Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Jurnal Buana Informatika

Penggunaan Gray Level Co-Occurance Matrix Dari Koefisien Aproksimasi Wavelet untuk Deteksi Cacat Tekstil Islamadina, Raihan; Arnia, Fitri; Munadi, Khairul
Jurnal Buana Informatika Vol 6, No 2 (2015): Jurnal Buana Informatika Volume 6 Nomor 2 April 2015
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (501.216 KB)

Abstract

Pendeteksian cacat tekstil saat ini masih dilakukan secara manualmengakibatkan seseorang sulit mendeteksi lebih dari 60% dari cacat yang ada.Untuk itu, penelitian ini menerapkan metode deteksi cacat tekstil secara otomatismenggunakan Gray Level Co-Occurance Matrix (GLCM) dari koefisienaproksimasi wavelet yang bertujuan untuk mengevaluasi analisis kinerja metode.Tahapannya, sampel citra tekstil dibagi menjadi delapan bagian untukmendapatkan tekstur cacat yang lebih jelas. Bagian tersebut didekomposisikedalam dua level. GLCM dihitung dari koefisien aproksimasi wavelet level satudan dua untuk dijadikan fitur. Penelitian ini dilakukan empat set simulasi citradengan orientasi latar berbeda. Setiap set terdiri dari satu citra noncacat dan duajenis citra cacat. Setiap bagian citra noncacat dihitung jaraknya dengan semuabagian pada citra cacat pertama dan kedua menggunakan jarak euclidean. Hasilsimulasi menunjukkan bahwa GLCM dari koefisien aproksimasi wavelet levelkedua mampu mendeteksi lebih dari 70% dari cacat yang ada.
Penggunaan Gray Level Co-Occurance Matrix Dari Koefisien Aproksimasi Wavelet untuk Deteksi Cacat Tekstil Islamadina, Raihan; Arnia, Fitri; Munadi, Khairul
Jurnal Buana Informatika Vol 6, No 2 (2015): Jurnal Buana Informatika Volume 6 Nomor 2 April 2015
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (501.216 KB) | DOI: 10.24002/jbi.v6i2.405

Abstract

Pendeteksian cacat tekstil saat ini masih dilakukan secara manualmengakibatkan seseorang sulit mendeteksi lebih dari 60% dari cacat yang ada.Untuk itu, penelitian ini menerapkan metode deteksi cacat tekstil secara otomatismenggunakan Gray Level Co-Occurance Matrix (GLCM) dari koefisienaproksimasi wavelet yang bertujuan untuk mengevaluasi analisis kinerja metode.Tahapannya, sampel citra tekstil dibagi menjadi delapan bagian untukmendapatkan tekstur cacat yang lebih jelas. Bagian tersebut didekomposisikedalam dua level. GLCM dihitung dari koefisien aproksimasi wavelet level satudan dua untuk dijadikan fitur. Penelitian ini dilakukan empat set simulasi citradengan orientasi latar berbeda. Setiap set terdiri dari satu citra noncacat dan duajenis citra cacat. Setiap bagian citra noncacat dihitung jaraknya dengan semuabagian pada citra cacat pertama dan kedua menggunakan jarak euclidean. Hasilsimulasi menunjukkan bahwa GLCM dari koefisien aproksimasi wavelet levelkedua mampu mendeteksi lebih dari 70% dari cacat yang ada.
Penggunaan Gray Level Co-Occurance Matrix Dari Koefisien Aproksimasi Wavelet untuk Deteksi Cacat Tekstil Raihan Islamadina; Fitri Arnia; Khairul Munadi
Jurnal Buana Informatika Vol. 6 No. 2 (2015): Jurnal Buana Informatika Volume 6 Nomor 2 April 2015
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v6i2.405

Abstract

Pendeteksian cacat tekstil saat ini masih dilakukan secara manualmengakibatkan seseorang sulit mendeteksi lebih dari 60% dari cacat yang ada.Untuk itu, penelitian ini menerapkan metode deteksi cacat tekstil secara otomatismenggunakan Gray Level Co-Occurance Matrix (GLCM) dari koefisienaproksimasi wavelet yang bertujuan untuk mengevaluasi analisis kinerja metode.Tahapannya, sampel citra tekstil dibagi menjadi delapan bagian untukmendapatkan tekstur cacat yang lebih jelas. Bagian tersebut didekomposisikedalam dua level. GLCM dihitung dari koefisien aproksimasi wavelet level satudan dua untuk dijadikan fitur. Penelitian ini dilakukan empat set simulasi citradengan orientasi latar berbeda. Setiap set terdiri dari satu citra noncacat dan duajenis citra cacat. Setiap bagian citra noncacat dihitung jaraknya dengan semuabagian pada citra cacat pertama dan kedua menggunakan jarak euclidean. Hasilsimulasi menunjukkan bahwa GLCM dari koefisien aproksimasi wavelet levelkedua mampu mendeteksi lebih dari 70% dari cacat yang ada.