Dedi Argya Nugroho Effendi 1,Erna Zuni Astuti 2 1,2
|
|
- Benny Tan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 37 Pengelompokan Jenis Tekstur Kayu Menggunakan K- Nearest Neighbor dan Ekstraksi Fitur Histogram Wood Texture Classification Using K-Nearest Neighbor and Histogram Feature Extraction Dedi Argya Nugroho Effendi 1,Erna Zuni Astuti 2 1,2 Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Jl. Nakula 1 No. 5-11, Semarang dediargya@gmail.com 1, ernazunias@yahoo.com 2 Abstrak Kayu di Indonesia memiliki beraneka macam jenisnya, antara lain kayu jati, bengkirai, glugu, nangka, sengon dan lain sebagainya. Pengelompokan jenis kayu biasanya ditentukan oleh beberapa parameter, diantaranya adalah warna, berat, tekstur, dan masih banyak lagi. Salah satu faktor penting dalam pengelompokan jenis kayu adalah tekstur kayu. Pengelompokan jenis kayu biasanya hanya dapat dilakukan oleh para ahli kayu maupun penjual mebel. Persepsi mata manusia biasanya cenderung subyektif terhadap suatu obyek dalam melakukan pengelompokan. Untuk mengatasi hal ini maka digunakanlah suatu teknologi untuk menganalisis suatu tekstur kayu agar dapat diklasifikasikan ke dalam kelas-kelas tertentu. Oleh karena itu, diperlukan sebuah sistem yang dapat melakukan pendeteksian jenis kayu berdasarkan inputan citra tekstur kayu sehingga sistem tersebut diharapkan dapat melakukan klasifikasi jenis kayu berdasarkan tekstur. Dari pengklasifikasian jenis kayu menggunakan algoritma k-nearest Neighbors (KNN) untuk mendapatkan pengelompokan jenis kayu.pengklasifikasian menggunakan fitur pengukuran jarak, metode pengukuran jarak yang digunakan adalah Cityblock Distance sehingga dapat mengoptimalkan dalam melakukan pengklasifikasian berdasarkan jarak klasifikasi dari data training dan data testing. Kata Kunci: K-Nearest Neighbor, Klasifikasi Citra Kayu, Cityblock Distance Abstract Wood in Indonesia has various colors, such as teak, bengkirai, glugu, jackfruit, Albizia, and so forth. Grouping by type of timber is usually determined by several parameters, such as color, weight, texture, and much more. One important factor in the grouping type of wood is the wood texture. Grouping types of wood can usually only be carried out by experts of wood and furniture sellers. Perception of the human eye tends subjective to an object in the grouping. To overcome this it is used a technology to analyze a wood texture that can be classified into certain classes. Therefore, we need a system that can make the detection of the type of timber based on the input image texture of wood so that the system is expected to classify the type of wood based texture. From the classification of types of wood using the algorithm k-nearest Neighbors (KNN) for grouping wood types. This classification uses features distance measurement, distance measurement method used is Cityblock Distance so as to optimize in making the classification based on the distance the classification of the training data and data testing. Keywords: K-Nearest Neighbor, Wood Image Classification, Cityblock Distance 1. PENDAHULUAN Indonesia merupakan sebuah salah satu negara yang dikenal sebagai penghasil berbagai macam sumber daya alam, termasuk sumber daya alam berupa kayu-
2 38 kayuan. Kayu di Indonesia memiliki beraneka macam jenisnya, antara lain kayu jati, bengkirai, glugu, nangka, sengon dan lain sebagainya. Jenis-jenis kayu di Indonesia tersebut tidak semua memiliki nilai jual dan ada juga yang memiliki nilai jual. Untuk jenis-jenis kayu yang memiliki nilai jual tergolong banyak jumlahnya, dan diantara jenis-jenis kayu tersebut bahkan memiliki nilai jual tinggi hingga pasar Internasional. Pengelompokan jenis kayu biasanya ditentukan oleh beberapa parameter, diantaranya adalah warna, berat, tekstur, dan masih banyak lagi. Salah satu faktor penting dalam pengelompokan jenis kayu adalah tekstur kayu [1]. Pengelompokan jenis kayu biasanya sangat bergantung pada persepsi mata manusia terhadap faktor tekstur jenis kayu, biasanya hanya dapat dilakukan oleh para ahli kayu maupun penjual mebel. Persepsi mata manusia biasanya cenderung subyektif terhadap suatu obyek dalam melakukan pengelompokan [2]. Untuk mengatasi hal ini maka digunakanlah suatu teknologi untuk menganalisis suatu tekstur kayu agar dapat diklasifikasikan ke dalam kelas-kelas tertentu. Keuntungan melakukan klasifikasi jenis kayu secara komputerisasi ini dapat terlihat secara nyata. Dengan kemampuan analisis yang lebih cermat terhadap perubahan-perubahan kecil yang secara umum tidak bisa dilakukan oleh manusia tentu menimbulkan perubahan yang cukup drastis. Perubahan tekstur kayu dapat terjadi akibat lingkungan pertumbuhan, suhu kelembapan dan umur pohon itu sendiri. Sehingga warna dan tekstur dapat berubah sesuai dengan faktor lingkungan tersebut. Dalam penelitian ini, penulis menggunakan teknologi dan ilmu pengetahuan pada citra digital. Dimana teknologi tersebut dapat melakukan pengelompokan secara otomatis dengan menggunakan melakukan inputan ke dalam database. Oleh karena itu, diperlukan sebuah sistem yang dapat melakukan pendeteksian jenis kayu berdasarkan inputan citra tekstur kayu sehingga sistem tersebut diharapkan dapat melakukan klasifikasi jenis kayu berdasarkan tekstur. Klasifikasi biasa dilakukan melalui fitur-fitur yang diolah dengan menerapkan