APLIKASI MOBILE UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN LOCAL BINARY PATTERN DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK
|
|
- Harjanti Indradjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 APLIKASI MOBILE UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN LOCAL BINARY PATTERN DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK INTISARI Pauzi Ibrahim Nainggolan 1, Yeni Herdiyeni 2 1 Mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian Bogor, Ibrahim.pauzi@gmail.com 2 Staf Pengajar Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian Bogor, yeni.herdiyeni@ipb.ac.id PAUZI IBRAHIM NAINGGOLAN. Aplikasi Mobile untuk Identifikasi Tumbuhan Obat menggunakan Local Binary Patterns dengan Klasifikasi Probabilistic Neural Network di bombing oleh YENI HERDIYENI. Penelitian ini mengusulkan aplikasi mobile untuk identifikasi tumbuhan obat. Local Binary Pattern (LBP) digunakan untuk mengekstraksi fitur-fitur dari gambar and Probabilistic Neural riu2 Network (PNN) digunkan untuk klasifikasi tumbuhan obat pada perangkat mobile.lbp P,R adalah descriptor yang digunakan pada penelitian ini, descriptor ini menggunakan rotation invariant dan uniform patterns untuk memperoleh fitur tekstur pada gambar. Tujuan dari rencana penelitian ini adalah mengimplementasikan teknik identifikasi tumbuhan obat pada aplikasi mobile yang berbasis sistem operasi Android. Data yang digunakan adalah foto tumbuhan obat dari Kebun Raya Bogor-Indonesia yang terdiri atas 15 spesies dengan 10 variasi gambar untuk setiap spesies. Penelitian menghasilkan akurasi dari identifikasi adalah 31.11% dan membutuhkan waktu rata-rata detik. Hasil penelitian ini menunjukkan bahwa data yang digunakan masih sedikit, untuk itu penelitian ini membutuhkan data yang lebih banyak dan pengkajian lebih lanjut untuk meningkatkan akurasi. Aplikasi yang baru pada perangkat mobile ini berguna untuk masyarakat dan peneliti dalam mengidentifikasi tumbuhan obat. Kata Kunci: Android, LBP, Tumbuhan Obat, Aplikasi Mobile, PNN. ABSTRACT PAUZI IBRAHIM NAINGGOLAN. Mobile Application for Medicinal Plants Identification using Local Binary Patterns Descriptor and Probabilistic Neural Network Method. Supervised by YENI HERDIYENI. This research proposed a new mobile application for medicinal plants identification. Local Binary Pattern (LBP) is used to extract image features and Probabilistic Neural Network (PNN) is used to classify medicinal plants on mobile phone. LBP riu2 P,R was used as LBP descriptor in this research, which using rotation invariant and uniform patterns of image texture. The aim of this research was to implement this application in open source Android 2.3 (Gingerbread) operating system. Datas is we used medicinal leaf image from Botanical Garden, Bogor Indonesia at consist of 15 species with 10 variation for each species. The experimental showed that the accuracy of identification is 31.11% and computation time is seconds. The experimental result show that we use small dataset, so this research need to be explore further to improve the accuracy. This new mobile application is usefull to help user for plant identification. Keywords: Android, LBP, medicinal plant, mobile application, PNN. PENDAHULUAN Indonesia merupakan Negara yang kaya akan keanekaragaman spesies tumbuhan obat, Indonesia memiliki lebih dari spesies tumbuhan obat (Bappenas 2003). Potensi pemanfaatan tumbuhan obat sangat besar apabila dapat dilakukan langsung oleh
2 2 masyarakat luas, namun untuk dapat mengenali manfaat dari setiap tumbuhan obat itu sendiri bagi masyarakat luas sulit dilakukan. Beberapa masyarakat melakukannya dengan membandingkan gambar daun yang akan diidentifikasi dengan gambar daun yang terdapat pada buku atau melakukannya di laboratorium secara manual oleh ahli di bidang taxonomy tumbuhan obat. Hal tersebut membutuhkan waktu dan biaya yang banyak. Penelitian mengenai pengenalan tumbuhan obat sudah dilakukan dengan komputasi berbasiskan gambar. Pengenalan tumbuhan obat dengan mengekstrasksi ciri daun yang telah dilakukan masih di lingkungan komputer desktop. Dengan berkembangnya teknologi mobile, akan lebih bermanfaat jika aplikasi dibangun pada perangkat mobile, karena dapat dibawa kemana saja. Penelitian ini mengembangkan sebuah perangkat lunak yang dapat mengidentifikasi tumbuhan obat pada handset yang berbasiskan sistem operasi Android. Sesuai dengan penelitian Speckmann (2008), untuk saat ini platform yang paling baik digunakan dalam pengembangan aplikasi pada handset adalah sistem operasi Android. Diharapkan aplikasi ini dapat memberikan informasi yang relevan kepada masyarakat untuk identifikasi tumbuhan obat. Tujuan dari rencana penelitian ini adalah mengimplementasikan teknik identifikasi tumbuhan obat pada aplikasi mobile yang berbasis sistem operasi Android. Teknik identifikasi yang digunakan adalah Local Binary Pattern (LBP) dengan klasifikasi Probabilistic Neural Network (PNN). Ruang lingkup penelitian ini adalah: 1 Data diperoleh dari hasil pengambilan citra 15 jenis tumbuhan obat menggunakan kamera pada perangkat mobile yang berasal dari kebun Raya Bogor. 2 Penelitian ini menggunakan Operator LBP dengan descriptor LBP riu2 24,3. 3 Aplikasi yang dibangun pada perangkat mobile dengan sistem operasi Android 2.2 (Froyo). TINJAUAN PUSTAKA Tumbuhan Obat Indonesia merupakan negara yang kaya akan tumbuhan tropis. Jumlah tumbuhan tropis di Indonesia sekita spesies (Damayanti 2008). Diantara spesies
3 3 tersebut, sampai dengan 2001 data spesies tumbuhan obat yang dapat diidentifikasi hanya spesies (Zuhud 2009). Damayanti et al. (2011) mengemukakan tantangan dalam identifikasi tumbuhan obat adalah: 1 Mendorong generasi muda untuk menjadi ahli taksonomi. 2 Mendorong generasi muda untuk melanjutkan warisan dari nenek moyang dalam pengenalan dan identifikasi spesies tumbuhan obat-obatan. 3 Mengembangkan lembaga yang lebih berwenang untuk identifikasi specimen. 4 Mengembangkan teknologi yang mengurangi masalah dalam identifikasi. 5 Mengembangkan jaringan dengan para stakeholder dalam bidang teknologi. Local Binary Patterns Local Binary Pattern (LBP) merupakan suatu metode untuk mendeskripsikan tekstur pada mode warna grayscale. LBP pertama sekali diperkenalkan oleh Timo Ojala. LBP digunakan untuk mencari pola pada citra (texture in local neighborhood) (Mäenpää 2003). LBP adalah sekumpulan pixel ketetanggaan yang tersebar secara melingkar (circular neighborhoods) dengan pusat piksel berada di tengah seperti ditunjukkan pada Gambar 1. Notasi g i merupakan nilai gray level piksel ketetanggaan. Rataan seluruh piksel (piksel ketetanggaan dan piksel pusat g c ) digunakan sebagai nilai ambang batas (threshold) untuk memotong setiap nilai piksel ketetanggaan untuk mendapatkan kode binernya. Gambar 1 Circular neighborhood delapan sampling points. Untuk mendapatkan nilai LBP, kode-kode biner yang telah didapatkan, dikalikan dengan pembobotan binernya. Gambar 2 menunjukkan operasi dasar LBP. Pola-pola biner LBP merepesentasikan bermacam-macam pola tepi, titik, flat areas, dan sebagainya.
