Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING eProceedings of Engineering Jurnal Rekayasa elektrika Jurnal INFOTEL
Bambang Hidayat
Telkom University
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering

Published : 204 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 204 Documents
Search

 13   14   15   16   17 
Deteksi Batik Bojonegoro Menggunakan Metode Gray Level Co-occurrence Matrix (glcm) Dan Naive Bayes Desi Dwi Prihatin; Bambang Hidayat; Sofia Saidah
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

ABSTRAK Salah satu karya seni dalam kebudayaan Bojonegoro yaitu batik Bojonegoro. Batik Bojonegoro memiliki jenis motif batik yang berbeda-beda maka untuk membedakan batik Bojonegoro tersebut dilakukan perancangan sistem untuk mengklasifikasi jenis batik ke dalam kelas-kelas jenis motif batik. Perancangan sistem dilakukan dalam mendeteksi batik menggunakan metode Gray Level Co-Occurrence (GLCM) sebagai ekstraksi ciri untuk proses pengambilan ciri atau inti citra dan Naive Bayes sebagai klasifikasi untuk pengelompokkan citra berdasarkan jenis batik Bojonegoro. Proses kinerja kedua sistem tersebut image processing agar citra dapat diubah menjadi data berupa angka dengan bentuk keluaran hasil transformasi dalam pengolahan citra digital. Maka penulis melakukan penggabungan kedua sistem agar dapat mengetahui hasil akurasi yang signifikan dengan tujuan untuk mempermudahkan pengenalan jenis batik Bojonegoro dan mengembangkan sistem dalam mendeteksi citra batik berdasarkan jenis motif batik Bojonegoro menggunakan pengolahan citra digital. Berdasarkan pengujian yang telah dilakukan, sehingga pada Tugas Akhir ini perancangan sistem dapat mendeteksi batik Bojonegoro berdasarkan jenis kelas motif batik yaitu enam kelas jenis motif batik, dengan komposisi jenis batik meliwis mukti, jenis batik pari sumilak, jenis batik rancak thengul, jenis batik sato gondo wangi dan jenis batik sekar jati. Pengujian dilakukan 60 citra batik dimana masing-masing kelas memiliki enam citra batik. Sehingga didapatkan dari beberapa skenario pengujian parameter orde dua terbaik yaitu correlation, homogeneity dan entropy, arah derajat = 0° dan jarak pixel (d)=2 dengan pengujian level kuantisasi maka akurasi terbaik sebesar 85% dengan waktu komputasi 206.6715 detik. Kata Kunci: Batik Bojonegoro, GLCM, Naive Bayes. . ABSTRACT Batik Bojonegoro is one of art in Bojonegoro’s culture. There are some types of Batik Bojonegoro, this to differentiate batik ojonegoro is done system design to classify the type of batik into the classes of types batik motifs. The design of the system conducted for detecting batik Bojonegoro using Gray Level Co-Occurrence (GLCM) method is used as the extraction in process of taking main image and Naive Bayes as a classification of grouping the images based on the types of batik Bojonegoro. Working process of both methods is need many image samples to make the system works well using image processing so that image can be converted into data in the form of numbers with the output of transformation result in digital image process. This project has merged both methods to know the significant accuracy result is the purpose of facilitate the introduction of the types of batik Bojonegoro and developing system in detecting digital image using batik’s image based on the type of batik Bojonegoro’s pattern. Based on the tests that have been done, so that in this Final Project the system design can detect Bojonegoro batik based on the type of batik motivo class, namely six classes of batik motif types, with batik composition meliwis mukti, pari sumilak batik type, rancak thengul batik type, sato gondo batik type fragrant and kind of teak teak batik. Testing was carried out 60 images of batik where each class had six images of batik. So that obtained from several ISSN : 2355-9365 e-Proceeding of Engineering : Vol.5, No.3 Desember 2018 | Page 4650 2 Parathmetro scenarios the order testing is two best correlación namely, homogeneidad and entropy, degree direction = 0° and pixel distance (d) = 2 with nivel quantization testing so the best accuracy is 85% with 206.6715 seconds computation time. Keywords: Batik Bojonegoro, GLCM, Naive Bayes.
