HASIL DAN PEMBAHASAN
|
|
- Doddy Sumadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 HASIL DAN PEMBAHASAN Ekstraksi ciri Citra yang digunakan dalam penelitian ini berukuran 150 x 150 pixel, sehingga jika divektorkan akan menghasilkan vektor berukuran Melalui tahap ekstraksi ciri dengan metode 2D-PCA diharapkan dapat memperkecil dimensi vektor yang dihasilkan dengan menghilangkan fitur-fitur citra yang tidak begitu berarti, sehingga proses klasifikasi dapat berjalan lebih cepat. Dengan cara ini juga diharapkan dapat mengurangi noise pada data sehingga klasifikasi dapat menjadi lebih akurat. Ekstraksi 2D-PCA dilakukan dalam dua tahap dengan pengambilan nilai eigen pada masing-masing tahap sebesar 95%, 90% dan 85%. Hasil yang diperoleh dapat dilihat pada Tabel 2. PCA 2D tahap 1 PCA 2D tahp 2 Tahap 1 Jml. PC Tahap 2 Jml. PC Jml. Fitur Tabel 2. Jumlah fitur/ciri yang diperoleh dengan metode 2D-PCA dua tahap Dari tabel di atas terlihat bahwa metoda 2D-PCA dua tahap yang telah dilakukan cukup berhasil mereduksi dimensi citra yang pada awalnya berukuran fitur. Akurasi model Model yang telah diuji dalam penelitian ini berjumlah 81 model seperti dapat dilihat dari Tabel 1. Pengujian dilakukan menggunakan perangkat lunak Matlab serta library-library nya. Hasil pengujian dan pengukuran akurasi yang telah dilakukan selengkapnya dapat dilihat pada Lampiran 1, dan dirangkum pada 27
2 pada Tabel 3. Kernel Kuadratik Linear Kubik (sig=1) (sig=5) (sig=8) (sig=10) (sig=20) (sig=30) PCA 95/ / / / / / / / / Tidak konvergen Tabel 3. Hasil pengukuran akurasi 81 model pendeteksi ban ganda Dari hasil pengujian tahap pertama diperoleh fakta bahwa untuk pengklasifikasi SVM yang menggunakan kernel linear tidak konvergen sampai jumlah maksimum iterasi. Ini menunjukkan bahwa klasifikasi data ban ganda dan non ban ganda adalah bukan kasus linear separable. Dengan demikian model yang menggunakan kernel linear tidak akan diuji pada tahap kedua. Untuk penggunaan kernel polinamial orde 2 (kuadratik) dan orde 3 (kubik) menunjukkan akurasi yang bagus, lebih dari 95%. Sementara untuk penggunaan kernel juga memberikan akurasi yang bagus, kecuali untuk nilai sigma = 1 yang menunjukkan perilaku yang berbeda, sehingga model yang menggunakan kernel dengan sigma=1 juga tidak akan diuji pada tahap kedua. Dari tabel hasil di atas juga terlihat bahwa ada pengaruh dari jumlah fitur yang dihasilkan dari tahap ekstraksi ciri menggunakan PCA terhadap akurasi model. Ini terlihat lebih jelas pada model yang menggunakan kernel dengan sigma=5. Untuk memperjelas pengaruh proses ekstraksi ciri 2D-PCA terhadap akurasi model masing-masing kernel, data pada Tabel 3. ditampilkan sebagai grafik pada Gambar
3 Kuadratik Kubik SVM(=5) SVM(=8) SVM(=10) SVM(=20) SVM(=30) /95 95/90 95/85 90/95 90/90 90/85 85/95 85/90 85/85 Gambar 12. Grafik hubungan persen nilai eigen pada tahap ekstraksi ciri terhadap akurasi model untuk masing-masing kernel SVM Dari Gambar 12 di atas dapat dilihat bahwa pengambilan persen nilai eigen sebesar 95/95, 95/90, 90/95, dan 95/85 memberikan akurasi lebih rendah jika dibandingkan dengan yang lain, hal ini menunjukkan bahwa pengambilan persen nilai eigen tersebut kurang cocok dipakai pada model pendeteksi ban ganda yang dikembangkan. Berdasarkan perilaku tersebut maka model-model yang akan diuji di tahap kedua adalah model-model yang menggunakan persen nilai eigen 90/90, 85/95, 90/85, 85/90 dan 85/85. Pemilihan Kernel Polinomial Model-model yang menggunakan kernel polinomial yang akan di uji pada tahap dua dipilih berdasarkan pencapaian akurasi. Data akurasi untuk model yang menggunakan kernel polinomial dapat dilihat pada Tabel 4. 2D-PCA Tahap 1 Tahap 2 Kuadratik Kubik Tabel 4. Akurasi model yang menggunakan kernel polinomial Dengan menggunakan data tersebut kemudian dipilih model yang 29