langkah-langkah pengumpulan dan pengelompokan data dengan beberapa upaya seperti pembagian ukuran fitur, seleksi fitur, dan pendesainan klasifikasi berdasar aturan. Secara praktikal, salah satu contoh bentuk pengolahan fitur dapat dilakukan melalui ekstraksi warna R-G-B [3]. Dari data jenis kayu tersebut akan dilakukan sebuah ekstraksi dengan ciri statistik atau analisis sebuah tekstur. Dengan menggunakan komposisi warna dalam bentuk histogram untuk mepresentasikan jumlah piksel untuk intensitas warna dalam citra. Gambar dalam database akan di olah melalui fitur ekstraksi ciri melalui Intensitas, Deviasi, Skewness, Energi, Entropi dan Smoothness yang akan digunakan dalam pengklasifikasian jenis kayu. Dari pengklasifikasian jenis kayu tersebut, selanjutnya dilanjutkan dengan menggunakan algoritma k-nearest Neighbor (KNN) untuk mendapatkan pengelompokan jenis kayu untuk mendapatkan hasil klasifikasi terdekat. Pengklasifikasian menggunakan fitur pengukuran jarak, metode pengukuran jarak yang digunakan adalah Cityblock Distance sehingga dapat mengoptimalkan dalam melakukan pengklasifikasian berdasarkan jarak klasifikasi dari data training dan data testing. Dalam penelitian ini digunakan fitur warna dan tekstur pada kayu guna menentukan jenis kayu menggunakan Algoritma K-Nearest Neighbor. Pola pencarian dengan mencari sejumlah citra yang memiliki kemiripan dengan citra dalam database [4]. Adapun alasan penggunaan metode ini dikarenakan teknik klasifikasi dengan KNN bersifat sederhana, yaitu mencari selisih antar vektor ciri. Dengan penggunaan metode KNN sebagai teknik klasifikasi jenis kayu, tetap dapat menjaga pentingnya
3 39 SN: proses ekstraksi ciri dan output yang menghasilkan nilai kebenaran. Dari karakteristik yang ada pada tiap citra kayu, akan dilakukan percobaan untuk mendapatkan ciri khas dari masing-masing citra kayu. Diharapkan ciri yang berhasil diperoleh dapat membedakan jenis kayu pada masing-masing citra inputan. Sehingga penelitian ini dapat bermanfaat untuk meminimalisir adanya kesalahan pemilihan jenis kayu berdasarkan citra yang dilihat [4]. Berdasarkan latar belakang di atas yang sudah di sampaikan sebelumnya, dengan ini maka penulis akan mengangkat judul Ekstraksi Fitur Histogram Guna Klasifikasi Jenis Kayu Menggunakan Algoritma K-Nearest Neighbor 2. METODE PENELITIAN Metode penelitian Klasifikasi citra kayu menggunakan K-NN sebagai berikut : Gambar 1. Metode Penelitian 2.1 Objek Penelitian Dalam penelitian ini penulis memilih kayu sebagai objek penelitian. Objek penelitian adalah bagaimana melakukan klasifikasi jenis kayu dengan metode K-NN menggunakan inputan citra kayu sehingga inputan tersebut dapat di ketahui jenis kayunya 2.2 Instrumen Penelitian Instrumen penelitian yang dipergunakan berupa hardware dan software sebagai berikut : Perangkat Lunak (Software) Perangkat lunak yang digunakan dalam menyelesaikan penelitian adalah sebagai berikut : a. Windows 7 ultimate 64 bit Penulis menggunakan windows 7 ultimate 64 bit dalam pembuatan aplikasi dan laporan penelitian. Received June1 st,2012; Revised June25 th, 2012; Accepted July 10 th, 2012
4 40 b. Matlab R2014 Digunakan dalam implementasi Ekstraksi Citra, Impelentasi Metode pengukuran jarak dan k-nearest Neighbors (KNN). c. Microsoft Office Word 2010 Digunakan dalam penulisan penelitian d. Adobe Photoshop Software photoshop digunakan dalam melakukan perbaikan citra seperti cropping citra Perangkat Keras ( Hardware) Perangkat lunak yang digunakan dalam menyelesaikan penelitian adalah sebagai berikut : a. Laptop Asus A47 Core i5 b. VGA Nvidia 2Gb c. Ram 4 Gb d. Harddisk 500 Gb 2.3 Teknik Analisis Data Teknik analisis data adalah cara mengolah data menjadi informasi sehingga sifat atau karakteris datanya mudah dipahami. Data yang telah dikumpulkan akan dibagi menjadi dua jenis yaitu data training dan data testing. Data training berfungsi sebagai bahan pembelajaran pada mesin agar mesin dapat memiliki sebuah pengetahuan tentang tekstur kayu. Data testing berfungsi sebagai data uji coba kemampuan mesin. Data-data tersebut kemudian dipindahkan kedalam komputer. Data training sebanyak 30 citra dan data testing sebanyak 20 citra dari 5 jenis kayu yang berbeda. Dalam penelitian ini ada beberapa tahapan yang dilakukan terhadap data-data yang diperoleh, tahapan tersebut antara lain : 1. Melakukan seleksi kualitas tektur dan warna kayu yang memenuhi standart 2. Melakukan ekstraksi untuk data testing dan data training 3. Ekstraksi menggunakan Histogram 4. Metode klasifikasi menggunakan metode K-Nearest Neighbor (KNN) 5. Pemilihan data uji sehingga data inputan dapat dengan mudah terdeteksi. 2.4 Objek Data Data primer yang digunakan berupa data kayu yang nantinya digunakan sebagai citra testing dan data training yang nantinya akan di lakukan klasifikasi menggunakan perbandingan dengan citra uji atau citra inputan. 2.5 Eksperimen Alur metode penelitian merupakan alur yang digunakan untuk mendeskripsikan diagram yang ada di metode penelitian, tahapnya sebagai berikut 1. Input Citra RGB Kayu Menginputkan citra input kayu yang akan di masukkan kedalam data training dan data testing. Data yang dipergunakan berjumlah 30 data training dan 20 data testing. 2. Data Training dan data testing Citra yang dimasukkan ke dalam citra input.akan dibagi menjadi citra data training dan testing.