Identifikasi Kualitas Kesegaran Susu Sapi Melalui Pengolahan Citra Digital Menggunakan Metode Watershed Dan Klasifikasi Learning Vector Quantization (lvq) Mohamad Fikri Permana; Bambang Hidayat; Sjafril Darana
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Tingginya minat masyarakat terhadap susu, membuat para produsen melakukan inovasi agar mendapatkan keuntungan yang lebih dengan menurunkan kualitas asli dari susu sapi. Misalnya menambahkan bahan tambahan yang dapat merusak nilai gizi dari susu dengan dicampur air agar volumenya lebih banyak. Cara umum dalam membedakan kualitas susu, yaitu dari aroma dan rasa, namun hal tersebut tidak efektif karena indra perasa setiap orang dapat berbeda. Pada era masa kini diperlukan teknologi yang dapat membedakan susu murni dengan susu yang sudah dicampur bahan lain. Penelitian dilakukan dengan mengidentifikasi kualitas kesegaran susu sapi melalui pengolahan citra digital menggunakan metode Watershed, dimana proses ekstraksi ciri menggunakan Local Binary Pattern serta diklasifikasikan menggunakan Learning Vector Quantization. Sistem tersebut telah diaplikasikan melalui penggunaan perangkat lunak Matlab dengan mengidentifikasi dan mengklasifikasikannya pada tekstur susu sapi. Pengambilan data dilakukan dengan cara mengambil sampel susu sapi murni dan sampel susu sapi yang dicampur air sebanyak 25%, 50%, dan 75%. Hasil penelitian identifikasi kualitas kesegaran susu diperoleh tingkat akurasi sebesar 92.5% dan waktu komputasi 0.4791 detik. Kata kunci: Susu Sapi, Watershed, Learning Vector Quantization Abstract The high public interest of milk which give many benefits for human body, urge the producers for doing an innovation to get more profit by lowered the quality of the milk adding an additional substance to the milk can impair the quality of the milk itself. A general way to distinguish whether the quality of the milk is good or not is from its aroma and taste. On the other hand, this kind of way is not effective. In this era of technology, it is needed a kind of technology which can distinguish whether the milk is pure or not. Research done by identifying the quality of fresh cow's milk through digital image processing using Watershed method, where the extraction process characteristics using Local Binary Pattern and classified using Learning Vector Quantization. The system has been applied through the use of Matlab software by identifying and classifying on texture of cow's milk. Data retrieval is done by taking a sample of pure cow's milk and cow's milk samples were mixed in the water as much as 25%, 50%, and 75%. The research of identification the quality freshness obtained accuracy of 92.5% and computational time 0.4791 seconds. Keywords: Cow’s milk, Watershed, Learning Vector Quantization
Metode Gabor Wavelet Dan K-nearest Neighbor (k-nn) Sebagai Aplikasi Bidang Forensik Biometrik Untuk Identifikasi Pola Sidik Bibir Pada Identitas Manusia Vasya Aulia; Bambang Hidayat; Yuti Malinda
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Bagian tubuh manusia tidak sama satu dengan lainnya dan memiliki ciri khasnya masing-masing. Oleh sebab itu, bagian-bagian dari tubuh manusia tersebut dapat dijadikan sebagai alat bantu pengidentifikasi informasi atau identitas dari seorang individu. Beberapa cara untuk identifikasi identitas seorang individu yaitu dengan memeriksa gigi, identifikasi DNA dari jaringan sel dalam rongga mulut atau sidik bibir. Pada dasarnya, bibir memiliki berbagai pola karakteristik alur, lekuk, keriput dan garis, kombinasi yang bersifat individualistik dan unik seperti sidik jari. Untuk mengidentifikasi pola dari sidik bibir teknik yang digunakan yaitu teknik biometrik. Tugas akhir ini bertujuan untuk mengidentifikasi pola sidik bibir dari individu yang berbeda untuk mendapatkan informasi dan identitas dari individu tersebut. Metode yang digunakan untuk ekstrasi ciri adalah Gabor Wavelet dan metode yang digunakan untuk mengklasifikasi adalah K-Nearest Neighbor (K-NN) dengan menggunakan aplikasi MATLAB (MATrix LABoratory). Hasil dari tugas akhir ini merupakan program yang dapat mengidentifikasi pola sidik bibir dari individu yang berbeda untuk mengetahui identitas dari individu tersebut dengan akurasi tertinggi yaitu 72.2222% dan waktu komputasi 6.2195 detik. Dengan adanya sistem ini identifikasi sidik bibir dapat dijadikan sebagai alternatif dalam membantu dan mempermudah dokter gigi dan para ahli forensik untuk mengidentifikasi setiap individu. Kata kunci: Sidik bibir, Gabor Wavelet, K-Nearest Neighbor. Abstract Parts of the human body are not equal to each other and have its own characteristics. Therefore, parts of the human body can be used as a tool to identify information or identity of an individual. Some ways to identify an individual's identity is by examining the teeth, DNA identification from cell tissues in the oral cavity or lip print patterns. Basically, lip contains in them various characteristic patterns of groove, furrows, wrinkles and lines, the combination of which is individualistic and unique like finger prints. The techniques used to identify lip print pattern is biometric techniques. This final project aims to identify patterns of lip prints from different individuals to obtain information and the identity of the individual. The method used for feature extraction is Gabor Wavelet and the method used to classify is K-Nearest Neighbor (K-NN) using MATLAB (MATrix LABoratory) application. The result of this final project is a program that can identify lip prints patterns from different individuals to know the identity of the individual with the highest accuracy is 72.2222% and the computation time is 6.2195 seconds. With this system lip print pattern can be used as an alternative in order to help and facilitate the dentist and forensic experts to identify each individual. Keywords: Lip print pattern, Gabor Wavelet, K-Nearest Neighbor.
