Klasifikasi Citra Batik Menggunakan Metode Ekstraksi Ciri Yang Invariant Terhadap Rotasi

Kurniawardhani, Arrie; Suciati, Nanik; Arieshanti, Isye

doi:10.12962/j24068535.v12i2.a322

Cited by 19 publications

(16 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…is the center pixel intensity value, , is the pixel intensity value of the p-neighbor (p = 0.1, ..., P-1) with radius R. While s (x) is the thresholding function [13]. The first LBP concept was introduced by Ojala [6] explaining that LBP is a great way to describe textures.…”

Section: Local Binary Patternmentioning

confidence: 99%

Local Binary Pattern Method and Feature Shape Extraction for Detecting Butterfly Image

Kartika¹

2018

GEOMATE

View full text Add to dashboard Cite

ABSTRACT:Research in the field of information retrieval especially on image processing is proliferating. Various methods are developed to be able to detect images optimally and produce better accuracy. The process of image detection can use the dataset that exists around us. In this research, we use butterflies dataset, since the butterfly has unique colors, patterns, and diverse shapes. Therefore, we use local binary pattern method for texture feature extraction and region props for shape feature extraction. The results of each texture feature extraction and shape feature extraction will be a merging process. The results of the merging process get an accuracy of 66%. In addition, the system testing process with confusion matrix will produce 67.1% precision value, 66% recall and f-measure of 66.5%. The merging process of both methods shows the interplay of texture and shape extraction.

show abstract

Section: Local Binary Patternmentioning

confidence: 99%

Local Binary Pattern Method and Feature Shape Extraction for Detecting Butterfly Image

Kartika¹

2018

GEOMATE

View full text Add to dashboard Cite

show abstract

“…Struktur PNN untuk data latih, terdiri dari 4 lapisan, yaitu input, lapisan pola lapisan penjumlahan dan lapisan hasil prediksi (output) [15], [16], [17]. Selanjutnya akan diperoleh model klasifikasi dari hasil pelatihan data.Data Citra yang dilatih berbentuk vektor dengan ukuran 60000x112, vektor ini diperoleh dari proses reshape yaitu merubah matriks data citra kedalam bentuk vektor.…”

Section: E Probabilistic Neural Network (Pnn)unclassified

Klasifikasi-PNN pada Citra Ikan Air Tawar dengan Sobel Edge Detection

Eosina

Laxmi

Fatimah

2018

KREATIF

View full text Add to dashboard Cite

<h1 align="center">Abstrak</h1>Metode Sobel adalah salah satu teknik dalam edge detection (deteksi tepi) untuk mengekstraksi tepi dari citra ikan air tawar. Deteksi tepi adalah proses identifikasi keberadaan dan letak tepinya dengan diskontinuitas gambar yang tajam. Menggunakan data citra ikan sebanyak 200 gambar dari 10 jenis ikan air tawar, dilakukan pencarian model klasifikasi PNN sebagai model untuk identifikasi data ekstraksi citra ikan air tawar menggunakan metode Sobel.Ciri atau karakteristik yang digunakan dalam mengekstrak data ikan dalam penelitian ini adalah ciri bentuk, yang dapat dikenali melalui titik-titik yang membentuk tepi-tepi objek ikan. Kinerja algoritma Sobel dapat dinilai dari hasil tampilan data vektor yang menjadi ciri bentuk ikan, dimana estimasi nilai-nilai pixel dilakukan menggunakan operator konvolusi Sobel (convolution masks). Telah ditunjukkan bahwa algoritma ini bekerja dengan baik. Data hasil ekstraksi ini, untuk selanjutnya digunakan dalam mencari model klasifikasi PNN (Probabilistic Neural Network) untuk identifikasi ikan air tawar. Hasil perhitungan nilai akurasi dari model yang terbentuk, yaitu kurang dari 25%, menunjukkan model identifikasi yang diinginkan belum tercapai. Hasil ini dapat digunakan sebagai pembanding untuk membangun model identifikasi menggunakan metode klasifikasi yang lain pada penelitian selanjutnya.AbstractThe Sobel method is one of the edge detection techniques to extract the edges of freshwater fish images. The Edge detection is the process of identifying the existence and position of the edge with a sharp discontinuity of images. Using 200 images of fish from 10 types of freshwater fish, the Probabilistic Neural Network (PNN) classification was performed on freshwater fish image extraction, to obtain the model of identification. In this study, the Sobel method is used to extract images of the shape characteristics. The performance of the Sobel algorithm can be judged by the results of the vector data display which characterizes the shape of the fish, where the estimation of pixel values is performed using the convolution masks operator. It has been shown that this algorithm works well. The accuracy result of the obtain model, ie less than 25%, indicates the desired model of identification has not been achieved. This result can be used as a benchmark to construct an identification model using other classification methods in subsequent research.

show abstract

“…LBP adalah metode analisis tekstur yang menggunakan model statistika dan struktur [7]. LBP pertama kali diperkenalkan oleh Timo Ojala.…”

Section: Metode Local Binary Patternsunclassified

Implementasi Metode Local Binary Patterns Untuk Pengenalan Pola Huruf Hiragana Dan Katakana Pada Smartphone

Amat

Sari

Ningrum

2017

JUTI

View full text Add to dashboard Cite

show abstract

Klasifikasi Citra Batik Menggunakan Metode Ekstraksi Ciri Yang Invariant Terhadap Rotasi

Cited by 19 publications

References 7 publications

Local Binary Pattern Method and Feature Shape Extraction for Detecting Butterfly Image

Local Binary Pattern Method and Feature Shape Extraction for Detecting Butterfly Image

Klasifikasi-PNN pada Citra Ikan Air Tawar dengan Sobel Edge Detection

Implementasi Metode Local Binary Patterns Untuk Pengenalan Pola Huruf Hiragana Dan Katakana Pada Smartphone

Contact Info

Product

Resources

About