4 memberikan akurasi tertinggi yaitu kernel kuadratik pada saat persen nilai eigen 90/90, 85/95, 85/90 dan 85/85 untuk proses 2D-PCA dua tahap. Sedangkan pada saat persen nilai eigen 90/85 kernel kubik pada klasifikasi dengan SVM memberikan akurasi lebih tinggi. Pemilihan Kernel Data akurasi untuk model yang menggunakan kernel dapat dilihat pada Tabel 5. 2D-PCA (sig=1) (sig=5) (sig=8) (sig=10) (sig=20) (sig=30) 90/ / / / / Tabel 5. Nilai akurasi model-model yang menggunakan kernel Dari Tabel 5 terlihat bahwa untuk PCA 90/90 akurasi tertinggi dicapai pada saat sigma=8, demikian juga saat PCA 85/95. Tetapi untuk PCA 90/85, 85/90 dan 85/85 akurasi terbaik diberikan oleh model yang menggunakan kernel dengan sigma=5. Dengan demikian model-model yang menggunakan kernel yang akan diuji pada tahap dua menggunakan nilai parameter sigma=5 dan sigma=8. Pengujian Tahap Dua Dari pemilihan model-model yang telah dilakukan, maka diperoleh sepuluh model pendeteksi terbaik seperti terlihat pada Tabel 6. PCA 2D Akurasi No. Tahap 1 Tahap 2 Kernel SVM tahap 1 Model Kuadratik Kuadratik Kubik Kuadratik Kuadratik , sig= , sig= , sig= , sig= , sig= Tabel 6 : Model-model pendeteksi ban ganda terpilih 30
5 Kesepuluh model tersebut kemudian dicobakan untuk mendeteksi keberadaan ban ganda pada 30 citra yang diambil dengan kamera 640 x 480 pixel dengan skenario pengambilan seperti telah dipaparkan pada tahap pengambilan data. Dari 30 citra yang dicobakan, 15 citra mengandung ban ganda dan 15 citra tidak mengandung ban ganda. Gambar 30 citra uji yang dipergunakan dapat dilihat selengkapnya pada Lampiran 3. Proses deteksi dilakukan menggunakan teknik sliding window, dimana sebuah jendela detektor berukuran 150 x 150 pixel digerakan di seluruh area yang dimungkinkan terdapat objek ban ganda. Dalam penelitian ini diambil posisi koordinat awal (1,30) dan posisi akhir di (300,170). Jendela detektor digerakkan sejauh 10 pixel, sehingga total detektor yang harus diklasifikasi oleh model berjumlah 450 jendela per citra. Pada Gambar 13 dapat dilihat area pencarian yang dilakukan pada setiap citra uji. Gambar 13 : Area pencarian ban ganda pada citra uji Hasil pengujian terhadap sepuluh model terpilih dapat dilihat selengkapnya pada Tabel 7. Model Akurasi keterangan : angka 1 menunjukkan klasifikasi benar dan 0 menunjukkan klasifikasi salah Tabel 7. Hasil pengujian sepuluh model terpilih 31
6 Berdasarkan jumlah citra yang terklasifikasi dengan baik kemudian akurasi dihitung dengan perhitungan Akurasi= jumlah citra yang terklasifikasi dengan baik jumlah total citra yang diklasifikasi Hasil perhitungan selengkapnya dapat dilihat pada Tabel 8 berikut : PCA 2D tahap 1 No. Akurasi Akurasi Kernel SVM Model Tahap 1 Tahap 2 Tahap 1 Tahap Kuadratik Kuadratik Kubik Kuadratik Kuadratik , sig= , sig= , sig= , sig= , sig= Tabel 8. Hasil pengujian tahap dua model pendeteksi ban ganda pada citra kendaraan menggunakan teknik sliding windows Hasil yang diperoleh dari pengujian tahap dua menunjukkan akurasi model pengklasifikasi yang jauh di bawah akurasi uji tahap pertama. Dari hasil pengujian pada Tabel 7 juga terlihat bahwa model yang dibangun banyak melakukan salah klasifikasi pada citra-citra yang tidak mengandung ban ganda yang terdeteksi sebagai citra yang mengandung ban ganda. Untuk memahami perilaku ini kemudian nilai fungsi pengklasifikasi dari tiap-tiap jendela detektor pada taiaptiap citra uji dianalisis. Data tersebut menunjukkan bahwa sebuah citra (jendela detektor) akan diklasifikasikan sebagai ban ganda jika nilai fungsi pengklasifikasi bernilai negatif (-) dan bukan ban ganda jika positif. Semakin besar nilai negatif menandakan bahwa model semakin yakin bahwa citra tersebut adalah ban ganda. Agar semua citra uji yang tidak mengandung ban ganda diklasifikasi secara benar maka nilai fungsi pengklasifikasi dari semua jendela detektor pada citra-citra uji yang tidak mengandung ban ganda harus bernilai positif. Hal ini dapat dilakukan dengan menambahkan sebuah konstanta (threshold) bernilai positif pada fungsi pengklasifikasi dengan nilai lebih besar dari absolut nilai fungsi pengklasifikasi 32