Deteksi Dini Kanker Serviks Metode Iva Berbasis Pengolahan Citra Digital Menggunakan Deteksi Tepi Zero Crossing Dwi Sukma Bestry; Bambang Hidayat; Hilman Fauzi
eProceedings of Engineering Vol 3, No 3 (2016): Desember, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kemajuan teknologi di bidang komputer saat ini mendorong berkembangnya penelitian dan penerapan teknik pengolahan citra. Beberapa pertumbuhan kemajuan teknologi baru membuka peluang bagi pengembangan lebih lanjut dalam bidang ini. Saat ini pengolahan citra mempunyai peranan yang sangat penting dalam berbagai bidang kehidupan, seperti di bidang kesehatan. Penyakit kanker merupakan pertumbuhan sel tak normal atau tak terkendali sehingga menyebabkan perubahan bentuk dan pembesaran bagian tubuh. Saat ini dalam mendiagnosa kanker serviks pada wanita sangat membutuhkan waktu yang lama untuk mendapatkan data atau informasi dengan cepat. Dengan adanya aplikasi ini dapat membantu dalam mendeteksi dini kanker serviks dengan metode IVA dengan menggunakan operator Zero crossing. Pada penelitian ini dirancang suatu sistem untuk mendeteksi dini kanker serviks dengan metode IVA dengan bantuan software Matlab 2015a. Subjek penelitian ini adalah membuat aplikasi penerapan operator deteksi tepi untuk mendeteksi dini kanker serviks. Data yang digunakan adalah sampel citra serviks yang telah dilakukan skrining dengan metode IVA (Inspeksi Visual Asam Asetat) yaitu citra serviks yang telah diolesi asam asetat 3-5% berupa file citra berekstensi .png . Ada beberapa langkah program yang dilakukan yaitu mengambil citra serviks, lalu citra dipotong (cropping), citra yang sudah dipotong diubah menjadi citra biner (thresholding). Citra biner kemudian diolah dengan deteksi tepi dengan operator Zero crossing sehingga dapat ditentukan tepi SSK (Sambungan Skuamosa Kolumnar) dan daerah AEZ (Acetowhite Epithelium Zone) dan menentukan apakah hasil skrining merupakan IVA positif atau IVA negatif. Berdasarkan pengujian yang dilakukan pada 55 data citra uji diperoleh nilai akurasi sebesar 89% untuk sistem deteksi SSK, 78% untuk sistem deteksi AEZ dan 67% untuk sistem deteksi akhir hasil skrining IVA. Kata kunci : Zero-Crossing, Sambungan skuamosa kolumnar, Acetowhite Ephitelium Zone, IVA
Perancangan Aplikasi Deteksi Kualitas Keju Berbasis Android Menggunakan Metode Gray Level Co-occurrence Matrix Dengan Klasifikasi Support Vector Machine Arfhan Setiawan; Bambang Hidayat; Sjafril Darana
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Keju cheddar merupakan salah satu produk olahan susu yang dihasilkan melalui bantuan bakteri untuk dilakukan fermentasi. Hasil dari fermentasi tersebut adalah proses koagulasi atau pengentalan yang menghasilkan zat padat pada susu. Zat padat tersebut itulah yang menjadi keju setelah dikeringkan, diproses dan diawetkan dengan cara tertentu. Kandungan nutrisi yang terdapat pada keju cheddar sama halnya dengan susu, yaitu terdapat protein, vitamin, mineral, kalsium, fosfor dan lemak. Kualitas keju yang baik dapat dilihat salah satunya dari tekstur. Dilihat dari permukaan keju cheddar apakah terdapat jamur atau tidak. Menentukan kualitas tekstur keju cheddar yang baik secara detail dapat dilihat dengan menggunakan mikroskop digital dan bantuan dari pengolahan citra digital. Dengan menggunakan pengolahan citra dapat memudahkan penentuan dan pengelompokkan kualitas keju cheddar. Pada tugas akhir, penulis telah membuat sebuah aplikasi berbasis Android untuk deteksi kualitas keju cheddar dengan teknik pengolahan citra digital. Aplikasi dapat menganalisis pola tekstur citra keju cheddar melalui ekstraksi ciri lalu selanjutnya diklasifikasikan untuk mengidentifikasi kualitas keju cheddar berdasarkan kriteria kelayakan yaitu sangat layak makan, layak makan dan tidak layak makan. Metode ekstraksi ciri yang digunakan adalah Gray Level Co-Occurrence Matrix yang mampu menganalisa pola tekstur pada citra, sedangkan untuk metode pengklasifikasian menggunakan Support Vector Machine yang baik dalam pengklasifikasian pola tekstur pada citra digital. Untuk pengujian, dilakukan pengambilan beberapa sampel citra dengan mengambil foto keju cheddar menggunakan mikroskop digital. Jumlah sampel citra uji sebanyak 48, jumlah citra latih sebanyak 24 dan jumlah kelas sebanyak 3 kelas. Dari