4 4 Gambar 2 Contoh perhitungan nilai LBP. Formulasi LBP dapat dituliskan sebagai berikut: LBP P,R (x c,y c )= dimana : s x = 1 x 0 0 x<0 P-1 p=0 s(g p -g c )2 p [1] dimana : x c dan y c adalah koordinat pusat piksel ketetanggaan, p adalah circular sampling points, P adalah banyaknya sampling points, g p adalah nilai keabuan dari p, g c adalah nilai piksel pusat, dan s adalah sign (kode biner). Nilai-nilai LBP selanjutnya direpresentasikan melalui histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai LBP. Setelah mendapatkan nilai LBP pada setiap neighborhood (blok i,j ), untuk ukuran citra NxM, tekstur citra direpresentasikan dengan membentuk histogram: N M H k = i=1 j=1 f LBP P,R i,j,k, k 0,K [2] dengan f x,y = 1, x = y 0, selainnya dan K merupakan nilai LBP terbesar. Perhitungan nilai LBP seperti pada Gambar 3 ditentukan oleh radius (R) dari jumlah sampling points (P), sehingga Local Binary Patterns dinotasikan sebagai LBP (P,R). Semakin besar nilai P akan meningkatkan informasi tekstur yang didapat. Urutan
5 5 pengodean LBP yang bersifat tetap menyebabkan ada sejumlah 2+P jumlah pola LBP. Gambar 3 memperlihatkan contoh operator LBP dengan beberapa nilai P dan R. Gambar 3 Operator LBP. Rotation Invariant Uniform Patterns (LBP riu2 P,R ) Penggabungan antara uniform patterns dan rotation invariant dilambangkan LBP riu2 P,R. Notasi ri menunjukkan rotation invariant dan u2 untuk uniform patterns pada sampling points P dan radius R. LBP riu2 P,R merupakan ukuran ketidaksensitifan (invariant) terhadap perubahan grayscale. LBP riu2 P,R merupakan ukuran yang digunakan untuk pola spasial. Jumlah pola yang dihasilkan uniform patterns adalah P P-1 +2 bins. Ketika uniform patterns dirotasi sampai ke nilai minimum yang dimilikinya, jumlah pola yang dihasilkan menjadi P+1 bins. Rotation invariant uniform patterns diformulasikan sebagai berikut: LBP riu2 P,R = P-1 p=0 s g p -g c, if U LBP P,R 2 [3] P + 1, & selainnya Jika pola yang diidentifikasi termasuk uniform patterns, akan dihitung banyaknya bit satu pada pola tersebut yang menentukan letak bin uniform patterns berada. Jika P, banyaknya sampling points sama dengan delapan, nilai LBP riu2 P,R adalah nol sampai dengan P. Jika bukan uniform patterns, nilai bin terakhir ditambahkan satu, yaitu bin ke-p+1 yang merupakan single bin non uniform patterns (Mäenpää 2003). Probabilistic Neural Network (PNN) PNN merupakan Artificial Neural Network (ANN) yang menggunakan teorema probabilitas klasik (pengklasifikasian Bayes). PNN diperkenalkan oleh Donald Specht pada tahun PNN menggunakan pelatihan (training) supervised. Training data PNN mudah dan cepat. Bobot bukan merupakan hasil training melainkan nilai yang dimasukkan (tersedia) (Wu et al. 2007).
6 6 Gambar 4 Struktur PNN. Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/keluaran. Lapisan masukan merupakan objek x yang terdiri atas k nilai ciri yang akan diklasifikasikan pada n kelas. Struktur PNN ditunjukkan pada Gambar 4. Proses-proses yang terjadi setelah lapisan masukan ialah: 1 Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan. Setiap node pola merupakan perkalian titik (dot product) dari vektor masukan x yang akan diklasifiksikan dengan vektor bobot x ij, yaitu Z i =x. x ij, Z i kemudian dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu radbas n = exp (-n) 2. Dengan demikian, persamaan yang digunakan pada lapisan pola ialah. f x =exp - (x-x ij) T (x-x ij ) 2σ 2 2. [4] 2 Lapisan penjumlahan (summation layer) Menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah: p x = 1 k (2π) 2 σ k t 2 ) 2σ 2 exp(- (x-x ij) T t (x-x ij ) i=1.. [5]
7 7 3 Lapisan keluaran (output layer) Menentukan kelas dari input yang diberikan. Input x akan masuk ke Y jika nilai p Y x paling besar dibandingkan kelas lainnya. METODE PENELITIAN Penelitian ini dilakukan dengan model client server menggunakan dua perangkat yaitu handset pada front-end dan server sebagai back-end seperti terlihat pada Gambar 5. Gambar 5 Model client server. Setiap perangkat memiliki alur proses yang terkait dengan perangkat lainnya. Perangkat pada server mengekstrak data citra latih untuk mendapatkan model klasifikasi. Model klasifikasi ini didistribusikan ke perangkat handset untuk digunakan pada proses klasifikasi. Pada handset sendiri proses tidak berbeda jauh dengan proses pada server. Aplikasi pada sisi client dapat mengekstraksi dan mengklasifikasikan citra masukan. Namun, handset tidak menghasilkan model klasifikasi, hanya menggunakan model klasifikasi yang telah dihasilkan oleh server seperti terlihat pada Gambar 6. Gambar 6 Metode penelitian.