5 41 SN: Ekstraksi Citra yang ada di data training dan testing, di ekstraksi menggunakan fitur ekstraksi, dimana pada tahap ini dilakukan pengkalkulasian citra berdsarkan 6 fitur ekstraksi histogram yaitu : Intensitas, Deviasi, Skewness, Energi, Entropy dan Smoothness. Nilai yang dihasilkan dari fitur ekstraksi dimasukkan di data training dan data testing. 4. Database Training dan Testing Nilai yang dihasilkan dari tahap sebelum dimasukkan ke database training dan testing. Database training digunakan sebagai acuan data, yang nantinya dicocokan dengan data testing. 5. K-NN Perhitungan metode menggunakan K-Nearest Neighbor. K-NN menggunakan k=3 dikarenakan klasifikasi pada k=3 merupakan nilai yang optimal dalam pengklasifikasian. Dengan menentukan tetangga terdekat, kemudian melakukan penentuan kelas ketertangaan jarak. Sehingga dapat diketahui kelas kelas citranya berdasarkan jarak ketertanggaan. 6. Cityblock Distance Tahap selanjutnya adalah melakukan perhitungan jarak. Jarak yang dikalkulasi adalah antara jarak data testing dengan data training, perhitungan jarak tersebut menggunakan Cityblock distance. 7. Output Perhitungan yang sudah dilakukan menggunakan cityblock distance antara data training dengan data testing, akan menghasilkan output nama berdasarkan kelas citra yang dihasilkan pada tahap kalkulasi.manhattan Distance. 3. HASIL DAN PEMBAHASAN Data citra yang digunakan menggunakan ukuran piksel 625x417. Citra yang digunakan berjumlah 250 citra kayu dari 5 jenis kayu. Citra diambil menggunakan kamera saat siang hari. Dari jumlah 250 citra, 150 data citra digunakan sebagai data training dan 100 data citra sebagai data testing. Data training di masukkan ke dalam database sebagai media klasifikasi. Berikut citra yang digunakan dalam penelitian ini : Citra Nama Jumlah Kayu Training = 30 Glugu Testing = 20 Kayu Bengkirai Training = 30 Testing = 20 Kayu Nangka Training = 30 Testing = 20 Received June1 st,2012; Revised June25 th, 2012; Accepted July 10 th, 2012
6 42 Kayu Sengon Training = 30 Testing = 20 Kayu Jati Training = 30 Testing = 20 Gambar 2. Citra yang digunakan Ekstraksi fitur citra jenis kayu digunakan untuk mendapatkan ciri tekstur dari pola kayu yang berbeda. Dalam ekstraksi fitur yang dilakukan menggunakan 6 fitur diantaranya Intensitas, Deviasi, Skewness, Energi, Entropi dan Smoothness. Citra tersebut kemudian diproses menggunakan ekstraksi fitur Histogram dengan menggunakan jarak Ecluidean Distance. Untuk proses ekstraksi fitur Histogram akan menghasilkan angka - angka pixel pada setiap citra jenis kayu sebagai berikut : 1. Citra Training Citra training adalah citra yang digunakan sebagai data training. Data training berjumlah 150 data citra yang sudah di ekstraksi menggunakan 6 fitur. Citra yang digunakan berupa citra RGB atau citra warna. Berikut contoh tabel citra training yang digunakan dalam penelitian : Nama Citra Glugu Citra Bengki rai Citra Jati Citra Nangk a Citra Sengon Tabel 1 Citra Training Intensitas Deviasi Skewness Energi Entropi Smoothn ess
7 43 SN: Pengujian Aplikasi Berikut percobaan klasifikasi menggunakan metode KNN dengan parameter =3 untuk menghasilkan nilai akurasi pada aplikasi : Tabel 2 Pengujian Aplikasi No Jenis Hasil Aplikasi TRUE / FALS E 1 Glugu Glugu TRUE 2 Glugu Glugu TRUE 3 Glugu Glugu TRUE 4 Glugu Glugu TRUE 5 Glugu Glugu TRUE 6 Glugu Glugu TRUE 7 Glugu Sengon FALSE 8 Glugu Glugu TRUE 9 Glugu Glugu TRUE 10 Glugu Glugu TRUE 11 Glugu Glugu TRUE 12 Glugu Glugu TRUE 13 Glugu Glugu TRUE 14 Glugu Glugu TRUE 15 Glugu Glugu TRUE 16 Glugu Glugu TRUE 17 Glugu Glugu TRUE 18 Glugu Glugu TRUE 19 Glugu Glugu TRUE 20 Glugu Glugu TRUE 21 Bengkirai Bengkirai TRUE 22 Bengkirai Bengkirai TRUE 23 Bengkirai Bengkirai TRUE 24 Bengkirai Bengkirai TRUE 25 Bengkirai Bengkirai TRUE 26 Bengkirai Bengkirai TRUE 27 Bengkirai Bengkirai TRUE 28 Bengkirai Bengkirai TRUE 29 Bengkirai Bengkirai TRUE 30 Bengkirai Bengkirai TRUE 31 Bengkirai Bengkirai TRUE 32 Bengkirai Bengkirai TRUE 33 Bengkirai Nangka FALSE 34 Bengkirai Bengkirai TRUE Received June1 st,2012; Revised June25 th, 2012; Accepted July 10 th, 2012
8 44 35 Bengkirai Bengkirai TRUE 36 Bengkirai Bengkirai TRUE 37 Bengkirai Bengkirai TRUE 38 Bengkirai Bengkirai TRUE 39 Bengkirai Bengkirai TRUE 40 Bengkirai Bengkirai TRUE 41 Jati Jati TRUE 42 Jati Jati TRUE 43 Jati Jati TRUE 44 Jati Jati TRUE 45 Jati Jati TRUE 46 Jati Bengkirai FALSE 47 Jati Jati TRUE 48 Jati Jati TRUE 49 Jati Jati TRUE 50 Jati Jati TRUE 51 Jati Jati TRUE 52 Jati Jati TRUE 53 Jati Jati TRUE 54 Jati Jati TRUE 55 Jati Jati TRUE 56 Jati Jati TRUE 57 Jati Jati TRUE 58 Jati Jati TRUE 59 Jati Jati TRUE 60 Jati Jati TRUE 61 Nangka Nangka TRUE 62 Nangka Nangka TRUE 63 Nangka Nangka TRUE 64 Nangka Nangka TRUE 65 Nangka Nangka TRUE 66 Nangka Nangka TRUE 67 Nangka Nangka TRUE 68 Nangka Nangka TRUE 69 Nangka Nangka TRUE 70 Nangka Jati FALSE 71 Nangka Nangka TRUE 72 Nangka Sengon FALSE 73 Nangka Nangka TRUE 74 Nangka Nangka TRUE 75 Nangka Nangka TRUE 76 Nangka Nangka TRUE 77 Nangka Sengon FALSE