penelitian, diperoleh hasil tingkat akurasi aplikasi sebesar 81.25 % dan waktu komputasi aplikasi 19.52 detik pada pengujian dengan ukuran resize 350 * 450 piksel. Hasil dari dilakukannya pengujian ini mempermudah dalam mengetahui kualitas keju cheddar yang lebih efektif. Kata kunci: Gray Level Co-occurrence Matrix, Support Vector Machine, Keju Cheddar Abstract Cheddar Cheese is one of dairy product that produced with help of bacteria to be fermented. The results of the fermentation that is coagulation process that will produce milk solids. The milk solids will become cheddar cheese after being dried, processed and preserved in a certain way. Nutritional content in cheddar cheese is the same as milk, such as protein, vitamins, minerals, calcium, phosphorus and fat. Quality of good cheedar cheese can be seen from the texture. Viewed from the surface of the cheese whether there is mold or not. Determining the quality of good cheddar cheese texture in detail could be seen by using digital microscope with help from digital image processing. Using image processing can ease the determination and classification quality of cheddar cheese. In this final task, the author has made an Android application to detection quality of cheddar cheese with digital image processing technique. The application can analyze the texture pattern of the image of cheddar cheese through feature extraction then classified to identify the quality of cheddar cheese based on worthiness criteria which is very worth eating, worth eating and not worth eating. Feature extraction method that used is Gray Level Co-Occurrence Matrix which able to analyze texture pattern in the image, whereas for the classification method using Support Vector Machine which is good in classifying the texture pattern of digital image. For testing, a few samples were taken by taking photos of cheddar cheese using a digital microscope. The number of testing data samples is 48, the number of training data is 24 and the number of class is 3 classes. The highest result of the research is 81.25 % of application accuracy rate and application computing time is 19.52 seconds on the testing with 350 * 450 pixel resize. The results of this test will make it easier to know the quality of cheddar cheese more effective Keywords: Gray Level Co-occurrence Matrix, Support Vector Machine, Cheddar Cheese
Klasifikasi Bobot Karkas Domba Berdasarkan Metode Fractal Dan Klasifikasi K-nearest Neighbor Annisa Adlina Mulyaningrum; Bambang Hidayat; Nur Ibrahim
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Domba adalah hewan ternak yang banyak dimanfaatkan oleh masyarakat di indonesia. Salah satu pemanfaatan dari domba adalah karkas domba, dimana permintaannya terus meningkat dari waktu ke waktu. Karkas domba adalah berat bersih daging tanpa kepala, kaki, organ dalam dan juga ekor. Saat ini penimbangan terhadap domba masih di lakukan secara manual, yaitu dengan cara menggendong hewan tersebut, menduga dengan cara melihatnya dan menduga secara subjektif. Karena rentan bobot domba tersebut memiliki berat di bawah 40 kg. Namun cara tersebut hanya berlaku untuk pembeli yang sudah berpengalaman, namun berpotensi merugikan pembeli amatir atau baru. Image processing atau pengolahan citra digital diimplementasikan untuk membantu mengestimasi bobot karkas domba. Untuk mendapatkannya pengolahan citra di lakukan dengan cara memisahkan tubuh domba dengan background. Setelah itu, proses identifikasi untuk mendapatkan ukuran fisik (lingkar dada dan panjang badan). Tugas akhir ini bertujuan untuk merancang sistem berbasis Matlab, berfungsi mempermudah klasifikasi karkas domba menjadi 3 kelas bagian, membuktikan rumus perhitungan Ardjodarmoko dapat digunakan untuk estimasi karkas domba. Pertama sistem akan melakukan ekstraksi ciri untuk mendapatkan informasi di dalam citra menggunakan metode Fractal. Setelah didapatkan ciri citra, kemudian akan diklasifikasikan dengan metode jarak terdekat atau K-Nearest Neighbor yang kemudian akan dikelompokan sesuai kelasnya besar, sedang, dan kecil. Dari hasil pengujian diperoleh nilai akurasi sistem sebesar 83,33% dengan waktu komputasi 0,49 detik, menggunakan metode ekstraksi ciri Fractal dengan jumlah matriks ciri sama dengan 6, parameter s =[2 4 8 16 32 64]. Sedangkan proses klasifikasi K-Nearest Neighbor aturan jarak paling baik yang digunakan adalah euclidean yang menghasilkan nilai akurasi terbaik 83,33% dengan parameter terbaik pada nilai K=1, dan sistem memiliki tingkat error sebesar 16, 67%. Kata Kunci : Karkas Domba,Fractal, K-Nearest Neighbor(KNN)