7 paling kecil. Tetapi menambahkan sebuah konstanta positif pada fungsi pengklasifikasi yang terlalu besar dapat menyebabkan nilai fungsi pengklasifikasi pada citra-citra yang mengandung ban ganda semakin besar bahkan mungkin menjadi positif. Jika ini terjadi maka citra yang mengandung ban ganda akan diklasifikasi sebagai citra yang tidak mengandung ban ganda. Dengan demikian perlu dilakukan pemilihan nilai threshold yang memberikan akurasi model paling maksimum. Pemilihan nilai threshold yang memberikan akurasi maksimum ditentukan oleh nilai fungsi pengklasifikasi paling kecil (minimum) dari jendela detektor pada 30 citra uji. Jika thresholding membuat nilai fungsi dari jendela detektor minimum pada citra uji menjadi positif dapat dipastikan ke 449 jendela detektor yang lain pun akan bernilai positif. Sehingga dipilih sedemikian agar thresholding dapat membuat nilai fungsi minimum dari jendela detektor untuk15 citra yang mengandung ban ganda tetap bernilai negatif, tapi membuat nilai fungsi minimum dari jendela detektor untuk 15 citra yang tidak mengandung ban ganda menjadi positif. Untuk mempermudah pemilihan nilai threshold, data nilai fungsi minimum untuk 30 citra uji menggunakan masing-masing model diplot dalam sebuah grafik seperti pada Gambar 14. Grafik selengkapnya untuk 10 model pendeteksi dapat dilihat pada Lampiran 4. 2 Pemiliha Trashold Model 1 (Kudratik 90/90) Nilai Fungsi Pengklasifikasi Nomor Citra Uji Ban Ganda Non Ban Ganda Gambar 14 : Grafik nilai fungsi minimum dari masing-masing citra uji tahap 2 menggunakan pengklasifikasi model 1 33
8 Pada Gambar 14 terlihat bahwa citra-citra yang diklasifikasi oleh fungsi pengklasifikasi sebagai ban ganda adalah citra-citra dengan nilai fungsi pengklasifikasi negatif (nilai fungsi < 0). Tampak bahwa banyak citra non ban ganda ( ) yang diklasifikasikan sebagai ban ganda karena memiliki nilai fungsi negatif. Ini merupakan penyebab rendahnya akurasi model pada pengujian tahap dua. Rendahnya akurasi ini dapat diperbaiki dengan menambahkan sebuah tetapan kepada fungsi pengklasifikasi sehingga pemisahan data ban ganda atau non ban ganda tidak berada pada titik nol tetapi bergeser ke bawah sejauh nilai tetapan yang dipilih. Dengan demikian fungsi pengklasifikasi yang pada awalnya berbentuk f x i =sign w T x i b menjadi f x i =sign w T x i b c dimana c adalah tetapan yang dipilih sedemikian agar akurasi menjadi maksimum. Agar lebih mudah dianalisis, data pada Gambar 14 dapat disajikan dalam bentuk grafik distribusi nilai minimum pengklasifikasi. Untuk keperluan tersebut, data di bagi ke dalam delapan bin kemudian jumlah data pada masing-masing bin dihitung (frekwensi). Hasil perhitungan untuk model 1 dapat dilihat pada Tabel 9. Gambar 15. Bins Frekwensi Min Max Rataan Ban Non Ban Ganda Ganda Tabel 9. Frekwensi nilai fungsi pengklasifikasi dalam delapan bin Selanjutnya Tabel 9 ditampilkan dalam bentuk grafik distribusi seperti Frekwensi Non Ban Ganda Ban Ganda Nilai fungsi pengklasifikasi Gambar 15 : Grafik ditribusi nila fungsi pengklasifikasi 34
9 Grafik distribusi untuk model-model lain dapat dilihat selengkapnya pada Lampiran 4. Pemilihan nilai tetapan c untuk masing-masing model dilakukan secara inspeksi dan trial-error terhadap grafik nilai fungsi minimum dari masing-masing citra uji tahap 2 untuk masing-masing model pengklasifikasi. Grafik nilai fungsi minimum dari masing-masing citra uji tahap 2 untuk masing-masing model pengklasifikasi selengkapnya dapat dilihat pada Lampiran 4. Hasil pemilihan nilai c serta akurasi maksimum yang dicapai untuk masingmasing model dapat dilihat pada Tabel 10 berikut. PCA 2D Akurasi Akurasi No. Nilai c Tahap 1 Tahap 2 Kernel SVM sebelum setelah Model (threshold) thresholding thresholding Kuadratik Kuadratik Kubik Kuadratik Kuadratik , sig= , sig= , sig= , sig= , sig= Tabel 10. Hasil pemilihan nilai threshold dan pengujian tahap dua Dari Tabel 10 di atas terlihat bahwa kernel dan kuadratik menunjukkan kinerja yang sama baiknya dengan akurasi maksimum 93.3%. Rata-rata waktu yang diperlukan oleh masing-masing model untuk melakukan satu kali klasifikasi adalah detik. Sehingga untuk melakukan klasifikasi terhadap 450 jendela detektor pada satu gambar diperlukan waktu 2.34 detik. Hasil ini masih jauh dari kebutuhan waktu untuk pemrosesan secara real time. Sebagai perbandingan, untuk kamera denga kecepatan 15 fps, waktu pemrosesan satu frame citra harus lebih kecil detik agar bisa berjalan secara real time. 35
PENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Saat ini jalan tol menjadi suatu jalan alternatif untuk mengatasi kemacetan lalu lintas ataupun untuk mempersingkat jarak dari satu tempat ke tempat lain. Untuk menikmati layanan
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 I PENDAHULUAN. Bab I Pendahuluan
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Perkembangan ilmu biomedikal telah mendorong banyak penelitian dilakukan untuk menghasilkan alat bantu diagnosa berbasis komputer. Salah satunya yaitu pendeteksian
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Perancangan sistem dimulai dari penempatan posisi kamera dengan posisi yang
23 BAB 3 PERANCANGAN SISTEM 3.1 Deskripsi Sistem Perancangan sistem dimulai dari penempatan posisi kamera dengan posisi yang sesuai kemudian dihubungkan dengan komputer yang akan mengolah gambar seperti
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB IV PENGUJIAN DAN ANALISIS
BAB IV PENGUJIAN DAN ANALISIS Bab ini akan membahas tentang pengujian dan analisis sistem. Pada pengujian akan dijelaskan tentang kriteria pengujian serta analisis dari pengujian 4.1. Kriteria Pengujian
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
Lebih terperinciBAB 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 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 terperinciMETODOLOGI PENELITIAN
18 METODOLOGI PENELITIAN Kerangka Penelitian Sistem pengenalan roda kendaraan pada penelitian ini tampak pada Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu, tahapan pelatihan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
60 BAB IV HASIL DAN PEMBAHASAN 41 Hasil Eksperimen E-nose terdiri dari 4 buah sensor gas dimana masing-masing dari sensor tersebut memiliki kepekaan yang berbeda pada saat pendeteksian aroma Jenis teh
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciBAB IV IMPLEMENTASI & EVALUASI
BAB IV IMPLEMENTASI & EVALUASI Pada bab ini membahas tentang bagaimana cara mengimplementasikan dan pengambilan data serta melakukan evaluasi terhadap data-data yang sudah didapatkan. Pertama disini digunakan
Lebih terperinci4 Notepad dan Microsoft Excel sebagai editor data.
dengan menggunakan perangkat lunak ENVI disimpan dalam file.txt (Lampiran 1). File ini berisi informasi mengenai panjang gelombang dan nilai pantulan (reflectance) objek di permukaan bumi. Objek yang diperlukan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Rancangan Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau informasi
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
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 terperinciAnalisis Komponen Utama (Principal component analysis)
Analisis Komponen Utama (Principal component analysis) A. LANDASAN TEORI Misalkan χ merupakan matriks berukuran nxp, dengan baris-baris yang berisi observasi sebanyak n dari p-variat variabel acak X. Analisis
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. menjalankan aplikasi ini adalah : Prosesor Pentium IV 2.6 Ghz. Graphic Card dengan memori minimum 64 MB
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Perangkat Lunak Aplikasi 4.1.1 Spesifikasi Perangkat Keras Spesifikasi minimum dari perangkat keras yang dibutuhkan agar dapat menjalankan aplikasi ini adalah
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring dengan perkembangan teknologi informasi, kemajuan di bidang pengembangan aplikasi sedang mendapatkan perhatian penting bagi perkembangan teknologi informasi.
