Penggunaan Global Contrast Saliency dan Histogram of Oriented Gradient Sebagai Fitur untuk Klasifikasi Jenis Hewan Mamalia

Yohannes, Yohannes; Rivan, Muhammad Ezar Al

doi:10.33322/petir.v13i1.908

Cited by 5 publications

(6 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…HOG juga memiliki tingkat akurasi yang baik untuk mengenali warna serta bentuk dengan akurasi lebih besar dari 90% pada klasifikasi wajah hewan berdasarkan tampak depan [8]. Selain itu, HOG juga dapat digunakan dalam bentuk saliency dengan metode CAS dan mendapatkan hasil yang baik untuk klasifikasi [9], [10].…”

Section: Iunclassified

Penggunaan Fitur Hog Berbasis Superpixel Untuk Klasifikasi Jenis Jamur Dengan Metode SVM

Yohannes¹,

Rachmat²,

Saputra³

2021

Jusikom

Self Cite

View full text Add to dashboard Cite

Jamur memiliki banyak ragam dengan ciri yang mirip sehingga terdapat masalah dalam pengklasifikasian jenis dari jamur. Dataset citra jamur yang digunakan bernama Mushrooms classification – Common genus’s images yang berisi sembilan jenis jamur, yaitu Agaricus, Amanita, Boletus, Cortinarius, Entoloma, Hygrocybe, Lactarius, Russula, dan Suillus. Penggunaan fitur segmentasi dapat meningkatkan akurasi untuk masalah pengklasifikasian. Salah satu fitur segmentasi yang dapat digunakan adalah Superpixel (SLIC). Penelitian ini menggunakan dataset citra jamur yang di-resize. Metode SLIC digunakan untuk mensegmentasi citra jamur ke bentuk superpixel. Segmentasi citra ke superpixel ditujukan untuk mengkelompokkan piksel yang sejenis ke dalam region sehingga citra mudah diolah. HOG adalah fitur ekstraksi untuk mendeteksi objek. SVM sering digunakan sebagai metode klasifikasi karena mampu menghasilkan akurasi yang baik sehingga dapat mempelajari dan mengenali citra jamur. Penggunaan superpixel sebagai fitur segmentasi dengan jumlah region 1.200, kernel radial basis function (RBF), C bernilai sepuluh dan gamma scale memberikan hasil terbaik dengan akurasi sebesar 0,8329. Berdasarkan hasil pengujian yang didapat pada penelitian ini, superpixel dapat meningkatkan akurasi dari SVM pada dataset jamur dibandingkan dengan tanpa superpixel.

show abstract

Section: Iunclassified

Penggunaan Fitur Hog Berbasis Superpixel Untuk Klasifikasi Jenis Jamur Dengan Metode SVM

Yohannes¹,

Rachmat²,

Saputra³

2021

Jusikom

Self Cite

View full text Add to dashboard Cite

show abstract

“…Saliency dan HOG telah digunakan sebagai fitur pada klasifikasi wajah mamalia [12], [13], [14]. Fitur Saliency-HOG mampu mengklasifikasi wajah mamalia tampak depan sehingga fitur ini akan digunakan untuk klasifikasi jenis buah dan sayuran dimana algoritma yang dapat bekerja paling efisien adalah SVM, dan akan ditambahkan fitur warna Color Moments untuk membantu ekstraksi warna pada klasifikasi jenis buah dan sayuran ini.…”

Section: Pendahuluanunclassified

“…Pembentukan fitur HOG dimulai dengan menghitung nilai gradient image, orientasi binning, dan normalisasi blok pada tiap bin. Persamaan Selanjutnya nilai tiap orientasi sel histogram untuk bin j, Ci, dan w ditentukan menggunakan Persamaan (13), (14), dan (15) [21]. Mean, standard deviation, dan skewness pada color moments masing-masing dapat dihitung pada Persamaan (19), (20), dan (21).…”

Section: E Histogram Of Oriented Gradientunclassified

Klasifikasi Jenis Buah dan Sayuran Menggunakan SVM Dengan Fitur Saliency-HOG dan Color Moments

