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
Separator
piramidaskripsi.com saat ini sudah beralih ke piramidaskripsi.net | Bagi Yang Butuh Program Web Custome Bisa ke Wa atau email biaya IDR-500-800K
Tampilkan postingan dengan label Probabilistic Neural Network (PNN). Tampilkan semua postingan
Tampilkan postingan dengan label Probabilistic Neural Network (PNN). Tampilkan semua postingan
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 :
Pengenalan Identitas Melalui Sidik Jari Dengan Metode Probabilistic Neural Network (PNN) | Web PHP&MySQL
ABSTRAK
Sidik jari memiliki pola yang sangat unik. Sehingga tidak akan ada manusia yang memiliki pola sidik jari yang sama persis. Hal ini lah yang menyebabkan sidik jari digunakan sebagai identitas seseorang. Pada tugas akhir ini, dibangun suatu sistem identifikasi sidik jari dengan menggunakan Probabilistic Neural Network(PNN) yang merupakan suatu metode pengklasifikasian pola dengan penggabungan antara statistic dan Jaringan Saraf Tiruan. Seperti pada Jaringan Saraf Tiruan lainnya, PNN juga memerlukan proses training dalam melakukan pengenalan pola. Keputusan pada PNN diambil dengan menggunakan keputusan Bayes berdasarkan kelas yang memiliki jumlah tertinggi. Selain itu, digunakan pula metode Fast Fourier Transform (FFT) pada tahap preprocessing. Perbaikan kualitas citra dengan menggunakan FFT, dapat menyimpan nilai atau informasi penting yang terkandung dalam citra tersebut. Sehingga, perpaduan antara PNN dan FFT, dinilai dapat memberikan tingkat akurasi yang baik dalam proses identifikasi sidik jari
Kata Kunci : Probabilistic Neural Network, Bayes, Fast Fourier Transform, high-pass filter, sidik
jari
jari
Download File PDF :
BAB 1, 2, 3, 4 dan 5 (.word) (hubungi admin)
Download Source Code Program :
Download Filesource sidikjari-pnn.rar
Screnshot Program :
BAB 1, 2, 3, 4 dan 5 (.word) (hubungi admin)
Download Source Code Program :
Download Filesource sidikjari-pnn.rar
Screnshot Program :
Langganan:
Postingan (Atom)