Identifikasi Dan Klasifikasi Jenis Batuan Beku Berdasarkan Tekstur Batuan Menggunakan Discrete Cosine Transform (dct) Dan K-nearest Neighbor (k-nn) Pada Citra Digital Annisa Rizki Akmalia; Bambang Hidayat; Johan Arif
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Litosfer adalah salah satu lapisan bumi yang bersifat padat. Lapisan ini berdasarkan komposisi kimianya terdiri dari tiga lapisan yang urutannya dari luar ke dalam, Kerak Bumi, Mantel, dan Inti yang di bagi dua yaitu Inti Luar dan Inti Dalam. Dari tiga jenis batuan yaitu batuan beku, batuan sedimen, dan batuan metamorf, lapisan Kerak Bumi sebagian besar disusun oleh batuan beku dan batuan metamorf, sedangkan batuan sedimen umumnya terdapat pada permukaan (kerak) bumi. Beragam jenis batuan tersebut hanya ahli geologi yang dapat mengidentifikasinya. Karena mata juga memiliki tingkat ketelitian dalam mengidentifikasi objek, maka perlu suatu alat bantu pembanding tenaga Ahli untuk memperkuat klasifikasi jenis batuan beku dengan waktu yang relatif singkat dan akurasi yang tinggi. Tugas Akhir ini membahas tentang simulasi dan analisis sistem klasifikasi jenis batuan beku. Adapun tahapan yang dilakukan dalam penelitian ini ialah : akuisisi citra, preprocessing, ekstraksi ciri, dan klasifikasi. Metode ekstraksi ciri yang digunakan adalah Discrete Cosine Transform (DCT) dan metode klasifikasi K-Nearest Neighbor (K-NN). Dalam pengujian ini dilakukan dengan 90 citra batuan Megaskopis dan 90 citra batuan Mikroskopis yang terbagi masing-masing dalam tiga kelas dengan komposisi 20 data uji dan 10 data latih tiap kelasnya. Sehingga didapatkan akurasi terbaik sebesar 98,33% dan waktu komputasi 0,4371s untuk batuan megaskopis dengan menggunakan parameter : blok 512, k=1, distance euclidean. Sedangkan batuan mikroskopis didapatkan akurasi sebesar 61,67% dan waktu komputasi 0,4422s dengan menggunakan parameter : blok 512, k=1, distance cityblock. Kata Kunci : Jenis Batuan, Discrete Cosine Transform (DCT), dan K-Nearest Neighbor (K-NN)
Identifikasi Pola Sidik Bibir Pada Pria Dan Wanita Menggunakan Metode Gray Level Co-occurrence Matrix (glcm) Dan Learning Vector Quantization (lvq) Sebagai Aplikasi Bidang Forensik Syelanisa Nabilla; Bambang Hidayat; Yuti Malinda
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Forensik merupakan bidang ilmu pengetahuan yang digunakan untuk membantu proses identifikasi individu maupun kepentingan penegakan hukum. Banyak cara dalam mengidentifikasi individu, namun seringkali karena kondisi fisik individu yang sudah tidak utuh, maka dilakukan pengidentifikasian. Ilmu kedokteran gigi forensik secara sederhana dapat menentukan identitas seseorang berdasarkan pemeriksaan odontologi, rugae palatina, dan sidik bibir. Sidik bibir memiliki karakteristik khas sama halnya dengan perbandingan sidik jari. Tugas Akhir ini dibuat bertujuan untuk memudahkan identifikasi dan klasifikasi sidik bibir pada pria dan wanita. Metode yang digunakan untuk ekstrasi ciri adalah Gray Level Co-occurrence Matrix (GLCM) dan metode yang digunakan untuk klasifikasi adalah Learning Vector Quantization (LVQ). Hasil performansi sistem menggunakan metode tersebut telah dianalisis. Kata kunci: Sidik bibir, Gray Level Co-occurrence Matrix, Learning Vector Quantization
Klasifikasi Jenis Kualitas Keju Dengan Menggunakan Metode Gray Level Co-occurrence Matrix (glcm) Dan Support Vector Machine (svm) Pada Citra Digital Reni Anggraini; Bambang Hidayat; Sjafril Darana