Yohannes¹,

Pribadi²,

Chandra³

2020

ELKHA

Self Cite

View full text Add to dashboard Cite

Fruit is part of a plant that comes from the flower or pistil of the plant and usually has seeds. Meanwhile, vegetables are leaves, legumes, or seeds that can be cooked. Fruits and vegetables have many variants that can be distinguished based on color, shape, and texture. The Saliency-HOG feature and Color moments were used in this study to extract shapes and colors features in fruit and vegetable images. In this study, the Support Vector Machine (SVM) method was used to classify the types of fruit and vegetables. The dataset used in this study is a public dataset consisting of 114 images of fruit and vegetables. Each type of fruit and vegetable contains 100 images consisting of 70 images as training data and 30 images as testing data. There are 4 saliency features used in the testing phase, namely Region Contrast (RC), Frequency-tuned (FT), Histogram Contrast (HC), and Spectral Residual (SR). Based on the test results, the Saliency-HOG and Color Moments features were able to provide good results with the best precision, recall, and accuracy being 98.57%, 98.55%, and 99.120%, respectively.

show abstract

“…Hasil yang didapat bervariasi, hasil tertinggi mencapai 100% pada pengenalan wajah hewan kucing. Tidak hanya itu, fitur HOG juga digunakan untuk citra berbasis saliency dan memberikan hasil yang baik dalam klasifikasi citra sesuai dengan karakteristiknya [5], [6], [7].…”

unclassified

“…Pendekatan lain yang dapat digunakan untuk mendapatkan fitur bentuk atau pola dari sebuah citra adalah HOG. HOG memiliki performa yang baik dalam beberapa variasi bentuk citra, seperti citra gambar bentuk hewan mamalia [4], [7], [10], [11], bentuk ikan laut [8], bentuk angka [3]. HOG dan SVM merupakan kombinasi ekstraksi fitur dan classifier yang memberikan hasil yang baik [8].…”

unclassified

Klasifikasi Motif Songket Palembang menggunakan Support Vector Machine berdasarkan Histogram of Oriented Gradients

Yohannes,

Al Rivan,

Devella

et al. 2023

j. teknologi terpadu

View full text Add to dashboard Cite

Songket Palembang merupakan salah satu warisan budaya takbenda dengan domain kemahiran dan kerajinan tradisional. Songket Palembang memiliki beberapa jenis motif antara lain Bunga Cina, Cantik Manis, dan Pulir. Upaya pelestarian dilakukan dengan memberikan pemahaman tentang motif songket palembang. Pada penelitian ini dilakukan pengklasifikasian motif songket Palembang berdasarkan fitur bentuk dengan menggunakan metode Histogram of Oriented Gradient (HOG). Berdasarkan hasil pengujian terhadap 45 citra data uji, bahwa metode HOG mampu menjadi fitur dalam klasifikasi citra motif Songket Palembang, yaitu motif Bunga Cina, Cantik Manis, dan Pulir. Metode Support Vector Machine (SVM) digunakan sebagai metode klasifikasi yang dapat mengenali motif Songket Palembang dengan kernel RBF, Linier dan Polinomial. Hasil pengujian menunjukkan bahwa kernel RBF menjadi kernel terbaik yang menghasilkan rata-rata nilai accuracy sebesar 88.1%, precision sebesar 84.1%, recall sebesar 82.2% dan f1-score sebesar 82.6% serta dari tiga motif songket Palembang yang diuji didapatkan hasil bahwa motif Songket Palembang yang paling mudah diklasifikasikan dengan baik adalah motif Cantik Manis untuk semua jenis kernel SVM.

show abstract

Penggunaan Global Contrast Saliency dan Histogram of Oriented Gradient Sebagai Fitur untuk Klasifikasi Jenis Hewan Mamalia

Cited by 5 publications

References 8 publications

Penggunaan Fitur Hog Berbasis Superpixel Untuk Klasifikasi Jenis Jamur Dengan Metode SVM

Penggunaan Fitur Hog Berbasis Superpixel Untuk Klasifikasi Jenis Jamur Dengan Metode SVM

Klasifikasi Jenis Buah dan Sayuran Menggunakan SVM Dengan Fitur Saliency-HOG dan Color Moments

Klasifikasi Motif Songket Palembang menggunakan Support Vector Machine berdasarkan Histogram of Oriented Gradients

Contact Info

Product

Resources

About