8 8 Ekstraksi Fitur Tekstur Tumbuhan Obat Proses ekstraksi fitur pada penelitian ini menggunakan descriptor LBP riu2 P,R. Proses awal ekstraksi citra ialah mengubah citra RGB menjadi citra grayscale seperti terlihat pada Gambar 7. Proses ini dilakukan pada server dan client. Penentuan objek daun pada citra grayscale pada client menggunakan deteksi tepi canny. Gambar 7 Perubahan mode warna citra. Pengolahan selanjutnya membagi citra ke dalam beberapa blok (local region) sesuai dengan descriptor dan operator circular neighborhood (sampling points dan radius) yang digunakan. Penelitian ini menggunakan descriptor dan operator LBP riu2 24,3 dengan kuantisasi sudut 15 derajat. Penentuan ukuran blok dan kuantisasi sudut yang digunakan untuk satu local region menggunakan formula berikut: blok= radius [6] kuantisasi sudut= 2π P.... [7] Ilustrasi pembagian citra ke dalam beberapa blok ditunjukkan pada Gambar 8. Gambar 8 Ilustrasi pembagian ukuran blok. Ekstraksi tekstur dilakukan pada setiap blok. Setiap blok overlapping dengan blok berikutnya dengan jarak satu piksel. Masing-masing blok diekstraksi menggunakan Local Binary Pattern descriptor, yaitu: LBP riu2 P,R. riu2 Ekstraksi tekstur dengan LBP P,R Ekstraksi tekstur menggunakan LBP riu2 P,R descriptor mengolah setiap blok (local region) pada suatu citra menggunakan persamaan (3). Hasil dari pengolahan setiap blok menghasilkan pola LBP. Kemudian pola LBP setiap blok diidentifikasi masuk ke dalam uniform patterns atau nonuniform patterns. Jika termasuk uniform patterns, dihitung
9 9 banyaknya bit satu yang ada pada pola tersebut yang akan menentukan letak bin uniform patterns tersebut berada. Gambar 9 Pembentukan histogram. Hasil dari pengolahan setiap blok direpresentasikan melalui histogram yang merupakan frekuensi nilai LBP riu2 P,R seluruh blok pada suatu citra. Ilustrasi pembentukan riu2 histogram ditunjukkan pada Gambar 9. Histogram LBP P,R descriptor memiliki P + 2 bin dengan P merupakan banyaknya sampling points yang digunakan. Bin pertama sampai dengan P+1 merupakan bin uniform patterns, sedangkan bin terakhir (P+2) merupakan single bin untuk non uniform patterns. Ekstraksi tekstur menggunakan LBP riu2 P,R diolah menggunakan operator (24,3). Identifikasi Citra dengan Probabilistic Neural Network (PNN) Setelah proses ekstraksi citra dilakukan, diperoleh hasil vektor histogram. Tahapan selanjutnya ialah menglasifikasikan vektor-vektor histogram tersebut dengan PNN. Klasifikasi dilakukan dengan membagi data latih dan data uji. Data yang digunakan pada data citra daun tumbuhan obat sebanyak 10 citra dari setiap kelas dengan pembagian 7 citra data latih dan 3 citra data uji. Data citra latih digunakan pada server untuk mendapatkan model klasifikasi. Model klasifikasi tersebut lalu didistribusikan ke client. Pada sisi client model klasifikasi tersebut digunakan sebagai lapisan pola untuk identifikasi kelas keputusan dari citra query. Evaluasi Evaluasi data yang dilakukuan oleh aplikasi menggunakan 2 parameter, yaitu dengan penilaian tingat keberhasilan klasifikasi terhadap citra kueri dan waktu proses pada client. Evaluasi dari kinerja model klasifikasi didasarkan pada banyaknya data uji yang diprediksi secara benar dan tidak benar oleh model. Hal ini dapat dihitung menggunakan akurasi yang didefinisikan sebagai berikut: akurasi= banyaknya prediksi yang benar 100%.... [8] total banyaknya prediksi Evaluasi waktu proses dari aplikasi didasarkan pada waktu ekstraksi dan waktu proses klasifikasi. Evaluasi waktu proses identifikasi dimaksudkan untuk kelayakan dari aplikasi yang berjalan pada perangkat mobile.
10 10 Perangkat Keras dan perangkat Lunak Perangkat keras yang digunakan dalam penelitian ini adalah Processor Intel (R) Core (TM) i5 CPU M (4CPus)~2.5GHz, memori DDR RAM 4 GB, dan harddisk 500 GB. Perangkat lunak yang digunakan adalah Sistem operasi Windows 7 Home, Eclipse IDE for Java Developers Version: Helios Service Release 2 dan Android Development Toolkit Version: v HASIL DAN PEMBAHASAN Pengembangan Aplikasi Mobile Pengembangan aplikasi pada penelitian ini menggunakan bahasa pemograman Java dengan library OpenCV 2.1 pada perangkat mobile dengan sistem operasi Android. Aplikasi yang dibangun diberi nama MedLeaf yang memiliki fasilitas untuk dapat mengidentifikasi citra query dari pengguna. Citra query dapat diambil langsung menggunakan kamera atau gallery bergantung kebutuhan pengguna. Citra query yang akan diidentifikasi sebelum diekstraksi dilakukan praproses. Citra hasil praproses diekstraksi dengan LBP riu2 24,3. Proses ekstraksi citra menghasilkan vector histogram. Nilai vector histogram tersebut menjadi lapisan masukan pada klasifikasi dengan PNN. Lapisan pola yang digunakan pada klasifikasi PNN digunakan dari hasil training pada server. Antarmuka aplikasi yang telah dibangun dapat dilihat pada Gambar 10. Gambar 10 Antarmuka aplikasi untuk identifikasi. Hasil klasifikasi dengan PNN ialah lima besar kelas citra yang mempunya jarak terdekat dengan citra query. Lima citra terdekat tersebut ditampilkan pada aplikasi berdasarkan peringkat kedekatan. Citra hasil identifikasi juga menampilkan informasi umum dari tumbuhan tersebut. Aplikasi yang dikembangkan juga memiliki fasilitas untuk upload citra yang diakuisisi oleh pengguna. Fasilitas ini dimaksudkan untuk memperkaya koleksi citra pada server.