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Keju mengandung vitamin A, B, dan D, serta berbagai mineral penting bagi tubuh kita seperti, phosphor dan kalsium. Banyaknya masyarakat Indonesia yang tidak mengetahui bahwa setelah keju cheddar dibuka, maka ada batas hari layak makan. Secara kasat mata kualitas keju cheddar layak makan ini tidak bisa dilihat. Hal inilah yang menjadi latar belakang dipilihnya judul tugas akhir ini. Pada sistem pengolahan citra digital, setiap citra bisa dianalisis dan diklasifikasikan berdasarkan fitur yang diperoleh dari citra objek. Untuk memahami kualitas keju bisa dilakukan melalui citra keju yang sudah diamati selama 15 hari. Dalam Tugas Akhir ini penulis membahas bagaimana cara mengklasifikasikan jenis kualitas dari keju. Terdapat beberapa metode yang dapat digunakan untuk klasifikasi kualitas keju. Pada Tugas Akhir ini penulis menggunakan metode ekstraksi ciri Gray Level Co- Occurrence Matrix (GLCM) dengan klasifikasi Support Vector Machine (SVM) yang diawali dengan proses prepocessing. Untuk pengujian ini dilakukan pengujian dengan 48 citra keju, dengan komposisi masing-masing kelas memiliki 16 citra keju sangat layak makan, 16 citra keju layak makan, dan 16 citra keju tidak layak makan. Sehingga didapatkan akurasi terbaik sebesar 97.9167% dengan waktu komputasi 0.0286s dengan menggunakan metode GLCM dimana digunakan ekstraksi ciri berdasarkan tekstur dan warna dengan parameter orde dua (kontras dan homogenitas), arah 0°, d= 2pixel, kernel polynomial, dan jenis multiclass OAO. Kata kunci: keju, gray level co-occurrence matrix (GLCM), support vector machine (SVM)
Identifikasi Jenis Kelamin Berdasarkan Teraan Gigitan Berbasis Pengolahan Citra Digital Dengan Metode Gray Level Co-occurrence Matrix (glcm) Dan Klasifikasi Support Vector Machine (svm) Irvie Augustin; Bambang Hidayat; Fahmi Oscandar
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Identifikasi merupakan cara untuk menentukan individu korban atau pelaku kriminalitas dalam menegakan hukum yang sudah ada, salah satu contoh dengan proses identifikasi melalui bite mark (pola gigitan). Bidang yang ahli dalam menangani proses identifikasi bite mark adalah forensik kedokteran gigi (odontology forensic). Tanda bite mark biasanya ditemukan pada kasus kekerasan, pemerkosaan, dan penganiayaan pada anak. Bite mark menjadi bukti penting dalam melakukan proses identifikasi dikarenakan melalui tanda bite mark yang ditemukan pada tubuh dapat berupa informasi salah satunya adalah informasi jenis kelamin, hal ini disebabkan karena setiap individu mempunyai karakteristik gigi geligi yang berbeda-beda. Proses identifikasi bite mark yang sudah dilakukan saat ini melalui proses yang panjang, sehingga menyebabkan adanya distorsi dalam proses analisis bite mark, oleh karena itu perlu cara lain dalam proses identifikasi bite mark. Pada Tugas Akhir telah dibuat sebuah sistem untuk identifikasi jenis kelamin dengan menggunakan citra digital berdasarkan citra bite mark. Dengan ektrasi ciri menggunakan metode Gray Level Co-Occurrence Matrix (GLCM) dan untuk klasifikasi pada citra bite mark menggunakan metode Support Vector Machine (SVM). Dari hasil pengujian, sistem yang dibuat mampu mengidentifikasi jenis kelamin beradasarkan citra bite mark dengan nilai akurasi maksimum sebesar 82,97%. Kata Kunci: Bite Mark, Gray Level Co-Occurrence Matrix (GLCM), Support Vector Machine (SVM). Abstract Identification is a way to determine individual victim and the criminal of criminality in enforcing existing laws, for example by the identification process through bite mark and the field that handles the bite mark identification process is odontology forensic. The sign of a bite mark is usually found on for example in the cases of violence, rape, and child abuse. Bite mark becomes an important evidence to do the identification process because through the bite mark marks found on the body can be information one of which is the sex of the perpetrator information or the victim of the crime perpetrator, this is caused by different characteristic of each individual’s teeth. The identification process of bite mark that has been done currently passing the long process, so it causes the distortion in the bite mark analysis process, therefore it needs another way in the process of identifying the bite mark. In the Final Project has been created a system for gender identification by using digital image based on the edge of bite mark. With the bite mark image characteristic extraction using Gray Level Co-Occurrence Matrix (GLCM) method and for the classification on the bite mark image using Support Vector Machine (SVM) method. From the test result, the system is able to identify gender based on bite mark image with maximum accuracy value of 82.97%. Keywords: Bite Mark, Gray Level Co-Occurrence Matrix (GLCM), Support Vector Machine (SVM).