9 45 SN: Nangka Nangka TRUE 79 Nangka Nangka TRUE 80 Nangka Nangka TRUE 81 Sengon Sengon TRUE 82 Sengon Sengon TRUE 83 Sengon Sengon TRUE 84 Sengon Nangka FALSE 85 Sengon Nangka FALSE 86 Sengon Sengon TRUE 87 Sengon Sengon TRUE 88 Sengon Sengon TRUE 89 Sengon Sengon TRUE 90 Sengon Sengon TRUE 91 Sengon Sengon TRUE 92 Sengon Sengon TRUE 93 Sengon Sengon TRUE 94 Sengon Sengon TRUE 95 Sengon Sengon TRUE 96 Sengon Sengon FALSE 97 Sengon Sengon TRUE 98 Sengon Sengon TRUE 99 Sengon Sengon TRUE 100 Sengon Sengon TRUE Perhitungan akurasi dalam klasifikasi jenis kayu menggunakan klasifikasi K-NN dengan metode perhitungan jarak ecuilden distance dihitung menggunakan recognition rate. Dari 100 citra testing terdapat 9 citra yang tidak sesuai dengan class jenis kayunya sehingga menghasilkan akurasi sebesar 91%. Dengan perhitungan sebagai berikut. Recognition Rate = (Σ Citra benar)(σ Jumlah Citra) x 100 % = 91/100 x 100% = 91% 4. KESIMPULAN Berdasarkan dari penelitian tentang klasifikasi jenis kayu menggunakan metode K-Nearest Neighbor (KNN) dan metode perhitunagn jarak Cityblock Distance dengan menggunakan 150 citra training yang di masukkan ke dalam database sebagai citra acuan dan 100 citra uji sebagai citra pengujian aplikasi yang sudah di bangun dengan menggunakan 5 jenis citra kayu yang berbeda yaitu kayu jati, sengon, glugu, nangka, dan bengkirai. Dari hasil percobaan terhadap aplikasi, hasil terbaik pengelompokan jenis kayu dengan nilai k=3 menggunakan 5 citra jenis kayu yang berbeda mencapai akurasi 91%. Sehingga dapat disimpulkan bahwa metode K-Nearest Neighbor (KNN) dengan metode perhitungan jarak menggunakan Cityblock Distance dapat digunakan Received June1 st,2012; Revised June25 th, 2012; Accepted July 10 th, 2012
10 46 sebagai metode klasifikasi jenis kayu berdasarkan citra kayu dengan tingkat akurasi sebesar 91% 5. SARAN Beberapa saran untuk meningkatkan hasil penelitian berikutnya tentang klasifikasi jenis kayu diantaranya sebagai berikut : 1. Penelitian selanjutnya diharapkan untuk menambah sampel jenis kayu. 2. Dalam data training dan data testing menggunakan data citra yang lebih banyak lagi agar dapat meningkatkan akurasi yang lebih baik. 3. Pengambilan citra menggunakan banyak sudut dan jarak yang berbeda-beda. 4. Menggunakan metode perhitungan jarak yang lain, maupun membandingkan antara metode perhitungan jarak dalam melakukan pengklasifikasian citra. DAFTAR PUSTAKA [1] M. Khalid, E. L. Y. Lee, R. Yusof dan M. Nadaraj, Design Of An Intelligent Wood Species Recognition System, IJSSST, p. 03, [2] Online Lecture Prinsip, jenis, dan unsur-unsur perspektif, (diakses : ) [3] Andi, Pengolahan Citra Digital, Yogyakarta: Darma Putra, [4] Y. H. S. K. Devanur S Guru, Manjunath Shantharamu, Texture Features and KNN in Classification of Flower Images Texture Features and KNN in Classification of Flower Images, May 2016, 2010.
Jl. Nakula 1 No. 5-11, Jawa Tengah Telp : (024) , 2
PERBANDINGAN ALGORITMA PERHITUNGAN JARAK MENGGUNAKAN ECUILDEAN DAN MANHATTAN DISTANCE PADA K-NEAREST NEIGHBOR GUNA KLASIFIKASI CITRA JENIS MOBIL RODA EMPAT Erlangga Fery Anggriwan 1,DR. Pulung Nurtantio
Lebih terperinciIdentifikasi Jenis Buah Apel Menggunakan Algoritma K-Nearest Neighbor (KNN) dengan Ekstraksi Fitur Histogram
Identifikasi Jenis Buah Apel Menggunakan Algoritma K-Nearest Neighbor (KNN) dengan Ekstraksi Fitur Histogram Ion Ataka Halela 1,Bowo Nurhadiyono,S.Si, M.Kom 2,Farah Zakiyah Rahmanti 3 1 Fakultas Ilmu Komputer
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Indonesia merupakan sebuah salah satu negara yang dikenal sebagai penghasil berbagai macam sumber daya alam, termasuk sumber daya alam berupa kayu-kayuan. Kayu di Indonesia
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Bab ini membahas langkah-langkah dari implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi aktivitas menggunakan algoritma k-nearest neighbor
Lebih terperinciBAB 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 terperinciBAB 1 PENDAHULUAN. sistem analog menjadi sistem komputerisasi. Salah satunya adalah sistem
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan teknologi digital pada era ini berkembang sangat pesat. Hampir setiap tahun telah ditemukan ataupun dikembangkan sebuah inovasi teknologi baru.