11 11 Hasil Praproses Sebelum mengekstrak ciri tekstur pada citra, dilakukan tahap praproses. Pada awal tahapan praproses, dilakukan perubahan mode warna citra menjadi grayscale. Selanjutnya, perbaikan citra dilakukan dengan mengubah ukuran citra. Gambar 11 Praproses Tahapan praproses pada server dilakukan secara manual, sedangkan pada aplikasi mobile dilakukan secara otomatis dengan penskalaan dan pemotongan citra. Penentuan objek daun pada citra dengan merubah mode grayscale ke mode binary dengan deteksi tepi canny. Citra hasil proses dengan canny diterapkan fungsi findcontour yang terdapat pada library OpenCV. Nilai-nilai pixel hasil fungsi findcontour terluar menjadi batas nilai pixel objek daun, selainnya nilai dibuang atau diputihkan dengan merubah nilai pixel tersebut menjadi 255. Tahap praproses pada aplikasi mobile dilakukan tanpa menghilangkan informasi tekstur dari citra tersebut. Contoh dengan citra hasil akuisisi menggunakan kamera 8 megapixel menghasilkan citra dengan ukuran 3268x1952. Digunakan teknik penskalaan dan pemotongan citra untuk mendapatkan ukuran 270x240 piksel sesuai dengan data latih seperti terlihat pada Gambar 11. Tahapan praproses ini bertujuan untuk mengurangi waktu pemrosesan data (computation time) dan penentuan objek tekstur yang akan dievaluasi. Evaluasi Hasil Identifikasi Citra dengan LBP riu2 P,R Mobile Hasil identifikasi setiap kelas tumbuhan obat pada aplikasi mobile menggunakan nilai sampling point dan radius yang sama dengan server yaitu dengan P = 24 dan R = 3. Nilai evaluasi akurasi hasil identifikasi pada aplikasi mobile disajikan pada Tabel 1 dalam satuan persen. Tabel 1 Hasil identifikasi pada aplikasi mobile Nama Tumbuhan Akurasi Akar Kuning 33.33% Alamanda 66.67%
12 12 Dandang Gendis 0.00% Daruju 0.00% Ekor Kucing 66.67% Handeuleum 0.00% Iler 66.67% Jambu Biji 33.33% Jarak Pagar 0.00% Kumis kucing 33.33% Pecah Batu 0.00% Puring 66.67% Sambang Darah 33.33% Seuseureuhan 33.33% Sosor Bebek 33.33% Total Rata- rata 31.11% Hasil akurasi dari 15 kelas citra yang diuji pada aplikasi mobile menghasilkan nilai rata-rata akurasi 31.11%. Perbedaan dengan hasil identifikasi pada server dipengaruhi oleh beberapa faktor yaitu: jumlah data tumbuhan, jumlah jenis tumbuhan dan tahapan praproses yang berbeda antara server dan aplikasi mobile. Pada penelitian ini, digunakan 10 data citra daun untuk setiap kelas tumbuhan obat. Data citra daun dibagi 70% untuk data citra latih dan 30% untuk data citra uji. Akurasi dari setiap citra yang diambil menggunakan perangkat mobile memiliki property intensitas cahaya, sudut pengambilan gambar, dan jarak kamera dengan objek gambar yang beragam seperti yang ditunjukkan pada gambar 12. Pemanfaatan flash light pada perangkat mobile yang menyediakan fasilitas tersebut, dapat menstabilkan intensitas cahaya, mengurangi area gelap dan memberikan kontras dari tekstur setiap objek. Jarak dan sudut pengambilan gambar yang bagus dapat memberikan informasi tekstur objek dengan lebih rinci dan detail. Pengambilan gambar juga tidak harus seluruh area daun, karna aplikasi ini fokus pada tekstur daun. Gambar 12 Teknik akuisisi yang berpengaruh dalam identifikasi tumbuhan obat. Evaluasi Waktu Proses Identifikasi Citra dengan LBP riu2 P,R Mobile Data citra daun tumbuhan obat yang diakuisisi langsung menggunakan perangkat mobile lalu diekstraksi dengan LBP riu2 24,3 dan klasifikasi dengan PNN mempunyai waktu
13 13 proses yang cukup layak dengan rata-rata detik. Selengkapnya rata-rata waktu komputasi yang diperlukan untuk setiap kelasnya ada pada Tabel 2. riu2 Tabel 2 Waktu komputasi pada perangkat mobile dengan LBP 24,3 Nama Tumbuhan Waktu Proses(detik) Akar Kuning Alamanda Dandang Gendis Daruju Ekor Kucing Handeuleum Iler Jambu Biji Jarak Pagar Kumis kucing Pecah Batu Puring Sambang Darah Seuseureuhan Sosor Bebek Total Rata- rata Waktu proses dari setiap data daun merupakan rata-rata dari tiga sample citra. Waktu proses yang cukup lama ini dipengaruhi oleh nilai sampling point dan radius yang cukup besar. Tahapan praproses pada aplikasi ini membantu dalam mengurangi waktu proses ekstraksinya. Besaran dari model klasifikasi juga ikut mempengaruhi waktu proses identifikasi, namu pengaruhnya tidak sebesar nilai sampling point dan radius. KESIMPULAN DAN SARAN Kesimpulan Pengembangan aplikasi untuk identifikasi tumbuhan obat menggunakan LBP dengan klasifikasi PNN pada perangkat mobile yang berbasiskan sistem operasi Android berhasil dilakukan. LBP yang digunakan adalah LBP riu2 P,R dengan nilai sampling point dan radius 24,3. Ekstraki dengan LBP riu2 24,3 dan klasifikasi dengan PNN menghasilkan nilai akurasi yang sama yaitu 31.11%. Masing-masing teknik ekstraksi memiliki waktu proses yang berbeda pada perangkat mobile untuk LBP riu2 24,3 menghasilkan waktu rata-rata detik.
14 14 Saran Penelitian ini menggunakan data citra yang relatif sedikit jumlahnya, sehingga untuk penelitian selanjutnya diharapkan memiliki data citra yang lebih banyak jumlah setiap kelas dan jumlah kelasnya. Penggunaan look-up table untuk mempercepat waktu komputasi pada mobile. Mengembangkan sistem segmentasi dalam penentuan objek untuk meningkatkan akurasi. UCAPAN TERIMA KASIH Alhamdulillahi Rabbil alamin, segala puji dan syukur penulis panjatkan kepada Allah Subhanallah Wata ala atas limpahan rahmat dan hidayah-nya, sehingga penulis dapat menyelesaikan penelitian yang berjudul Aplikasi Mobile Untuk Identifikasi Tumbuhan Obat Menggunakan Local Binary Pattern dengan Klasifikasi Probabilistic Neural Network dengan lancar dan baik. Penelitian ini dilaksanakan mulai Februari 2012 sampai dengan Juli 2012, bertempat di Departemen Ilmu Komputer. Penulis juga menyampaikan ucapan terima kasih kepada: 1. Ayah Dr. H. Hamonangan Nainggolan M.Sc, Ibu Jusridawati Situmeang, dan kakakadik tercinta, Yasser Hudan Nainggolan SE AK, Sarah Mahdia SSi, Aisyah Hudaya, dan Maulana Assalam Nainggolan yang tidak henti-hentinya memberikan doa, kasih sayang, dan dukungan kepada penulis. 2. Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. selaku dosen pembimbing yang telah memberikan arahan dan bimbingan dengan sabar kepada penulis dalam menyelesaikan skripsi ini. 3. Bapak Musthofa, S.Komp, M.Sc dan Ibu Karlina Khiyarin Nisa S.Kom, M.T. selaku dosen penguji atas kemudahan dan ilmu yang telah diberikan kepada penulis. 4. Teman-teman satu bimbingan Canggih Trisyanto, Mayanda Mega, Ni Kadek, Oki Maulana, Desta Sandya, Ryanti Octaviani, Siska Susanti, dan Tomy Kurniawan atas saran, masukan dan nasihat yang diberikan kepada penulis. 5. Teman-teman di Departemen Ilmu Komputer Alih Jenis IPB angkatan 4 atas segala kebersamaan, bantuan, dan motivasi yang telah diberikan kepada penulis. 6. Teman-teman kosan White House Arif Hadiwibowo, Ari AlKautsar, Desta, Rahmat Setyawan, Jefri, dan Zulhan Arief S.Si M.si. 7. Saudara-saudara yang telah berkontribusi dalam skripsi ini Ari Wibowo Astono, Budi Hartono Siregar ST, dan Arief Seno Prabowo SE.