Lebih terperinciANALISIS DAN IMPLEMENTASI APLIKASI PENGENALAN GERAK BIBIR MENJADI TEKS MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
ANALISIS DAN IMPLEMENTASI APLIKASI PENGENALAN GERAK BIBIR MENJADI TEKS MENGGUNAKAN METODE SUPPORT VECTOR MACHINE ANALYSIS AND IMPLEMENTATION OF LIP MOVEMENT TRANSLATOR APPLICATION TO TEXT USING SUPPORT
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih terperinciIP TRAFFIC CAMERA PADA PERSIMPANGAN JALAN RAYA MENGGUNAKAN METODE LUASAN PIKSEL
IP TRAFFIC CAMERA PADA PERSIMPANGAN JALAN RAYA MENGGUNAKAN METODE LUASAN PIKSEL OLEH : ANDI MUHAMMAD ALI MAHDI AKBAR Pembimbing 1: Arief Kurniawan, ST., MT Pembimbing 2: Ahmad Zaini, ST., M.Sc. Page 1
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Peningkatan yang pesat dalam jumlah kendaraan dikota besar memiliki dampak terhadap kebutuhan parkir di tempat-tempat umum seperti di rumah sakit, kantor, pusat perbelanjaan,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1. Analisis Masalah 3.1.1. Deskripsi Masalah Seiring dengan perkembangan jaman, maka makin meningkat pula kebutuhan seseorang akan informasi. Penerapan teknologi informasi
Lebih terperinciBAB I PENDAHULUAN. Pada zaman sekarang ini bagi sebagian masyarakat kendaraan bermotor
BAB I PENDAHULUAN 1.1 Latar Belakang Pada zaman sekarang ini bagi sebagian masyarakat kendaraan bermotor jenis mobil ataupun sepeda motor tidak lagi menjadi kebutuhan sekunder, melainkan telah menjadi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengenalan Marka Jalan Marka jalan merupakan suatu penanda bagi para pengguna jalan untuk membantu kelancaran jalan dan menghindari adanya kecelakaan. Pada umumnya marka jalan
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Histogram dan Operasi Dasar Pengolahan Citra Digital 3 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 MAMPIR SEB EN TAR Histogram Histogram citra
Lebih terperinciBAB IV UJI PENENTUAN POSISI TIGA DIMENSI BUAH JERUK LEMON PADA TANAMANNYA
BAB IV UJI PENENTUAN POSISI TIGA DIMENSI BUAH JERUK LEMON PADA TANAMANNYA A. Pendahuluan Latar belakang Robot selain diterapkan untuk dunia industri dapat juga diterapkan untuk dunia pertanian. Studi yang
Lebih terperinciKLASIFIKASI BUNGA EUPHORBIA BERDASARKAN KELOPAK DENGAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)
KLASIFIKASI BUNGA EUPHORBIA BERDASARKAN KELOPAK DENGAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) SKRIPSI Diajukan Untuk Memenuhi Sebagai Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN A. PROGRAM PENGOLAHAN CITRA BIJI KOPI Citra biji kopi direkam dengan menggunakan kamera CCD dengan resolusi 640 x 480 piksel. Citra biji kopi kemudian disimpan dalam file dengan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Desain frame grabber Desain frame grabberdiawali dengan pemilihan perangkat kamera yang akan digunakan. Video akan muncul komponen VideoWindow1 yang secara realtime terhubung
Lebih terperinciPENGEMBANGAN MODEL PENDETEKSIAN BAN GANDA ( DUAL TIRE
PENGEMBANGAN MODEL PENDETEKSIAN BAN GANDA (DUAL TIRE) PADA KENDARAAN TRUK BERGANDAR DUA MENGGUNAKAN PENGEKSTRAKSI CIRI 2D-PCA DAN SVM SEBAGAI PENGKLASIFIKASI BAMBANG WAHYUDI SEKOLAH PASCASARJANA INSTITUT
Lebih terperinciIMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI Pada bab ini dibahas mengenai implementasi serta evaluasi terhadap metode transformasi wavelet dalam sistem pengenalan sidik jari yang dirancang. Untuk mempermudah evaluasi,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman
BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian
Lebih terperinciBAB IV PENGUJIAN SISTEM. mendeteksi tempat parkir yang telah selesai dibuat. Dimulai dari pengambilan
BAB IV PENGUJIAN SISTEM Pengujian sistem yang dilakukan merupakan pengujian terhadap program mendeteksi tempat parkir yang telah selesai dibuat. Dimulai dari pengambilan citra dari webcam, pengolahan citra
Lebih terperinciBAB IV IMPLEMENTASI & EVALUASI
BAB IV IMPLEMENTASI & EVALUASI Pada bab ini akan dibahas cara implementasi sistem absensi otomatis yang telah kami buat, cara implementasi sistem ini dengan melakukan simulasi absensi yang dilakukan di