Co-Authors Abdul Hafidh Zaini Ade Pitra Hermawan Adi Aufarachman Putra Bambang Dwi Adrian Firmansyah Taufik Afina Fatharani Agre Liana Bella Clara Ahmad Mumtaz Ahsanu Qornan Al Brando Ardes Harjoko Alif Fajri Ryamizard Alifdio Hendra Putra Alifia Fathur Rizkiyah Alvin Matthew Valentino Amelia Shaffira Arifin Andre Danika Andrean David Chrismadandi Andri Slamet Subandrio Andri Slamet Subandrio Andri Slamet Subandrio Angrinda Kharisma Putri Anissa Widya Devianti Annisa Adlina Mulyaningrum Annisa Faraditha Basuki Annisa Rizki Akmalia Annisa Yandra Oktora Apriannor Apriannor Aptanti Aptanti Arfhan Setiawan Ari Septayuda Arina Fadhilah Arisalsabila Wahyu Bawono Arvieda Nadya Astin Santosa Auliado Centaury Ayu Tri Yulina Ayu Trisna Hayati Ayu Trisna Hayati Azarine Sandi Rizcky Bagas Yufa Ardana Bani Aulia Rahman Bella Yunita Kusuma Carolus Ferdy Setiaji Hartoko Chyndi Mery Da Vega Clara Amanda Daniel Ade Aryono Dara Aulia Feryando David Vianza Dea Delia Lestari Dela Tantri Riyandani Denanda Syahnurreza Auladi Desi Dwi Prihatin Desti Madya Saputri Devi Naafiyandika Sutopo Devi Rahmaditra Devi Utami Nur Indah Sari Devita Ba'diatan Fitri Dewa Gede Eduard Pramana Morton Dewi Zakiawati Dias Wardana Diati Levi Putri Dimas Anugrah Putra Dinda Rizki Taningrum Diny Hafizha Amelia Diovani Estidia Akbar Distyan Putra Agrisativa Dita Kusuma Wardani Dudi Aripin Dwi Sukma Bestry Edrea Cioksidy Cioksidy Eka Yuwitaning Eko Susatio Elline Constantia Elok Novita Pramunti Elyza Dilla Susanti Endang Yuni Endang Yuni Setyowati Enrico Wiratama Purwanto Erryna Indah Kurniawati Erty Kasdiantika Erwin Susanto Faber Tommy Johannes Nauli Fadhilah Fadhilah Fahmi Oscandar Fahmi Oscandar Fahmi Oscandar Fahmi Oscandar Fahmi Oscandar Fahmi Oscandar Fahmi Oscandar Fahmi Oskandar Fanny Oksa Salindri Farah Fadhilah Hermahiroh Farisah Qisthina Rekamasanti Farras Duto Hestopo Fauziyyah Rachmawati Fina Maharani Firda Isfandary Badryani Fiya Rohmawati Galuh Laksmita Ranggi Garizah Ganih Pranoto Gelar Budiman Ghina Oktavia Gita Meirinda H. Suhardjo H. Suhardjo Haidar Maghrifa Ahmad Hamdan Gustiawidi Hanif Jaka Permana Hasna Nur Afina Helena Jasmine Clarissa Hermas Ahadhi Septiaji Hervyn Junianto Kuen Hilal Nuha Hilman Fauzi, Hilman Hindrya Meidina Fresty Husnul Himmah I Nyoman Apraz Ramatryana I Putu Aditya Widiatama Ibrahim Adilla Ida Ayu Dian Purnama Sari Imam Abdul Hakim Indah Restyana Indri Ruth Simatupang Inka Hashari Insani Sekar Wangi Inung Wijayanto Irene Dewi Kurniawati Irma Safitri Irvie Augustin Israndy Yainahu Jangkung Raharjo Johan Arif Johan Arif Johan Arif Karina Permatasari Katamso Katamso Kevin