15 15 DAFTAR PUSTAKA Speckmann B The Android mobile platform [skripsi]. Michigan: Department of Computer Science, Eastern Michigan University. Damayanti, EK Legality of national parks and involvement of local people: case studies in Java, Indonesia and Kerala, India[Dissertation]. Tsukuba: Doctoral Program, University of Tsukuba. Zuhud, EAM Potensi Hutan Tropika Indonesia sebagai Penyangga Bahan Obat dalam untuk Kesehatan Bangsa. Jurnal Bahan Alam Indonesia 6(6): Damayanti EK, Hikmat A, Zuhud EAM Indonesian tropical medicinal plants diversity: problems and challenges in identification. Di dalam: International Workshop Linking Biodiversity and Computer Vision Technology to Enhance Sustainable Utilization of Indonesian Tropical Medicinal Plants". Prosiding Pertemuan Ilmiah Tahunan; Bogor, 11 Aug Bogor: Department of Forest Resources Conservation and Ecotourism. Faculty of Forestry. Bogor Agricultural University. hlm 1 Mäenpää T The Local Binary Pattern Approach to Texture Analysis. Oulu: Oulu University Press. Wu SG, et al A leaf recognition algorithm for plant using probabilistic neural network. Di dalam: IEEE 7th International Symposium on Signal Processing and Information Technology. Prosiding Pertemuan Ilmiah Tahunan; Cairo, 1 Nov Cairo: IEEE. hlm 3
pola-pola yang terdapat pada suatu daerah bagian citra. Tekstur juga dapat membedakan permukaan dari beberapa kelas.
Ruang Lingkup Penelitian Ruang Lingkup penelitian ini adalah: 1. Objek citra adalah data citra daun tumbuhan obat dan citra pohon tanaman hias di Indonesia. 2. Dalam penelitian ini operator MBLBP yang
Lebih terperincidengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan
dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan.
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 terperinciPanjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan,
Panjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan, misalnya penggabungan, +, maka panjang bin yang dihasilkan sebesar 28 bin. 2. Penggabungan operator dengan, Setiap histogram
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 1 Operator descriptor
Tabel 1 Operator descriptor Operator (P, R) Ukuran Blok (piksel) Kuantisasi Sudut (8, 1) 3 x 3 45 derajat (8, 2) 5 x 5 45 derajat (16, 2) 5 x 5 22.5 derajat (24, 3) 7 x 7 15 derajat Penentuan ukuran blok
Lebih terperinciAPLIKASI MOBILE UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN LOCAL BINARY PATTERN DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK
APLIKASI MOBILE UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN LOCAL BINARY PATTERN DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK PAUZI IBRAHIM NAINGGOLAN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
Lebih terperinciIdentifikasi Citra Daun Menggunakan Morfologi, Local Binary Patterns dan Convex Hulls
ISSN : 2442-8337 Identifikasi Citra Daun Menggunakan Morfologi, Local Binary Patterns dan Convex Hulls Desta Sandya Prasvita Program Studi Sistem Informasi, STIMIK ESQ Jl. TB Simatupang Kavling 1, Cilandak,
Lebih terperinciGambar 15 Contoh pembagian citra di dalam sistem segmentasi.
dalam contoh ini variance bernilai 2000 I p I t 2 = (200-150) 2 + (150-180) 2 + (250-120) I p I t 2 = 28400. D p (t) = exp(-28400/2*2000) D p (t) = 8.251 x 10-4. Untuk bobot t-link {p, t} dengan p merupakan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
Lebih terperinciPENGGABUNGAN FITUR MORFOLOGI, LOCAL BINARY PATTERN VARIANCE, DAN COLOR MOMENTS UNTUK APLIKASI MOBILE IDENTIFIKASI CITRA TUMBUHAN OBAT
PENGGABUNGAN FITUR MORFOLOGI, LOCAL BINARY PATTERN VARIANCE, DAN COLOR MOMENTS UNTUK APLIKASI MOBILE IDENTIFIKASI CITRA TUMBUHAN OBAT MAYANDA MEGA SANTONI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
Lebih terperinciEKSTRAKSI TEKSTUR CITRA MENGGUNAKAN GAUSSIAN DAN MULTI-BLOCK LOCAL BINARY PATTERN UNTUK IDENTIFIKASI TUMBUHAN OBAT FANNY RISNURAINI
EKSTRAKSI TEKSTUR CITRA MENGGUNAKAN GAUSSIAN DAN MULTI-BLOCK LOCAL BINARY PATTERN UNTUK IDENTIFIKASI TUMBUHAN OBAT FANNY RISNURAINI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUANN ALAM
Lebih terperinciIDENTIFIKASI JENIS AGLAONEMA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK ADITYA DWI GUSADHA
1 IDENTIFIKASI JENIS AGLAONEMA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK ADITYA DWI GUSADHA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 IDENTIFIKASI
Lebih terperinciEKSTRASI TEKSTUR CITRA MENGGUNAKAN LOCAL BINARY PATTERN UNTUK IDENTIFIKASI PENYAKIT TANAMAN PADI DAN ANTHURIUM BERBASIS WEBSITE TOMY KURNIAWAN
EKSTRASI TEKSTUR CITRA MENGGUNAKAN LOCAL BINARY PATTERN UNTUK IDENTIFIKASI PENYAKIT TANAMAN PADI DAN ANTHURIUM BERBASIS WEBSITE TOMY KURNIAWAN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan penelitian yang dilaksanakan ditunjukan pada Gambar 6. Akusisi Citra INPUT Citra Query Preprocessing Citra Pre processing Citra Ekstraksi Fitur
Lebih terperinciDeteksi Kemiripan Citra Tanaman Anggrek Menggunakan Metode Support Vector Machine (SVM) Kernel Linear
Jurnal Ilmiah ESAI Volume 8, No.3, Juli 214 ISSN No. 1978-634 Detecting Resemblance Of Orchid Plant Image Through Support Vector Machine (SVM) Of Kernel Linear Method Deteksi Kemiripan Citra Tanaman Anggrek
Lebih terperinciPENGGABUNGAN FITUR LOCAL BINARY PATTERNS UNTUK IDENTIFIKASI CITRA TUMBUHAN OBAT IYOS KUSMANA
PENGGABUNGAN FITUR LOCAL BINARY PATTERNS UNTUK IDENTIFIKASI CITRA TUMBUHAN OBAT IYOS KUSMANA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ABSTRACT
Lebih terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPemanfaatan Teknologi Tepat Guna Identifikasi Tumbuhan Obat Berbasis Citra
Jurnal Ilmu Pertanian Indonesia (JIPI), Agustus 2013 ISSN 0853 4217 Vol. 18 (2): 85 91 Pemanfaatan Teknologi Tepat Guna Identifikasi Tumbuhan Obat Berbasis Citra (Utilization of Computer Technology for
Lebih terperinciANALISIS TEKSTUR UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN KLASIFIKASI SUPPORT VECTOR MACHINE
Analisis Tekstur untuk Identifikasi Tumbuhan Hani ANALISIS TEKSTUR UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN KLASIFIKASI SUPPORT VECTOR MACHINE Hani Zulfia Zahro Prodi Teknik Informatika, Fakultas Teknologi
Lebih terperinciTujuan Penelitian Tujuan penelitian ini adalah untuk melakukan deteksi penyakit pada daun rose dengan menggunakan metode ANN.