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 terperinciIDENTIFIKASI CITRA BILANGAN DESIMAL 0-9 BERBASIS LEARNING VECTOR QUANTIZATION SECARA REAL TIME
Jurnal POROS TEKNIK, Volume 4, No. 1, Juni 2012 : 24-29 IDENTIFIKASI CITRA BILANGAN DESIMAL 0-9 BERBASIS LEARNING VECTOR QUANTIZATION SECARA REAL TIME Gunawan Rudi Cahyono (1) (1) Staf Pengajar Jurusan
Lebih terperinciBAB 3 ALGORITMA PENGENALAN BAB 3 SUDUT FOTO DENGAN DATA SEGITIGA MASING-MASING SUDUT
24 BAB 3 ALGORITMA PENGENALAN BAB 3 SUDUT FOTO DENGAN DATA ALGORITMA RATA-RATA PENGENALAN MASING-MASING SUDUT SUDUT FOTO SERTA DENGAN DATA DATA FUZZY RATA-RATA MASING-MASING SEGITIGA MASING-MASING SUDUT
Lebih terperinciVerifikasi Citra Wajah Menggunakan Metode Discrete Cosine Transform Untuk Aplikasi Login
The 13 th Industrial Electronics Seminar 011 (IES 011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 6, 011 Verifikasi Citra Wajah Menggunakan Metode Discrete Cosine
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 terperinciDETEKSI KEBAKARAN BERBASIS WEBCAM SECARA REALTIME DENGAN PENGOLAHAN CITRA DIGITAL
DETEKSI KEBAKARAN BERBASIS WEBCAM SECARA REALTIME DENGAN PENGOLAHAN CITRA DIGITAL Ari Sutrisna Permana 1, Koredianto Usman 2, M. Ary Murti 3 Jurusan Teknik Elektro - Institut Teknologi Telkom - Bandung
Lebih terperinciBAB IV PEMBAHASAN. A. Aplikasi Fuzzy Logic untuk Menilai Kolektibilitas Anggota Sebagai. Pertimbangan Pengambilan Keputusan Pemberian Kredit
BAB IV PEMBAHASAN A. Aplikasi Fuzzy Logic untuk Menilai Kolektibilitas Anggota Sebagai Pertimbangan Pengambilan Keputusan Pemberian Kredit Aplikasi fuzzy logic untuk pengambilan keputusan pemberian kredit
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 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Jenis kelainan pada tulang punggung manusia bermacam-macam, bergantung pada faktor umur, kebiasaan, dan kecelakaan/virusbakteri. Skoliosis adalah kelainan tulang belakang
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Dalam kehidupan sehari-hari, antrean (queing) merupakan hal yang sering sekali kita jumpai, misalnya ketika membeli karcis, membayar tol, menaiki kendaraan
Lebih terperinciAPLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira 50408896 Dr. Karmilasari Kanker Latar Belakang Kanker
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah
BAB 3 METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Prosesor Intel (R) Atom (TM) CPU N550
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Citra digital dalam dunia modern memainkan peran yang sangat penting dalam berbagai bidang kehidupan seperti penyelidikan forensik, pemrosesan asuransi, sistem pengawasan,
Lebih terperinciImplementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector Machine
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-346 Implementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector
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 terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Spesifikasi minimum dari perangkat keras yang diperlukan agar dapat. Graphic Card dengan memory minimum 64 mb
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Driver 4.1.1 Spesifikasi Perangkat Keras Spesifikasi minimum dari perangkat keras yang diperlukan agar dapat menjalankan driver ini adalah: Prosesor Pentium
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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN
4 BAB HASIL DAN PEMBAHASAN Ada tiga tahap utama yang dilakukan pada percobaan ini yaitu ektraksi ciri, pelatihan dan pengujian JST. Percobaan dilakukan dengan mengkombinasikan data hasil ekstraksi ciri
Lebih terperinciLaporan Akhir Praktikum Mempelajari Karakterisitk Visual Citra Tomat Menggunakan Image Processing. Avicienna Ulhaq Muqodas F
Laporan Akhir Praktikum Mempelajari Karakterisitk Visual Citra Tomat Menggunakan Image Processing Avicienna Ulhaq Muqodas F14110108 DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN INSTITUT
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Berikut adalah beberapa definisi dari citra, antara lain: rupa; gambar; gambaran (Kamus Besar Bahasa Indonesia). Sebuah fungsi dua dimensi, f(x, y), di mana x dan y adalah