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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih terperinciKLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA
KLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA Arina Diori (0722107) Jurusan Teknik Elektro email: arinadiorisinaga@yahoo.com ABSTRAK Buah
Lebih terperinciPengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya
Pengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya 1 Hafidz Surahman 1, Aisyah Fuja 2, Ir.Rubandi 3, Willy 4 1,2 STMIK GI MDP; Jalan Rajawali No.14 Palembang,
Lebih terperinciBAB III METODOLOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah:
BAB III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: PC dengan spesifikasi: a. Sistem Operasi : Microsoft Windows 10 Enterprise 64-bit
Lebih terperinciFakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 PENERAPAN ALGORITMA K-MEANS BERDASARKAN COSINE SIMILARITY UNTUK PENGENALAN KAYU KELAPA APPLICATION OF K-MEANS ALGORITHM BASED ON COSINE SIMILARITY
Lebih 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 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 terperinciPERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI
Techno.COM, Vol. 15, No. 3, Agustus 2016: 241-245 PERBANDINGAN K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI TANAH LAYAK TANAM POHON JATI Didik Srianto 1, Edy Mulyanto 2 1,2 Teknik Informatika,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi adalah tata cara yang disusun secara pasti, sistematis dan logis sebagai landasan untuk kegiatan tertentu. Metodologi yang diperlukan untuk tugas akhir ini terdiri
Lebih terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
Lebih terperinciKLASIFIKASI JENIS MOBIL BERDASARKAN TRANSFORMASI WAVELET MULTI SCALE DAN METODE K NEAREST NEIGHBOR
Powered by TCPDF (www.tcpdf.org) KLASIFIKASI JENIS MOBIL BERDASARKAN TRANSFORMASI WAVELET MULTI SCALE DAN METODE K NEAREST NEIGHBOR Bertha Yulizar¹, Bambang Hidayat², Tody Ariefianto Wibowo³ ¹Teknik Telekomunikasi,,
Lebih terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
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 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka tentang identifikasi iris mata ataupun identifikasi citra digital sudah pernah dilakukan sebelumnya, berikut merupakan tabel perbandingan terhadap
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA TELINGA DENGAN MENGGUNAKAN METODE TRANSFORMASI HOUGH ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA TELINGA DENGAN MENGGUNAKAN METODE TRANSFORMASI HOUGH Syafril Tua (0822088) Jurusan Teknik Elektro email: syafrilsitorus@gmail.com ABSTRAK Struktur telinga adalah
Lebih terperinciIdentifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Data Citra
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 3 Nomor 1 halaman 1-8 ISSN: 2089-6026 Identifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Data Citra Wood Type
Lebih terperinciALGORITMA LEARNING VECTOR QUANTIZATION UNTUK PENGENALAN BARCODE BUKU DI PERPUSTAKAAN UNIVERSITAS GALUH CIAMIS
ALGORITMA LEARNING VECTOR QUANTIZATION UNTUK PENGENALAN BARCODE BUKU DI PERPUSTAKAAN UNIVERSITAS GALUH CIAMIS Egi Badar Sambani 1), Neneng Sri Uryani 2), Rifki Agung Kusuma Putra 3) Jurusan Teknik Informatika,
Lebih terperinciPERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR
PERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR Ragil Anggararingrum Perwira Nagara¹, Adiwijaya², Ratri Dwi Atmaja³ ¹Teknik
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 III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Analisis dan perancangan sistem ini ditujukan untuk memberikan gambaran secara umum mengenai aplikasi yang akan dibuat. Hal ini berguna untuk menunjang pembuatan
Lebih 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 terperinciReza Fajar Rachmanda¹, Dr Ir Bambang Hidayat Dea², Rita Purnamasari³. ¹Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2013 ANALISIS SISTEM PENGIDENTIFIKASIAN JENIS-JENIS TANAMAN HIAS ALOCASIA MELALUI BENTUK DAN WARNA DAUN MENGGUNAKAN METODE JARINGAN SARAF TIRUAN (SELF ORGANIZING
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 terperinciMODIFIKASI ALGORITMA K-NEAREST NEIGHBOUR MENGGUNAKAN CHEBYSHEV DISTANCE BERDASARKAN GRAY LEVEL CO-OCCURRENCE MATRIX UNTUK KLASIFIKASI KAYU
MODIFIKASI ALGORITMA K-NEAREST NEIGHBOUR MENGGUNAKAN CHEBYSHEV DISTANCE BERDASARKAN GRAY LEVEL CO-OCCURRENCE MATRIX UNTUK KLASIFIKASI KAYU Thariq Hafizhuddin Aufar 1, Ricardus Anggi Pramunendar 2 Jurusan
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 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 terperinciDETEKSI KERUSAKAN JALUR PCB (PRINTED CIRCUIT BOARD) MENGGUNAKAN METODE TEMPLATE MATCHING
DETEKSI KERUSAKAN JALUR PCB (PRINTED CIRCUIT BOARD) MENGGUNAKAN METODE TEMPLATE MATCHING Wahyu Nugroho Abstract - Template matching is a technique in digital image processing functions to match each part
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 terperinciVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FILTER GABOR ABSTRAK
VERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FILTER GABOR Eric (0822026) Jurusan Teknik Elektro Universitas Kristen Maranatha email: eric.wennas@gmail.com ABSTRAK Pola pembuluh
Lebih terperinciBAB III METODOLOGI PENELITIAN. penelitian dalam hal ini adalah Abstraksi dari karya ilmiah dan skripsi pada
BAB III METODOLOGI PENELITIAN 3.1. Objek Penelitian Objek penelitian adalah sesuatu yang akan menjadi pusat penelitian. Objek penelitian dalam hal ini adalah Abstraksi dari karya ilmiah dan skripsi pada
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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan sistematika tahapan yang dilaksanakan selama pembuatan penelitian tugas akhir. Secara garis besar metodologi penelitian tugas akhir ini dapat
Lebih terperinciREALISASI PERANGKAT LUNAK UNTUK MEMVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCALITY PRESERVING PROJECTION
REALISASI PERANGKAT LUNAK UNTUK MEMVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCALITY PRESERVING PROJECTION FadliWitular (0822043) Jurusan Teknik Elektro Universitas
Lebih terperinciREALISASI PERANGKAT LUNAK UNTUK IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL LINE BINARY PATTERN (LLPB)
REALISASI PERANGKAT LUNAK UNTUK IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL LINE BINARY PATTERN (LLPB) Elfrida Sihombing (0922019) Jurusan Teknik Elektro Universitas
Lebih terperinciPENERAPAN METODE HISTOGRAM OF ORIENTED GRADIENT (HOG) PADA OBJECT COUNTING BERBASIS RASBERRY PI