Laporan Akhir Projek PPCD Deteksi Penyakit Daun Menggunakan Artificial Neural Network (ANN) TRI SONY(G64130020), GISHELLA ERDYANING (G64130040), AMALIYA SUKMA RAGIL PRISTIYANTO (G64130044), MUHAMMAD RIZQI
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Dalam penelitian ini diperlukan sebuah desain dan metode penelitian agar dalam pelaksanaaannya dapat menjadi lebih teratur dan terurut. 3.1. Desain Penelitian Bentuk dari desain
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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
Lebih 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 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Kerangka Pikir Pengenalan wajah merupakan suatu teknologi dalam dunia kecerdasan buatan agar komputer dapat meniru kemampuan otak manusia dalam mendeteksi dan mengenali
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Alur Metodologi Penelitian Berikut adalah alur metodologi penelitian yang akan digunakan dalam menyelesaikan penelitian tugas akhir ini : 3.2 Pengumpulan Data Gambar 3.1
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Indonesia merupakan negara megabiodiversity yang kaya akan tumbuhan obat yang sangat potensial untuk dikembangkan. Untuk keanekaragaman tanaman, Indonesia memiliki lebih dari
Lebih terperinciOptimasi K-Means Clustering Menggunakan Particle Swarm Optimization pada Sistem Identifikasi Tumbuhan Obat Berbasis Citra
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 3 Nomor 1 halaman 38-47 ISSN: 2089-6026 Optimasi K-Means Clustering Menggunakan Particle Swarm Optimization pada Sistem Identifikasi
Lebih terperinciNurul Ilmi 1 1 Fakultas Informatika, Universitas Telkom, Bandung
Pengenalan Angka Tulisan Tangan dengan Menggunakan Local Binary Pattern Variance dan Klasifikasi K-Nearest Neighbour Handwriting Digit Recognition with Use Local Binary Pattern Variance and K-Nearest Neighbour
Lebih terperinciANALISIS KINERJA SUPPORT VECTOR MACHINE
ANALISIS KINERJA SUPPORT VECTOR MACHINE (SVM) DAN PROBABILISTIC NEURAL NETWORK (PNN) PADA SISTEM IDENTIFIKASI TUMBUHAN OBAT DAN TANAMAN HIAS BERBASIS CITRA DEWI KANIA WIDYAWATI SEKOLAH PASCASARJANA INSTITUT
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
68 BAB 4 HASIL DAN PEMBAHASAN 4.1. Uji Algoritma Pengujian dilakukan untuk mendapatkan algoritma yang paling optimal dari segi kecepatan dan tingkat akurasi yang dapat berjalan secara real time pada smartphone
Lebih terperinciBAB 4 ANALISA DAN BAHASAN
BAB 4 ANALISA DAN BAHASAN 4.1 Spesifikasi Sistem Sistem pengenalan objek 3 dimensi terbagi atas perangkat keras dan perangkat lunak. Spesifikasi sistem baik perangkat keras maupun lunak pada proses perancangan
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur maupun metode
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2. Penelitian Terdahulu Beberapa penelitian mengenai pengenalan tulisan tangan telah banyak dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di Laboratorium Pemodelan Fisika, Jurusan Fisika, Fakultas Matematika dan Ilmu
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 terperinciPENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT
PENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT Riza Agung Firmansyah 1), Djoko Purwanto 2), Ronny Mardiyanto 3) 1), 2),3) Teknik Elektro
Lebih terperincipbab 4 IMPLEMENTASI DAN EVALUASI PROGRAM APLIKASI uji coba terhadap program aplikasi pengenalan plat nomor kendaraan roda empat ini,
pbab 4 IMPLEMENTASI DAN EVALUASI PROGRAM APLIKASI Bab ini berisi penjelasan tentang implementasi sistem meliputi kebutuhan perangkat lunak dan perangkat keras yang digunakan untuk melakukan perancangan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Identifikasi Masalah Identifikasi permasalahan ini bahwasanya diambil dari sudut pandang masyarakat tentang objek (batik) yang dikenal dari segi pola dan gambar
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 terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciBAB 2 LANDASAN TEORI. metode yang digunakan sebagai pengawasan kendaraan yang menggunakan pengenalan
BAB 2 LANDASAN TEORI 2.1 Automatic Number Plate Recognition Automatic Number Plate Recognition atau yang disingkat dengan ANPR adalah metode yang digunakan sebagai pengawasan kendaraan yang menggunakan
Lebih terperinciAPLIKASI PENGENALAN DAUN UNTUK KLASIFIKASI TANAMAN DENGAN METODE PROBABILISTIC NEURAL NETWORK
APLIKASI PENGENALAN DAUN UNTUK KLASIFIKASI TANAMAN DENGAN METODE PROBABILISTIC NEURAL NETWORK 1 Gregorius Satia Budhi 2 Tok Fenny Handayani 3 Rudy Adipranata 1, 2, 3 Teknik Informatika Universitas Kristen
Lebih terperinciStudi Kuantisasi Bin Terhadap Metode Local Binary Pattern dan Local Binary Pattern Variance pada Deteksi Citra Asap
Studi Kuantisasi Bin Terhadap Metode Local Binary Pattern dan Local Binary Pattern Variance pada Deteksi Citra Asap Maya Muthia #1, Khairul Munadi #2, Fitri Arnia #3 # Program Pascasarjana, Magister Teknik
Lebih terperinciPERANCANGAN PENDETEKSI WAJAH DENGAN ALGORITMA LBP (LOCAL BINARY PATTERN) BERBASIS RASPBERRY PI
PERANCANGAN PENDETEKSI WAJAH DENGAN ALGORITMA LBP (LOCAL BINARY PATTERN) BERBASIS RASPBERRY PI Nadia R.W (0822084) Email: neko882neko@yahoo.co.id Jurusan Teknik Elektro, Fakultas Teknik,, Jl. Prof. Drg.