Lebih terperinciBAB III KALIBRASI DAN VALIDASI SENSOR KAMERA UNTUK PENGEMBANGAN RUMUS POSISI TIGA DIMENSI OBYEK
BAB III KALIBRASI DAN VALIDASI SENSOR KAMERA UNTUK PENGEMBANGAN RUMUS POSISI TIGA DIMENSI OBYEK A. Pendahuluan Latar Belakang Perhitungan posisi tiga dimensi sebuah obyek menggunakan citra stereo telah
Lebih terperinciTEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR
TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR DWI ACHTI NOVIATUR R. 2208100656 Dosen Pembimbing : Dr. Ir. Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) PIE Problem Representasi Citra
Lebih terperinciPerbaikan Kualitas Rekonstruksi Motion Capture
Perbaikan Kualitas Rekonstruksi Motion Capture Dengan Metode Interpolasi Winaryo, Ahmad Zaini, Muhtadin Institut Teknologi Sepuluh Nopember, Fakultas Teknologi Industri, Jurusan Teknik Elektro Kampus ITS
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 terperincipengambilan citra video, pemrosesan citra pada setiap frame,, pendeteksian objek
BAB IV MODEL SISTEM 4.1. Model Sistem Aplikasi yang dibangun adalah aplikasi yang dapat mengolah citra yang diambil dari kamera video, dan menganalisisnya untuk mengetahui keberadaan suatu objek. Ada beberapa
Lebih terperinciDETEKSI MARKA JALAN DAN ESTIMASI POSISI MENGGUNAKAN MULTIRESOLUTION HOUGH TRANSFORM
DETEKSI MARKA JALAN DAN ESTIMASI POSISI MENGGUNAKAN MULTIRESOLUTION HOUGH TRANSFORM Charles Edison Chandra; Herland Jufry; Sofyan Tan Computer Engineering Department, Faculty of Engineering, Binus University
Lebih terperinciKlasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt
Klasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt Ardi Satrya Afandi Fakultas Teknologi Industri Universitas Gunadarma Depok, Indonesia art_dhi@yahoo.com Prihandoko,
Lebih terperinciBAB 4 IMPLEMENTASI Implementasi
BAB 4 IMPLEMENTASI Bab ini menuturkan penjelasan mengenai implementasi dari sistem pengujian yang dibangun berdasarkan hasil analisis dan perancangan sistem yang telah dibahas pada bab sebelumnya. Bab
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Piranti yang digunakan untuk pelatihan maupun pengujian sistem terdiri dari perangkat keras dan perangkat lunak. 4.1.1 Perangkat Keras Perangkat keras
Lebih terperinciAnalisa dan Pemodelan Kerumunan Orang pada Video Digital
Sidang Tugas Akhir Analisa dan Pemodelan Kerumunan Orang pada Video Digital Oleh: Nick Darusman (2209106015) Dosen Pembimbing Dr. Ir. Wirawan, DEA Jumat, 24 Januari 2012 Surabaya 1 Latar Belakang Angka
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 terperinciBab IV Kalibrasi dan Pengujian
Bab IV Kalibrasi dan Pengujian 4.1 Kalibrasi Rumus untuk mencari jarak yang telah dijabarkan pada bab-bab sebelumnya mempunyai dua konstanta yang perlu dicari nilainya, yaitu jarak antara kamera dengan
Lebih terperinciPEMANFAATAN KAMERA CCTV SEBAGAI ALAT BANTU TRAFFIC SURVEY BIDANG : TRAFFIC ENGINEERING. Ressi Dyah Adriani NPP
PEMANFAATAN KAMERA CCTV SEBAGAI ALAT BANTU TRAFFIC SURVEY BIDANG : TRAFFIC ENGINEERING Ressi Dyah Adriani NPP 10529 ressi.adriani@jasamarga.co.id ABSTRAK Data kepadatan lalu-lintas merupakan kebutuhan
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Nama Mahasiswa : Gigih Prasetyo Cahyono NRP : 1206 100 067 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Prof.
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Diagram Blok Sistem ini terdiri dari 2 blok utama yaitu blok proses pelatihan dan proses pengenalan. Blok proses pelatihan terdiri dari webcam dan perangkat lunak yang memproses
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. menggunakan serial port (baudrate 4800bps, COM1). Menggunakan Sistem Operasi Windows XP.
BAB 4 IMPLEMENTASI DAN EVALUASI Bab ini menjelaskan tentang hasil penelitian yang berupa spesifikasi sistem, prosedur operasional penggunaan program, dan analisa sistem yang telah dibuat. 4.1 Spesifikasi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu bentuk dari digitalisasi yang sedang berkembang saat ini adalah teknologi 3D Scanning yang merupakan proses pemindaian objek nyata ke dalam bentuk digital.