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 PENERAPAN METODE HISTOGRAM OF ORIENTED GRADIENT (HOG) PADA OBJECT COUNTING BERBASIS RASBERRY PI Eko Nopyanto 1, Hikma Taufik 2, Dedy Hermanto 3 Eka
Lebih terperinciANALISA DETEKSI KELOMPOK USIA DAN GENDER BERDASARKAN KONTUR WAJAH DENGAN PENGOLAHAN CITRA DIGITAL
Powered by TCPDF (www.tcpdf.org) WAJAH DENGAN PENGOLAHAN CITRA DIGITAL Marlina Novalinda Br Purba¹, Achmad Rizal², Suryo Adhi Wibowo³ ¹Teknik Telekomunikasi,, Universitas Telkom Abstrak Teknologi pengolahan
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN
Jurnal Teknik Informatika Vol. 1 September 2012 1 PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN Wahyu Saputra Wibawa 1, Juni Nurma Sari 2, Ananda 3 Program Studi
Lebih terperinciBAB I PENDAHULUAN. telinga, wajah, infrared, gaya berjalan, geometri tangan, telapak tangan, retina,
BAB I PENDAHULUAN 1.1 Latar Belakang Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia. Sidik jari, tanda tangan, DNA, telinga, wajah, infrared,
Lebih terperinciABSTRAK. Kata kunci : CBIR, GLCM, Histogram, Kuantisasi, Euclidean distance, Normalisasi. v Universitas Kristen Maranatha
ABSTRAK Content-Based Image Retrieval (CBIR) adalah proses untuk mendapatkan suatu citra berdasarkan konten-konten tertentu, konten yang dimaksud dapat berupa tekstur, warna, bentuk. CBIR pada dasarnya
Lebih terperinciPERANCANGAN APLIKASI TEMU KEMBALI CITRA BUAH BERDASARKAN BENTUK DAN WARNA MENGGUNAKAN EKSTRAKSI FITUR
PERANCANGAN APLIKASI TEMU KEMBALI CITRA BUAH BERDASARKAN BENTUK DAN WARNA MENGGUNAKAN EKSTRAKSI FITUR Muhammad Nasir 1, Amri 2, Husaini 3 1,2,3 Teknologi Informasi dan Komputer, Politeknik Negeri Lhokseumawe
Lebih terperinciSISTEM KLASIFIKASI JENIS BERAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION
SISTEM KLASIFIKASI JENIS BERAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION Pradityo Utomo Program Studi D3 Manajemen Informatika Universitas Merdeka Madiun pradityou@gmail.com ABSTRACT Information
Lebih terperinciBAB III METODOLOGI PENELITIAN
42 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Observasi, serta konsultasi dengan ahli grafologi mengenai pengenalan tulisan tangan untuk melihat karakter psikologi dengan melihat bentuk huruf
Lebih terperinciPENGEMBANGAN TAHAPAN KLASIFIKASI APEL ENVY DAN PASIFIC ROSE MENGGUNAKAN JARINGAN SARAF TIRUAN (JST)
PENGEMBANGAN TAHAPAN KLASIFIKASI APEL ENVY DAN PASIFIC ROSE MENGGUNAKAN JARINGAN SARAF TIRUAN (JST) Farah Zakiyah Rahmanti*, Prajanto Wahyu Adi, Ion Ataka, Septian Enggar Sukmana Program Studi Teknik Informatika,
Lebih terperinciBAB III METODOLOGI PENELITIAN. pengembangan sistem pemugaran citra digital dengan algoritma exemplar-based
BAB III METODOLOGI PENELITIAN Pada bab ini diuraikan metode penelitian yang digunakan penulisan dalam pengembangan sistem pemugaran citra digital dengan algoritma exemplar-based image inpainting dan metode
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 terperinciAnalisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra
Analisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra Meirista Wulandari Jurusan Teknik Elektro, Universitas Tarumanagara, Jakarta, Indonesia meiristaw@ft.untar.ac.id Diterima 10 Desember 016
Lebih terperinci3.2.1 Flowchart Secara Umum
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 aplikasi menghilangkan derau
Lebih terperinciPenerapan Algoritma K-Means Clustering Untuk Pengelompokkan Citra Digital Dengan Ekstraksi Fitur Warna RGB
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Penerapan Algoritma K-Means Clustering Untuk Pengelompokkan Citra Digital Dengan Ekstraksi Fitur Warna RGB Sandi Desmanto 1, Irwan 2, Renni Angreni
Lebih terperinciIDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID ABSTRAK
IDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID Disusun Oleh : Robin Yosafat Saragih (1022076) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciPENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS
PENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS Disusun oleh: Juan Elisha Widyaya (0822014) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri, MPH, no. 65, Bandung, Indonesia
Lebih terperinciUKDW BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1 Latar Belakang Fenomena masyarakat dalam berlalu lintas terutama mengerti dan menaati rambu lalu lintas sekarang ini semakin berkurang, karena hal inilah banyak sekali kecelakaan
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL BINARY PATTERN ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL BINARY PATTERN Zeth Pasongli (0222113) Jurusan Teknik Elektro Email: zeth_pasongli@yahoo.com ABSTRAK Pola pembuluh
Lebih terperinciPERANCANGAN DAN SIMULASI IMAGE RETREIVAL MENGGUNAKAN METODE COLOR HISTOGRAM, GREY LEVEL CO-OCCURRENCE MATRIX DAN KNN (Design and Simulation of Image Retreival Using Color Histogram, Grey Level Co-Occurrence
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 5 UJI COBA DAN ANALISA HASIL
BAB 5 UJI COBA DAN ANALISA HASIL Pada bab ini diuraikan mengenai lingkungan uji coba, hasil uji coba serta analisa hasil uji coba dari perangkat lunak. 5.1 Lingkungan Lingkungan uji coba merupakan komputer
Lebih terperinciMagister Teknik Informatika, Universitas Ahmad Dahlan, Yogyakarta 2. Program Studi Teknik Elektro, Universitas Ahmad Dahlan, Yogyakarta 3
Sistem Identifikasi Jamur Menggunakan Metode Ekstraksi Ciri Statistik Orde 1 dan Klasifikasi Jarak Mushroom Identification System Using the 1st Order Statistic Characteristic Extraction and Distance Classification
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 terperinciPERANCANGAN PERANGKAT LUNAK SISTEM TEMU BALIK CITRA MENGGUNAKAN JARAK HISTOGRAM DENGAN MODEL WARNA YIQ SKRIPSI AYU SATYARI UTAMI
PERANCANGAN PERANGKAT LUNAK SISTEM TEMU BALIK CITRA MENGGUNAKAN JARAK HISTOGRAM DENGAN MODEL WARNA YIQ SKRIPSI AYU SATYARI UTAMI 091421075 PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER
Lebih terperinciPengenalan Tulisan Tangan Dengan Menggunakan Metode Diagonal Feature Extraction dan K-Nearest Neighbour. Yustar Pramudana
Pengenalan Tulisan Tangan Dengan Menggunakan Metode Diagonal Feature Extraction dan K-Nearest Neighbour Yustar Pramudana Program Studi Teknik Informatika, Departemen Informatika Telkom University Jl. Telekomunikasi
Lebih terperinciIdentifikasi Jenis Buah Jeruk Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Jenis Buah Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit Reni Resita *1, Juratminingsih *2, Gasim 3 1,2 STMIK GI MDP; Jl. Rajawali
Lebih terperinciApa itu is K-Nearest Neighbor (KNN) Algorithm?