Lebih terperinciPEMBUATAN WEB SERVICE SEBAGAI LAYANAN PENDETEKSI KONTEN PORNOGRAFI PADA CITRA DIGITAL DENGAN METODE IMAGE ZONING
PEMBUATAN WEB SERVICE SEBAGAI LAYANAN PENDETEKSI KONTEN PORNOGRAFI PADA CITRA DIGITAL DENGAN METODE IMAGE ZONING Oleh: Lourensius Bisma (5210100155) Dosen Pembimbing: Dr.Eng. Febriliyan Samopa, S.Kom.,
Lebih terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
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 terperinciSISTEM IDENTIFIKASI KAYU RAMIN BERBASIS CITRA MENGGUNAKAN LOCAL BINARY PATTERN DAN PROBABILISTIC NEURAL NETWORK CANGGIH TRISYANTO
SISTEM IDENTIFIKASI KAYU RAMIN BERBASIS CITRA MENGGUNAKAN LOCAL BINARY PATTERN DAN PROBABILISTIC NEURAL NETWORK CANGGIH TRISYANTO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciBAB III METODE PENELITIAN. tangan dengan menggunakan metode Support Vector Machine (SVM).
BAB III METODE PENELITIAN 3.1 Desain Penelitian Di dalam desain penelitian ini akan menggambarkan proses pengenalan tulisan tangan dengan menggunakan metode Support Vector Machine (SVM). Praproses Input
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector
BAB III METODOLOGI PENELITIAN 3.1 Metode Penelitian Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) untuk pengenalan wajahterdiri dari empat metodologi penelitian,
Lebih terperinciPENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT
PENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT Riza Agung Firmansyah1) Djoko Purwanto2) Ronny Mardiyanto3) 1) 2)3) Teknik Elektro Institut
Lebih terperinciPENGGABUNGAN DIMENSI FRAKTAL DAN KODE FRAKTAL UNTUK IDENTIFIKASI TUMBUHAN OBAT INDONESIA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK SISKA SUSANTI
PENGGABUNGAN DIMENSI FRAKTAL DAN KODE FRAKTAL UNTUK IDENTIFIKASI TUMBUHAN OBAT INDONESIA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK SISKA SUSANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciPENDAHULUAN. Latar belakang
Latar belakang PENDAHULUAN Indonesia merupakan negara megabiodiversity yang memiliki kekayaan tumbuhan obat. Indonesia memiliki lebih dari 38.000 spesies tanaman (Bappenas 2003). Sampai tahun 2001 Laboratorium
Lebih terperinciSIMULASI DAN ANALISIS SISTEM PENGENALAN WAJAH TAMPAK SAMPING MENGGUNAKAN METODE LOCAL BINARY PATTERN (LBP)
SIMULASI DAN ANALISIS SISTEM PENGENALAN WAJAH TAMPAK SAMPING MENGGUNAKAN METODE LOCAL BINARY PATTERN (LBP) Ardy Dwi Caesaryanto¹, Bambang Hidayat², Ratri Dwi Atmaja³ ¹Teknik Telekomunikasi,, Universitas
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 terperinciIII. METODE PENELITIAN. Penelitian ini mulai dilaksanakan pada bulan September 2011 s/d bulan Februari
48 III. METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini mulai dilaksanakan pada bulan September 2011 s/d bulan Februari 2012. Pembuatan dan pengambilan data dilaksanakan di Laboratorium
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Automatic Number Plate Recognition (ANPR) Berdasarkan penjelasan dari penelitian sebelumnya mengenai deteksi plat nomor, maka dapat disimpulkan bahwa pendeteksian ini sangat dibutuhkan
Lebih terperinciPRAPROSES CITRA MENGGUNAKAN KOMPRESI CITRA, PERBAIKAN KONTRAS, DAN KUANTISASI PIKSEL
PRAPROSES CITRA MENGGUNAKAN KOMPRESI CITRA, PERBAIKAN KONTRAS, DAN KUANTISASI PIKSEL Veronica Lusiana 1, Budi Hartono 2 1,2 Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Stikubank
Lebih terperinciBAB 3 METODE PERANCANGAN
BAB 3 METODE PERANCANGAN 3.1 Konsep dan Pendekatan Tujuan utama yang ingin dicapai dalam pengenalan objek 3 dimensi adalah kemampuan untuk mengenali suatu objek dalam kondisi beragam. Salah satu faktor
Lebih terperinciBAB I PERSYARATAN PRODUK
BAB I PERSYARATAN PRODUK Pemrosesan gambar secara digital telah berkembang dengan cepat. Pengolahan gambar ini didukung dengan kemajuan teknologi perangkat keras yang signifikan. Produk produk pengolah
Lebih terperinciAplikasi Mobile Pengenalan Karakter Manusia Melalui Bentuk Bagian Wajah Menggunakan Metode Learning Vector Quantization
Aplikasi Mobile Pengenalan Karakter Manusia Melalui Bentuk Bagian Wajah Menggunakan Metode Learning Vector Quantization Rezky Aulia Pratama 1, Kartina Diah Kesuma W, S.T 2, Wawan Yunanto, S.Kom., M.T 3
Lebih terperinciHASIL DAN PEMBAHASAN. B fch a. d b
7 dengan nilai σ yang digunakan pada tahap pelatihan sebelumnya. Selanjutnya dilakukan perhitungan tingkat akurasi SVM terhadap citra yang telah diprediksi secara benar dan tidak benar oleh model klasifikasi.
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan.
