Analisis Fitur Warna dan Tekstur untuk Metode Deteksi Jalan

Prahara, Adhi; Azhari, Ahmad

doi:10.26555/jiteki.v2i2.5506

Cited by 3 publications

(5 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Salah satu penelitian telah membuktikan bahwa Gray Level Co-Occourrence Matrix (GLCM) merupakan metode yang menguntungkan untuk melakukan analisis tekstur citra, namun parameter dalam menghitung GLCM suatu citra dapat dipilih dari jarak yang luas, yang menghasilkan komputasi dalam jumlah besar [3]. GLCM menghasilkan faktor-faktor diskriminan yang lebih baik pada proses ekstraksi tekstur citra jika dibandingkan dengan metode spectral dan struktural [4], akan tetapi GLCM yang beroperasi dalam domain grayscale memiliki kekurangan yaitu mengabaikan komponen warna yang terkandung dalam suatu citra [5]. Sehingga beberapa penelitian yang lain menggabungkan ekstraksi tekstur (GLCM) dan warna sehingga menghasilkan hasil pencarian yang lebih akurat [6], [7].…”

Section: Pendahuluanunclassified

Ekstraksi Fitur Tekstur dan Warna pada Kulit Katak Menggunakan GLCM dan Momen Warna

Kurniasari

Erwanto

Rahayu

2022

eltikom

View full text Add to dashboard Cite

Anura is an order in the Amphibian class consisting of frogs and toads. Anura is very important in the ecosystem, especially its role as part of the food chain. Anura's main role is to maintain the balance of the ecosystem and as a bioindicator agent for changing environmental conditions such as water pollution, habitat destruction, disease and parasites, and climate change. This research applies digital image processing technology which is expected to assist in detecting types of frogs based on color and texture. This research uses 5 types of frogs, namely kongkang gading, kongkang poison, striped trees, small trees and flying trees with 20 images of each type of frog. This research uses the color feature extraction methods such Color Moment and texture extraction GLCM (Gray Level Co-occurance Matrix), then classified using K-Star. The results of the K-Star performance evaluation to classify the 5 types of frogs obtained the Accuracy (Acc) value of 0.93, Precision (Prec) of 0.94, Recall (Rec) of 0.93 and F-measure of 0.93. So that the classification results of frog species on texture and color feature extraction using the GLCM method and the Color Moment with the K-Star classification method have high performance and can work well.

show abstract

Section: Pendahuluanunclassified

Ekstraksi Fitur Tekstur dan Warna pada Kulit Katak Menggunakan GLCM dan Momen Warna

Kurniasari

Erwanto

Rahayu

2022

eltikom

View full text Add to dashboard Cite

show abstract

“…Penelitian ini menerapkan metode GLCM dan JST untuk mengklasifikasikan kecacatan pada hasil pengelasan GLCM sangat menguntungkan dalam melakukan Analisa tekstur dari citra digital [5] tetapi memiliki kekurangan yaitu mengabaikan komponen warna yang terdapat dalam suatu citra [6]. Parameter GLCM yang digunakan adalah 4 parameter yaitu homogeneity, contrast, energy dan correlation.…”

Section: Pendahuluanunclassified

Weld Defect Classifier Using GLCM Extraction and ANN

Maulana

Yuliana²,

Kusumastutie³

2022

JTECS

View full text Add to dashboard Cite

Saat ini teknologi di bidang kontruksi berkembang sangat pesat dan semakin maju, hal itu tidak bisa dipisahkan dari pengelasan karena mempunyai peranan penting dalam rekayasa logam. Dalam kehidupan sehari-hari rekayasa logam bisa kita rasakan manfaatnya seperti kontruksi bangunan, alat tranportasi, hiasan, serta banyak lagi lainnya. Pada penelitian ini dilakukan pengklasifikasian jenis cacat las dengan cara merancang sistem klasifikasi mengunakan metode ekstraksi GLCM dan JST dengan jumlah sample citra 400 yang disusun di dataset. Alur pada system klasifikasi ini pra proses dan pada saat proses. Pada tahap pra proses dilakukan gray scaling untuk mengetahui citra keabuan pada citra. Selajutnya yaitu processing nilai yang didapat dari citra keabuan diekstraksi menggunakan GLCM dengan mencari nilai dari 4 fitur (kontras, homogenitas, energi, korelasi). Proses klasifikasi dilakukan dengan menggunakan nilai 4 fitur yang dijadikan input-an yang nantinya output-nya berupa 4 jenis cacat las yang sudah ditargetkan menggunakan hiden layer 20 30 4 yang menghasilkan tingkat akurasi pada sistem 99,375% dari 320 sampel dan dari data uji mendapatkan 87,5% dari 80 sampel.

show abstract

“…Reference [5] analyzes color features on 50 road samples from three color spaces using RGB (Red-Green-Blue), HSV (Hue-Saturation-Value), and CIE L * a * b * (Commission International de l'Clairage) and perform feature extraction using GLCM (Gray Level Co-occurrence Matrix). The test results of the road detection method from 150 road test images using the feature limitation of the analysis showed 90.54% accuracy.…”

Section: Literature Reviewmentioning

confidence: 99%

“…If an image is given in RGB color format, then the H component of each RGB pixel is obtained using (4), (5) and (6).…”

Section: Convert Rgb Model To Hismentioning

confidence: 99%

See 1 more Smart Citation

Determining Feasibility Level of Beef Quality Based on Histogram and K-Means Clustering

Winiarti

Azhari

Agusta

2018

2018 International Symposium on Advanced Intelligent Informatics (SAIN)

Self Cite

View full text Add to dashboard Cite

Beef is one of the staple foods that are consumed by many people. The rise of beef with poor quality on the market and the lack of knowledge of consumers and the public in distinguishing the quality of meat that is decent and not suitable for consumption when seen in plain view. The Department of Agriculture and Food of the City of Yogyakarta, especially Animal Slaughterhouse (RPH), Giwangan Yogyakarta in determining the quality of beef, still uses laboratory tests which take a long time. This study proposes a system to identify the image of beef that is suitable for consumption based on the color features generated from the image histogram with Hue, Saturation, and Intensity (HSI) color models and the K-Means Clustering method. The results of identification carried out on 40 test data obtained maximum and minimum values of HSI from each feasibility category.

show abstract

Analisis Fitur Warna dan Tekstur untuk Metode Deteksi Jalan

Cited by 3 publications

References 7 publications

Ekstraksi Fitur Tekstur dan Warna pada Kulit Katak Menggunakan GLCM dan Momen Warna

Ekstraksi Fitur Tekstur dan Warna pada Kulit Katak Menggunakan GLCM dan Momen Warna

Weld Defect Classifier Using GLCM Extraction and ANN

Determining Feasibility Level of Beef Quality Based on Histogram and K-Means Clustering

Contact Info

Product

Resources

About