K-Nearest Neighbor Pendahuluan K-Nearest Neighbour atau KNN adalah salah dari algoritma instance based learning atau case-based reasoning. Definisi case based reasoning: KNN digunakan dalam banyak aplikasi
Lebih terperinciJURNAL PENGENALAN JENIS MOTIF KAIN BATIK MENGGUNAKAN EKSTRAKSI FITUR DAN BRAY CURTISE DISTANCE
JURNAL PENGENALAN JENIS MOTIF KAIN BATIK MENGGUNAKAN EKSTRAKSI FITUR DAN BRAY CURTISE DISTANCE recognition type motif of batik using feature extraction and bray curtise distance Oleh: DWI SETYANTO 12.1.03.02.0130
Lebih terperinciIDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN)
IDENTIFIKASI KEASLIAN MATA UANG RUPIAH MENGGUNAKAN METODE ALGORITMA K-NEAREST NEIGHBOR (K-NN) SKRIPSI Disusun Oleh : THOMI LUTHFIANTO 1203030010 PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS
Lebih terperinciISSN : e-proceeding of Engineering : Vol.5, No.1 Maret 2018 Page 578
ISSN : - e-proceeding of Engineering : Vol., No. Maret 2 Page 7 KLASIFIKASI KANKER USUS BESAR MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN) Classification of Colon Cancer Using K-Nearesr Neighbor (K-NN)
Lebih terperinciPenentuan Kualitas Kayu Kelapa Menggunakan Algoritma Naive Bayes Berdasarkan Tekstur pada Citra
1 Penentuan Kualitas Kayu Kelapa Menggunakan Algoritma Naive Bayes Berdasarkan Tekstur pada Citra M. Miqdad Teknik Informatika, Ilmu Komputer, Universitas Dian Nuswantoro Semarang, Jl. Nakula I No. 5-11,
Lebih terperinciBAB 1 PENDAHULUAN. keakuratan dari penglihatan mesin membuka bagian baru dari aplikasi komputer.
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Melihat perkembangan teknologi sekarang ini, penggunaan komputer sudah hampir menjadi sebuah bagian dari kehidupan harian kita. Semakin banyak muncul peralatan-peralatan
Lebih terperinciIDENTIFIKASI SERAT LURUS DAN MIRING PADA KAYU OLAHAN MENGGUNAKAN METODE KLASIFIKASI K-NEARESET NEIGHBOR
IDENTIFIKASI SERAT LURUS DAN MIRING PADA KAYU OLAHAN MENGGUNAKAN METODE KLASIFIKASI K-NEARESET NEIGHBOR Straight and Oblique Processed Wood Fiber Identification using K-Neareset Neighbor Classification
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 terperinciPENGENALAN WAJAH DENGAN MENGGUNAKAN NLDA (NULL-SPACE LINEAR DISCRIMINANT ANALYSIS)
PENGENALAN WAJAH DENGAN MENGGUNAKAN NLDA (NULL-SPACE LINEAR DISCRIMINANT ANALYSIS) Disusun oleh : Yudi Setiawan (0722095) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri, MPH, No.
Lebih terperinciSISTEM PENGENALAN PENGUCAPAN HURUF VOKAL DENGAN METODA PENGUKURAN SUDUT BIBIR PADA CITRA 2 DIMENSI ABSTRAK
SISTEM PENGENALAN PENGUCAPAN HURUF VOKAL DENGAN METODA PENGUKURAN SUDUT BIBIR PADA CITRA 2 DIMENSI Adhi Fajar Sakti Wahyudi (0722062) Jurusan Teknik Elektro Email: afsakti@gmail.com ABSTRAK Teknologi pengenalan
Lebih terperinciBAB IV HASIL DAN PENGUJIAN. telah dibuat. Pengujian yang dilakukan adalah menguji proses region of interest
BAB IV HASIL DAN PENGUJIAN Bab ini menjelaskan tentang seluruh hasil pengujian dari aplikasi yang telah dibuat. Pengujian yang dilakukan adalah menguji proses region of interest (ROI) yaitu suatu proses
Lebih terperinciKlasifikasi Bibit Sapi Peranakan Ongole Menggunakan Metode Pengolahan Citra
IJEIS, Vol.6, No.2, October 2016, pp. 199~210 ISSN: 2088-3714 199 Klasifikasi Bibit Sapi Peranakan Ongole Menggunakan Metode Pengolahan Citra Leylin Fatqiyah* 1, Agus Harjoko 2 1 Program Studi S1 Elektronika
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM (SIFT) Vikri Ahmad Fauzi (0722098) Jurusan Teknik Elektro email: vikriengineer@gmail.com
Lebih terperinciLAPORAN SKRIPSI DETEKSI JENIS KULIT WAJAH BERDASARKAN WARNA YCBCR DENGAN ALGORITMA FUZZY SUBTRACTIVE CLUSTERING
i LAPORAN SKRIPSI DETEKSI JENIS KULIT WAJAH BERDASARKAN WARNA YCBCR DENGAN ALGORITMA FUZZY SUBTRACTIVE CLUSTERING Oleh : Hilda Ilcham Handayani 2010-51-191 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT UNTUK
Lebih terperinciSISTEM IDENTIFIKASI CITRA KAYU BERDASARKAN TEKSTUR MENGGUNAKAN GRAY LEVEL COOCURRENCE MATRIX (GLCM) DENGAN KLASIFIKASI JARAK EUCLIDEAN
ISSN: 1410-233 SISTEM IDENTIFIKASI CITRA KAYU BERDASARKAN TEKSTUR MENGGUNAKAN GRAY LEVEL COOCURRENCE MATRIX (GLCM) DENGAN KLASIFIKASI JARAK EUCLIDEAN Saifudin 1, Abdul Fadlil 2 1 Program Studi Teknik Informatika,
