Klasifikasi pada jenis objek sudah banyak dilakukan pada beberapa jenis data citra. Klasifikasi jenis hewan telah dilakukan menggunakan pendekatan segmentasi dan tanpa segmentasi sebagai tahapan awal. Context Aware Saliency (CAS) merupakan metode yang mampu membuat wilayah objek menjadi lebih dominan dibandingkan dengan background dalam mode saliency sehingga dapat menjadi alternatif pengganti proses segmentasi objek. Fitur bentuk diambil berdasarkan citra hasil saliency menggunakan metode Histogram of Oriented Gradient (HOG). Metode K-Nearest Neighbors (K-NN) digunakan untuk klasifikasi jenis hewan mamalia berdasarkan fitur HOG dari citra saliency. Dataset yang digunakan pada penelitian ini adalah LHI-Animal-Faces. Hasil yang didapatkan menunjukkan bahwa jenis hewan yang dapat dikenali dengan baik, yaitu Kucing dan Harimau, sedangkan Domba, Anjing, dan Babi belum mampu dikenali dengan baik.

Sign Language use to communicate to people with dissabilities. American Sign Language (ASL) one of popular sign language. Histogram of Oriented Gradient (HOG) can be use as feature extraction. Then feature stored in database. K-Nearest Neighbor use to measure distance between feature train and feature test. There are three distance use in this paper consist of Euclidean Distance, Manhattan Distance and Chebychev Distance. The best result are 0,99 when using Euclidean Distance and Manhattan Distance with k=3 dan k=5

No abstract

Identifikasi potensi glaukoma dan retinopati diabetes dapat dilakukan melalui citra fundus. Jaringan syaraf tiruan dapat digunakan untuk mengidentifikasi potensi glaukoma dan diabetes retinopati. Dataset yang digunakan berjumlah 60 citra fundus yang terdiri dari 20 citra fundus terjangkit glaukoma, 20 citra fundus terjangkit diabetes retinopati dan 20 citra fundus mata normal. Hasil penelitian menghasilkan rata-rata untuk recall sebesar 86,6%, precission sebesar 86,6%, dan untuk accuracy sebesar 91,06%.

Pneumonia is a type of lung disease caused by bacteria, viruses, fungi, or parasites. One way to find out pneumonia is by x-ray. X-rays will be analyzed to determine whether there is pneumonia or not. This study aims to classify the x-ray results whether there is pneumonia or not on the x-ray results. The classification method used in this study were Support Vector Machine (SVM) and Gray Level Co-Occurrence (GLCM) for the extraction method. There are several stages before classification, namely cropping, resizing, contrast stretching, and thresholding then extracted using GLCM and classified using SVM. The results showed that the best accuracy of 62.66%.

Mammal type can be classified based on the face. Every mammal’s face has a different shape. Histogram of Oriented Gradient (HOG) used to get shape feature from mammal’s face. Before this step, Global Contrast Saliency used to make images focused on an object. This process conducts to get better shape features. Then, classification using k-Nearest Neighbor (k-NN). Euclidean and cityblock distance with k=3,5,7 and 9 used in this study. The result shows cityblock distance with k=9 better than Euclidean distance for each k. Tiger is superior to others for all distances. Sheep is bad classified.

Pneumonia adalah salah satu jenis penyakit paru-paru yang disebabkan oleh bakteri, virus, jamur, ataupun parasit. Salah satu cara untuk mengetahui penyakit pneumonia adalah dengan rontgen atau x-ray. Hasil rontgen akan dianalisis untuk mengetahui apakah terdapat pneumonia atau tidak. Penelitian ini bertujuan untuk mengklasifikasi hasil rontgen apakah terdapat pneumonia atau tidak pada hasil rontgen. metode yang digunakan untuk klasifikasi adalah K-Nearest Neighbor (KNN) dan metode ekstraksi Gabor Filter serta Wiener Filter. Tahapan yang dilaukan pada citra sebelum di Klasifikasi yaitu Resize, selanjutnya dilakukan ekstraksi menggunakan Gabor Filter, Image Enhancement menggunakan Wiener Filter dan di klasifikasi menggunakan K-Nearest Neighbor (KNN) menghasilkan akurasi terbaik sebesar 79,62%.

American Sign Language (ASL) merupakan bahasa isyarat yang digunakan untuk berkomunikasi bagi penderita tuna rungu. Metode yang digunakan untuk mengenali ASL yaitu Convolutional Neural Network (CNN). Arsitektur yang digunakan LeNet dan AlexNet. Hasil dari masing-masing arsitektur kemudian dibandingkan kinerjanya. Penelitian dilakukan dengan 2 skema jumlah data yang digunakan, yaitu skema pertama 100 data per huruf dan skema kedua 1.000 data per huruf untuk menguji kinerja dari kedua arsitektur. Hasil penelitian setelah diuji dengan data baru, yaitu skema pertama untuk arsitektur LeNet menghasilkan akurasi keseluruhan 48,332% dan arsitektur AlexNet menghasilkan akurasi keseluruhan 32,584%. Skema kedua untuk arsitektur LeNet menghasilkan akurasi keseluruhan 92,468% dan arsitektur AlexNet menghasilkan akurasi keseluruhan 91,618%. Secara keseluruhan perbandingan dapat dikatakan bahwa arsitektur LeNet adalah arsitektur terbaik dalam penelitian ini.