Menu
Home
- Pemesanan
- Metode & Algoritma
- AHP
- Forward Chaining
- Backward Chaining
- GAP (Generic Acces Profile)
- Prifile Matching
- Teorema Bayes
- Case Based Reasoning (CBR)
- Dempher Shaper
- Fuzzy Logic
- Fuzzy Mamdani
- Generate And Test
- Ant Colony Optimization (ACO)
- Shortest Path Astar
- Algoritma ID3
- Algoritma C4.5
- Algoritma ANP
- Algoritma Indeks Davies-Bouldin SOM (Self Organizing Map)
- Algoritma Classification And Regression Trees (CART
- Algoritma Genetika
- Algoritma Genetika
- Source Code
- Katagori Skripsi
- Android
- Aplikasi
- Artificial Intellegence
- Backward Chaining
- Case Based Reasoning
- Flash MX
- Forward Chaining
- Game
- Java
- Java Android
- Kecerdasan Buatan
- Multimedia
- My-SQL
- Pengolahan Citra
- Security Komputer
- Sistem Informasi
- Sistem Informasi Goegrafis (GIS)
- Sistem Pakar
- Sistem Pendukung Keputusan (SPK)
- SMS Gateway
- Visual Basic (Dekstop)
- Web (PHP-MySQL)
- Project
- FAQ
- About
Rabu, 03 Januari 2018
Klasifikasi Pola Citra Batik Menggunakan Metode Probabilistik Neural Network (PNN) | PHP&MySQL
ABSTRAK
Untuk membantu proses pendokumentasian citra Batik, dibutuhkan sistem klasifikasi yang cukup handal
dalam mengklasifikasi dan mengidentifikasi citra Batik. Salah satu kehandalan sistem klasifikasi yang dibutuhkan adalah invariant terhadap rotasi. Kehandalan tersebut dibutuhkan agar sistem dapat diaplikasikan
untuk mengenali citra dari berbagai macam sumber, seperti internet. Kehandalan sistem klasifikasi tidak lepas dari kehandalan metode ekstraksi cirinya. Salah satu metode ekstraksi ciri yang invariant terhadap rotasi adalah LBPROT. Namun, LBPROT memiliki kekurangan yaitu mengabaikan karakteristik lokal dari kekontrasan atau nilai varian. Di lain pihak, Completed Local Binary Pattern (CLBP) dan Completed Robust Local Binary Pattern (CRLBP) memiliki ciri yang dapat merepresentasikan nilai varian lokal tanpa mengabaikan struktur spasial lokal, yaitu ciri magnitude-nya, CLBP_M dan CRLBP_M. Oleh karena itu, pada penelitian kali ini diusulkan metode klasifikasi yang invariant terhadap rotasi, dengan menggunakan metode ekstraksi ciri yang menggabungkan kelebihan metode LBPROT dan CLBP_M (rotCLBP_M), atau LBPROT dan CRLBP_M (rotCRLBP_M). Hasil ekstraksi ciri akan menjadi data masukan untuk sistem klasifikasi Probabilistic Neural Network (PNN). Kinerja sistem diukur menggunakan akurasi. Hasil uji coba menunjukkan bahwa sistem klasifikasi dengan metode ekstraksi ciri rotCRLBP_M, lebih unggul dibandingkan dengan metode rotCLBP_M. Sistem klasifikasi dapat mencapai akurasi maksimal sebesar 90.34% untuk dataset Batik. Sedangkan pada dataset Brodatz, sistem klasifikasi dapat mencapai akurasi sebesar 87,92%.
dalam mengklasifikasi dan mengidentifikasi citra Batik. Salah satu kehandalan sistem klasifikasi yang dibutuhkan adalah invariant terhadap rotasi. Kehandalan tersebut dibutuhkan agar sistem dapat diaplikasikan
untuk mengenali citra dari berbagai macam sumber, seperti internet. Kehandalan sistem klasifikasi tidak lepas dari kehandalan metode ekstraksi cirinya. Salah satu metode ekstraksi ciri yang invariant terhadap rotasi adalah LBPROT. Namun, LBPROT memiliki kekurangan yaitu mengabaikan karakteristik lokal dari kekontrasan atau nilai varian. Di lain pihak, Completed Local Binary Pattern (CLBP) dan Completed Robust Local Binary Pattern (CRLBP) memiliki ciri yang dapat merepresentasikan nilai varian lokal tanpa mengabaikan struktur spasial lokal, yaitu ciri magnitude-nya, CLBP_M dan CRLBP_M. Oleh karena itu, pada penelitian kali ini diusulkan metode klasifikasi yang invariant terhadap rotasi, dengan menggunakan metode ekstraksi ciri yang menggabungkan kelebihan metode LBPROT dan CLBP_M (rotCLBP_M), atau LBPROT dan CRLBP_M (rotCRLBP_M). Hasil ekstraksi ciri akan menjadi data masukan untuk sistem klasifikasi Probabilistic Neural Network (PNN). Kinerja sistem diukur menggunakan akurasi. Hasil uji coba menunjukkan bahwa sistem klasifikasi dengan metode ekstraksi ciri rotCRLBP_M, lebih unggul dibandingkan dengan metode rotCLBP_M. Sistem klasifikasi dapat mencapai akurasi maksimal sebesar 90.34% untuk dataset Batik. Sedangkan pada dataset Brodatz, sistem klasifikasi dapat mencapai akurasi sebesar 87,92%.
Kata Kunci : Pengolahan Citra, ekstraksi ciri tekstur, LBPROT, probabilistic neural network, rotation invariant., PHP&MySQL
Download File PDF :
BAB 1, 2, 3, 4 dan 5 (.word) (hubungi admin)
Download Source Code Program :
Download Filesource citrabatik-pnn.rar
Screnshot Program :
BAB 1, 2, 3, 4 dan 5 (.word) (hubungi admin)
Download Source Code Program :
Download Filesource citrabatik-pnn.rar
Screnshot Program :
Related Posts : Pengolahan Citra,
Probabilistic Neural Network (PNN),
Web (PHP-MySQL)
Langganan:
Posting Komentar (Atom)
Tidak ada komentar:
Posting Komentar