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan. Pada hari Jumat tanggal 2 Oktober 2009 di Abu Dhabi, Uni Emirat Arab, United Nations Educational, Scientific, and Culture Organization (UNESCO) memberikan
Lebih terperinciDETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ. Muhammad Imron Rosadi 1
DETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ Muhammad Imron Rosadi 1 Prodi Teknik Informatika, Universitas Yudharta Pasuruan Purwosari 67162 Pasuruan Jawa Timur 1 Email : Imron_uyp@yahoo.com ABSTRAK
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui dan memahami permasalahan dari suatu sistem yang akan dibuat. Dalam implementasi persamaan Pulse
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
Lebih terperinciOleh: Riza Prasetya Wicaksana
Oleh: Riza Prasetya Wicaksana 2209 105 042 Pembimbing I : Dr. I Ketut Eddy Purnama, ST., MT. NIP. 196907301995121001 Pembimbing II : Muhtadin, ST., MT. NIP. 198106092009121003 Latar belakang Banyaknya
Lebih terperinciPENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH
PENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH Rikko Ismail Hardianzah 1), Bambang Hidayat 2), Suhardjo 3) 1),2) Fakultas Teknik
Lebih terperinciPERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT)
PERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT) DAN MULTISCALE LOCAL BINARY PATTERN (MLBP) DALAM PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH Yuwono (0922013) Jurusan Teknik
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 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Program Aplikasi Pada bagian ini, Penulis akan menjelaskan kebutuhan spesifikasi perangkat keras dan perangkat lunak, serta menjelaskan bagaimana cara program
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Tanaman padi ( Oryzasativa,sp ) termasuk kelompok tanaman pangan yang sangat penting dan bermanfaat bagi kehidupan masyarakat Indonesia. Sampai saat ini, lebih dari
Lebih terperinciSISTEM IDENTIFIKASI KODE TANGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN BACKPROPAGATION
SISTEM IDENTIFIKASI KODE TANGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN BACKPROPAGATION Holisah, Prihastuti Harsani dan Arie Qur ania holisah62@gmail.com Jurusan Ilmu Komputer, Fakultas Matematika
Lebih terperinciSISTEM PENGENALAN BUAH MENGGUNAKAN METODE DISCRETE COSINE TRANSFORM dan EUCLIDEAN DISTANCE
SISTEM PENGENALAN BUAH MENGGUNAKAN METODE DISCRETE COSINE TRANSFORM dan EUCLIDEAN DISTANCE Bagus Aditya *), Achmad Hidayatno, and Ajub Ajulian Zahra Jurusan Teknik Elektro, Universitas Diponegoro Semarang
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Dalam tugas akhir ini penguji melakukan pengujian dari judul tugas akhir sebelumnya, yang dilakukan oleh Isana Mahardika. dalam tugas akhir tersebut membahas pendeteksian tempat
Lebih terperinciPENENTUAN LOKASI PARKIR KOSONG MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK (PNN) SKRIPSI JOKO KURNIANTO
PENENTUAN LOKASI PARKIR KOSONG MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK (PNN) SKRIPSI JOKO KURNIANTO 121402102 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
Lebih 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 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 terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciPENGGABUNGAN FITUR FUZZY LOCAL BINARY PATTERN DAN FUZZY COLOR HISTOGRAM UNTUK APLIKASI MOBILE IDENTIFIKASI CITRA TUMBUHAN OBAT NI KADEK SRI WAHYUNI
PENGGABUNGAN FITUR FUZZY LOCAL BINARY PATTERN DAN FUZZY COLOR HISTOGRAM UNTUK APLIKASI MOBILE IDENTIFIKASI CITRA TUMBUHAN OBAT NI KADEK SRI WAHYUNI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciPENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA
PENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA Dina Indarti Pusat Studi Komputasi Matematika, Universitas Gunadarma Jl. Margonda Raya no. 100, Depok 16424, Jawa Barat
Lebih terperinciBAB IV PREPROCESSING
BAB IV PREPROCESSING 4.1 Langkah yang Dilakukan Interpretasi visual citra Pap smear merupakan hal yang sangat rumit. Hal ini disebabkan karena citra Pap smear memberikan hasil sel yang beragam mulai dari
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN SISTEM
BAB 3 ANALISA DAN PERANCANGAN SISTEM 3.1 Analisa Program Aplikasi Dalam proses identifikasi karakter pada plat nomor dan tipe kendaraan banyak menemui kendala. Masalah-masalah yang ditemui adalah proses
Lebih terperinciIDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA
IDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
Lebih terperinciOleh: Angger Gusti Zamzany( ) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.
Oleh: Angger Gusti Zamzany(1210100 073) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI PENGUJIAN
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 terperinciIDENTIFIKASI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN LEARNING VECTOR QUANTIZATION
IDENTIFIKASI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN LEARNING VECTOR QUANTIZATION RULIAH Program Studi Sistem Informasi Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru Jl. A. Yani Km. 33,3 Loktabat
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Sebagai tinjauan pustaka, berikut beberapa contoh penelitian telapak kaki yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai
Lebih terperinciSEGMENTASI HURUF TULISAN TANGAN BERSAMBUNG DENGAN VALIDASI JARINGAN SYARAF TIRUAN. Evelyn Evangelista ( )
SEGMENTASI HURUF TULISAN TANGAN BERSAMBUNG DENGAN VALIDASI JARINGAN SYARAF TIRUAN Evelyn Evangelista (1022004) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof. Drg. Suria
Lebih terperinciTraffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel
1 Traffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel Andi Muhammad Ali Mahdi Akbar, Arief Kurniawan, Ahmad Zaini Jurusan Teknik Elektro, Fakultas Teknik Industri Institut
Lebih terperinciSuatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara.
Image Enhancement Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang bisa dilakukan misalnya dengan fungsi transformasi, operasi matematis,
Lebih terperinci100% Akurasi = (11) Lingkungan Pengembangan
Algoritme Dekomposisi Wavelet Dekomposisi wavelet Haar dapat dijelaskan sebagai berikut : 1 Transformasi linear digunakan untuk mengubah ruang warna secara linear menjadi warna dasar. Karena citra yang
Lebih terperinciDAFTAR ISI. BAB 3 PERANCANGAN PERANGKAT LUNAK 3.1 Diagram Alir Utama Kamera Web iii
Aplikasi Kamera Web Untuk Mengidentifikasi Plat Nomor Mobil Jemmy / 0322042 E-mail : kaiser_jemmy@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jalan Prof. Drg. Suria
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 Rancang Bangun Sistem Pemantau Ruangan Berbasis Multi Kamera untuk Smartphone Android pada Jaringan Pikonet yang Adaptif terhadap Perubahan Situasi Ruangan
Lebih terperinciPengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector Quantization
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3, Maret 2018, hlm. 1313-1317 http://j-ptiik.ub.ac.id Pengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector
Lebih terperinci