Lebih terperinciKLASIFIKASI POLA BATIK DENGAN DETEKSI TEPI (LAPLACIAN DAN ROBERT) BERBASIS JARINGAN SYARAF TIRUAN
LAPORAN SKRIPSI KLASIFIKASI POLA BATIK DENGAN DETEKSI TEPI (LAPLACIAN DAN ROBERT) BERBASIS JARINGAN SYARAF TIRUAN Oleh : Dian Aniswari 2010-51-177 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT UNTUK MEMPEROLEH
Lebih terperinciPENGENALAN WAJAH DENGAN METODE ADJACENT PIXEL INTENSITY DIFFERENCE QUANTIZATION TERMODIFIKASI
PENGENALAN WAJAH DENGAN METODE ADJACENT PIXEL INTENSITY DIFFERENCE QUANTIZATION TERMODIFIKASI Nama Mahasiswa : Yuliono NRP : 1206 100 720 Jurusan : Matematika Dosen Pembimbing : Drs. Soetrisno, M.IKomp
Lebih terperinciBab III. Analisa dan Perancangan Sistem
Bab III Analisa dan Perancangan Sistem Pada bab ini membahas tentang analisa dan perancangan sistem. Analisa sistem meliputi kebutuhan fungsional, kebutuhan non fungsional, use case diagram, dan deskripsi
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciPerbandingan Dua Citra Bibir Manusia Menggunakan Metode Pengukuran Lebar, Tebal dan Sudut Bibir ABSTRAK
Perbandingan Dua Citra Bibir Manusia Menggunakan Metode Pengukuran Lebar, Tebal dan Sudut Bibir Rizki Hamdani / 0322 Jurusan Teknik Elektro, Fakultas Teknik Universitas Kristen Maranatha Jl. Prof. Drg.
Lebih terperinciLAPORAN PENELITIAN DOSEN MUDA. Sistem Identifikasi Teroris Dengan Pelacakan Dan Pengenalan Wajah
LAPORAN PENELITIAN DOSEN MUDA Sistem Identifikasi Teroris Dengan Pelacakan Dan Pengenalan Wajah Oleh : Endah Sudarmilah, S.T, M.Eng Umi Fadlillah, S.T Dibiayai oleh Koordinasi Perguruan Tinggi Swasta Wilayah
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Proses Alur Penelitian Proses metodologi penelitian ini adalah merupakan langkah demi langkah dalam penyusunan Tugas Akhir mulai dari proses pengumpulan data hingga pembuatan
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 263
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 263 DETEKSI KANKER KOLOREKTAL (KANKER USUS BESAR) MENGGUNAKAN METODE GRAY LEVEL COOCCURENCE MATRIX DAN K-NEAREST NEIGHBOR BERBASIS
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 terperinciPENENTUAN KUALITAS DAUN TEMBAKAU DENGAN PERANGKAT MOBILE BERDASARKAN EKSTRASI FITUR RATA-RATA RGB MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR
PENENTUAN KUALITAS DAUN TEMBAKAU DENGAN PERANGKAT MOBILE BERDASARKAN EKSTRASI FITUR RATA-RATA RGB MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR Eko Subiyantoro, Yan Permana Agung Putra Program Studi Teknik
Lebih terperinciIMPLEMENTASI SISTEM PENDETEKSI CACAT PADA KAYU MENGGUNAKAN METODE GABOR WAVELET TRANSFORM
IMPLEMENTASI SISTEM PENDETEKSI CACAT PADA KAYU MENGGUNAKAN METODE GABOR WAVELET TRANSFORM IMPLEMENTATION OF WOOD DEFECT DETECTOR SYSTEM BY USING GABOR WAVELET TRANSFORM METHOD Muhammad Panji Kusuma Praja
Lebih terperinciKLASIFIKASI POLA UKIR KAYU JEPARA BERDASARKAN DETEKSI TEPI BERBASIS JARINGAN SYARAF TIRUAN
LAPORAN SKRIPSI KLASIFIKASI POLA UKIR KAYU JEPARA BERDASARKAN DETEKSI TEPI BERBASIS JARINGAN SYARAF TIRUAN VAHRUL MEILANI NIM.2012-51-115 DOSEN PEMBIMBING Endang Supriyati, M.Kom Alif Catur Murti, S.Kom,
Lebih terperinciSKRIPSI. IDENTIFIKASI CITRA IRIS MATA DENGAN METODE KNN (K-Nearest Neighbor) NIRNA TISKADEWI Nomor Mahasiswa :
SKRIPSI IDENTIFIKASI CITRA IRIS MATA DENGAN METODE KNN (K-Nearest Neighbor) NIRNA TISKADEWI Nomor Mahasiswa : 135410017 PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Jenis Penelitian Jenis penelitian yang dilaksanakan ini merupakan peneltian eksperimental, yaitu penelitian yang pengumpulan datanya melalui pencatatan langsung dari hasil
Lebih terperinciPENERAPAN METODE SOBEL UNTUK PENGUKURAN TINGGI BADAN MENGGUNAKAN WEBCAM
PENERAPAN METODE SOBEL UNTUK PENGUKURAN TINGGI BADAN MENGGUNAKAN WEBCAM Ade Noversi Putra, Agus Basukesti, Dwi Nugraheny Jurusan Teknik Informatika Sekolah Tinggi Teknologi Adisutjipto Yogyakarta informatika@stta.ac.id
Lebih terperinciBAB IV METODE PENELITIAN. yaitu membangun sistem pendukung keputusan penentuan kecocokan. menggunakan metode Weighted Product (WP).
BAB IV METODE PENELITIAN A. Jenis Penelitian Penelitian ini adalah jenis penelitian rekayasa atau pengembangan yaitu membangun sistem pendukung keputusan penentuan kecocokan penanaman pohon di Perum Perhutani
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 terperinci