S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang 111201207118@mhs.dinus.ac.id
Lebih terperinciBAB I PENDAHULUAN. waktu adalah suatu deret observasi yang berurut dalam waktu. Analisis data
BAB I PENDAHULUAN 1.1. Latar Belakang Analisis time series (runtun waktu) banyak digunakan dalam berbagai bidang, misalnya ekonomi, teknik, geofisik, pertanian dan kedokteran. Runtun waktu adalah suatu
Lebih terperinci1. Pendahuluan Perumusan Masalah Dari latar belakang yang dipaparkan di atas, masalah yang dapat dirumuskan adalah:
1. Pendahuluan 1.1. Latar Belakang Wajah manusia dapat menunjukkan dimorfisme seksual yang cukup jelas [1][2][3][4][5]. Wajah pria dan wanita memiliki bentuk dan tekstur yang berbeda, dan petunjuk yang
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
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker adalah penyebab utama kematian di seluruh dunia. Berdasarkan data dari World Health Organization (WHO), pada tahun 2012 terdapat sekitar 14 juta kasus kanker
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1 Definisi Pengolahan Citra Citra disebut sebagai gambaran dari objek yang telah mengalami perubahan dalam pengolahan. Pengolahan citra digital adalah suatu metode yang digunakan
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Persaingan dalam dunia bisnis, terlebih lagi bagi perusahaan besar, tidak lepas dari adanya proses jual beli saham. Saham secara umum merupakan surat berharga yang dapat
Lebih terperinciANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA
ISSN: 1693-6930 159 ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA Iwan Suhardi, Riana T. Mangesa Jurusan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2008 Express Edition. Proses perancangan menggunakan pendekatan Object Oriented
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 terperinciBAB II LANDASAN TEORI. Citra digital sebenarnya bukanlah sebuah data digital yang normal,
BAB II LANDASAN TEORI II.1 Citra Digital Citra digital sebenarnya bukanlah sebuah data digital yang normal, melainkan sebuah representasi dari citra asal yang bersifat analog [3]. Citra digital ditampilkan
Lebih terperinciBAB III PENGOLAHAN DATA
BAB III PENGOLAHAN DATA Pengolahan data pada penelitian ini meliputi tahapan pengambilan data, penentuan titik tengah area yang akan menjadi sampel, pengambilan sampel, penentuan ukuran window subcitra
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Rancangan Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau informasi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap
Lebih terperinciBAB III METODE PENELITIAN
23 BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan proses penelitian ditunjukkan pada Gambar 15 berikut. Mulai 96 citra stomata Ekstraksi fitur - RGB & Skala Keabuan Ekstraksi fitur - Wavelet
Lebih terperinciPENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 811-820 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini dibahas teori yang digunakan sebagai landasan pengerjaan Support Vector Backpropagation. Pembahasan bertujuan untuk menguraikan teori dan algoritma yang digunakan dalam
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB 1 PENDAHULUAN. dengan proses pengolahan citra digital (digital image processing), dimana data berupa
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada awalnya, komputer hanya dapat digunakan untuk melakukan pemrosesan terhadap data numerik. Tetapi pada sekarang ini, komputer telah membawa banyak perubahan dan
Lebih terperinciMempelajari 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
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 I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada perkembangan teknologi informasi seperti saat ini, kebutuhan akan informasi dan sistem yang dapat membantu kebutuhan manusia dalam berbagai aspek sangatlah penting.
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 terperinciIDENTIFIKASI PENULIS MELALUI POLA TULISAN TANGAN MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE
IDENTIFIKASI PENULIS MELALUI POLA TULISAN TANGAN MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE Teny Handhayani 1 Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Tarumanagara
Lebih terperinci4 Notepad dan Microsoft Excel sebagai editor data.
dengan menggunakan perangkat lunak ENVI disimpan dalam file.txt (Lampiran 1). File ini berisi informasi mengenai panjang gelombang dan nilai pantulan (reflectance) objek di permukaan bumi. Objek yang diperlukan
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih terperinci