Lebih terperinci5) Tahap operasi dan pemeliharaan Tahap ini tidak dilakukan oleh penulis karena adanya keterbatasan waktu. HASIL DAN PEMBAHASAN
5) Tahap operasi dan pemeliharaan Tahap ini tidak dilakukan oleh penulis karena adanya keterbatasan waktu. HASIL DAN PEMBAHASAN Studi Pustaka dan Konsultasi dengan Pakar Hasil dari studi pustaka yaitu
Lebih terperinciBAB I PENDAHULUAN. teknologi pengolahan citra (image processing) telah banyak dipakai di berbagai
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Citra (image) adalah bidang dalam dwimatra (dua dimensi) (Munir, 2004). Sebagai salah satu komponen multimedia, citra memegang peranan sangat penting sebagai
Lebih terperinciBAB III METODE PENELITIAN. tracking obyek. Pada penelitian tugas akhir ini, terdapat obyek berupa bola. Gambar 3.1. Blok Diagram Penelitian
BAB III METODE PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan dalam pengerjaan Tugas Akhir ini adalah studi literatur, pembuatan program serta melakukan deteksi dan tracking obyek. Pada
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 terperinciPENGUKURAN GETARAN PADA POROS MODEL VERTICAL AXIS OCEAN CURRENT TURBINE (VAOCT) DENGAN METODE DIGITAL IMAGE PROCESSING
PRESENTASI TESIS (P3) PENGUKURAN GETARAN PADA POROS MODEL VERTICAL AXIS OCEAN CURRENT TURBINE (VAOCT) DENGAN METODE DIGITAL IMAGE PROCESSING HEROE POERNOMO 4108204006 LATAR BELAKANG Pengaruh getaran terhadap
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Menurut Silva, dkk(2003) ketika mendesain sebuah sistem AR, ada tiga aspek yang harus ada, yaitu kombinasi dari dunia nyata dan dunia virtual, interaksi secara real-time, dan registrasi
Lebih terperinciBAB 1 1. PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 1. PENDAHULUAN Pada bab ini akan dijelaskan mengenai latar belakang, perumusan masalah, tujuan penelitian, ruang lingkup penelitian, metodologi penelitian, dan sistematika penulisan laporan dari
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. Jones, kami membuat sebuah aplikasi sederhana, dengan spesifikasi perangkat lunak
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Aplikasi Pengujian Untuk menguji kecepatan dan keakuratan metode pendeteksian wajah Viola Jones, kami membuat sebuah aplikasi sederhana, dengan spesifikasi perangkat
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Metode Perancangan Perancangan sistem didasarkan pada teknologi computer vision yang menjadi salah satu faktor penunjang dalam perkembangan dunia pengetahuan dan teknologi,
Lebih terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Pengerjaan tugas akhir ini ditunjukkan dalam bentuk blok diagram pada gambar 3.1. Blok diagram ini menggambarkan proses dari sampel citra hingga output
Lebih terperinciTeknik pengenalan wajah berbasis fitur local binary pattern (LBP)
Teknik pengenalan wajah berbasis fitur local binary pattern (LBP) Oleh: Eko Wahyudi NRP. 2208 100 629 Dosen Pembimbing: Dr. Ir. Wirawan, DEA Ir. Hendra Kusuma, M.Eng Latar Belakang ( Permasalahan Sistem
Lebih terperinciDETEKSI OBYEK PEJALAN KAKI DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE SKRIPSI
DETEKSI OBYEK PEJALAN KAKI DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE SKRIPSI Diajukan Oleh : FIRMAN ISNANDI S. NPM. 0634010273 JURUSAN TEKNIK INFORMATIKA FAKULTAS
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 terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masin-masing komponen perangkat.
Lebih terperinciV HASIL DAN PEMBAHASAN
22 V HASIL DAN PEMBAHASAN 5.1 Karakteristik Video dan Ektraksi Frame Video yang digunakan di dalam penelitian ini merupakan gabungan dari beberapa cuplikan video yang berbeda. Tujuan penggabungan beberapa
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Pada bab ini akan dibahas mengenai teori pendukung dan penelitian sebelumnya yang berhubungan dengan metode ekstraksi fitur, serta metode klasifikasi Support Vector Machine dalam
Lebih terperinciBAB IV PEMBAHASAN. BAB IV berisi pembahasan tahapan penelitian, yaitu klasifikasi logika. A. Identifikasi Data Cadangan Hidrokarbon
BAB IV PEMBAHASAN BAB IV berisi pembahasan tahapan penelitian yaitu klasifikasi logika fuzzy hasil pembahasan analisis pengujian model fuzzy dan visualisasi model fuzzy pada perhitungan cadangan hidrokarbon
Lebih terperinci1BAB I. 2PENDAHULUAN
1BAB I. 2PENDAHULUAN 2.1. Latar Belakang Pelacak objek (object tracking) pada saat ini merupakan penelitian yang menarik dalam bidang computer vision. Pelacak objek merupakan langkah awal dari berbagai
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan
BAB IV IMPLEMENTASI DAN EVALUASI Implementasi dan Evaluasi yang dilakukan penulis merupakan implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan perangkat lunak dari sistem secara keseluruhan
Lebih terperinciBAB III PENGOLAHAN DATA
BAB III PENGOLAHAN DATA Pengolahan data pada penelitian ini meliputi tahapan pengambilan data, penentuan titik tengah area yang akan menjadi sampel, pengambilan sampel, penentuan ukuran window subcitra
Lebih terperinciBAB IV PENGUJIAN SISTEM. pada PC yang dihubungkan dengan access point Robotino. Hal tersebut untuk
BAB IV PENGUJIAN SISTEM Pengujian sistem yang dilakukan merupakan pengujian terhadap Robotino dan aplikasi pada PC yang telah selesai dibuat. Dimulai dari menghubungkan koneksi ke Robotino, menggerakan
Lebih terperinci