Prathama Nugraha Khairunnisa Alfiyanti Suharja Kharisma Meccasia Kinanti Balqis Maharani Kintan Veriana Krisma Asmoro Kusumawardhani, Eka Leanna Vidya Yovita Ledya Novamizanti Listhyani Dhianira Sarie Listianto Raharjo Luluk Listyani Ayuningtyas Lutfi Ahmad Lyra Vega Ugi Magdarita Haris Mahdan Muqottirullah Al Askariyy Maya Amiriyanti Maya Sari Samosir Melina Melina Mentari Pangestu Mielda Fauzi Mila Muliani Mirrah Aliya Azzahra Mohamad Fikri Permana Mona Renasari Muhamad Fatah Muhamad Luthfi Wahid Muhammad Fatah W Muhammad Fatah Wiyatna Muhammad Ilham Fauzi Muhammad Rafki Muhammad Taufiq Alkautsar Mujib Ramadhan Hidayat Murnisari Darjan Mutia Henarta Mutiara Ulfach Nabila Sarashadarti Nadia Aisyah Permata Putri Nadia Putri Nurpadilah Nadiya Ibrahim Nanang Adi Setyawan Neng Anggi Iliadi Neng Wiwin Wiyandini Ngurah Putu Oka Harybuana Niki Ihsanul Hakim Nina Djustiana Nova Aditya Utami Novita Yusnia Tri Handayani Nur Andini Nur Hikmah Maulida Nur Ibrahim Nur Inastia Alfianingrum Nur Shabrina Nurul Septiyani Syafril Prasetyo Tri Herlambang Pritta Anggraeni Anindyasari Putu Cinthia Wikessa Putu Wahyu Saputra Qintan Nurma Buana Rakhman Kurniadi Rani Fauzana Rasinia Vadilla Nova Ratri Dwi Atmaja Regha Julian Pradhana Reinhard Immanuel Abraham Reni Anggraini Reni Dyah Wahyuningrum Restu Pujiyanti Hidayat Restu Wardani Reza Ahmad Nurfauzan Rian Febrian Umbara Rian Umbara Rikko Ismail Hardianzah Risva Ulva Fauzia Rita Magdalena Rizkiana Rani Sejahtera Rizky Setyaningrum Rizqi Shaumi Puspa Ayu Amanda Rosa Chulia Rahmah Rr Ayuningtias Setiaji Rudy Hartanto Rudy Hartanto Rudy Hartanto Ryan Bagus Wicaksana Ryan Bagus Wicaksono Sarah Aura Nadienda Saraswati Saraswati Setyo Nugroho Wibowo Shabrina Elha Putri Shofiya Rona Gemintang Sigit Nugroho SJAFRIL DARANA Sjafril Darana Sjafril Darana Sofia Sa’idah SOFIA SAIDAH Sri Muliawati Suci Amelia Suci Aulia Sugeng Winarno Sugondo Hadiyoso Suhardjo MS Suhardjo MS Suhardjo Sitam Suhardjo Sitam Suhardjo Suhardjo Suhardjo Suhardjo Suhartono Tjondronegoro Suken Achmad Aziz Suryo Adhi Wibowo Syahida Anugrah Kausar Syakira Nurina Shaputri Syelanisa Nabilla Syifa Mellynda Prisca Tengku Ahmad Wira Giovany Tikki Capriati Marieski Tita Haryanti Tito Permana Ulfa Yuliani Unang Sunarya Utari Hustita Dewi Vallen Ariesandi Vanesa Ditalia Vasya Aulia Viona Apryaleva Vivi Oktaviani Damanik Wijayanti, Lumastari Ajeng Wulandari Setiawati Wulandary Ika Hanesia Yafis Sukma Kurniawan Yeni Ernita Kusuma Wardani YULI SUN HARIYANI Yun Mukmin Akbar Yuti Malinda Yuti Malinda Yuti Malinda Zafer Ozcan Zagitha Devy Harerra Zahrana Hermulyani Zarka Lazuardi Putera