Articles
<![CDATA[ PERBAIKAN KUALITAS CITRA HASIL DENGAN METODE PENINGKATAN RATAâRATA DAN SIMPANGAN BAKU CITRA ]]>
<![CDATA[Setiawan, Fahmi]]>;
<![CDATA[Melita, Yuliana]]>
<![CDATA[ Jurnal Ilmiah Teknologi Informasi Asia Vol 7 No 2 (2013): Volume 7 Nomor 2 (8) ]]>
Publisher : <![CDATA[LP3M STMIK Asia Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Proses perbaikan kualitas citra sering kali meninggalkan kekurangan pada citra hasil. Kekurangan ini berupa kehilangan kontras lokal dan detil pada beberapa bagian citra. Kekurangan-kekurangan ini bisa mengakibatkan beberapa informasi penting pada citra menjadi tidak terbaca.
Kekurangan yang timbul akibat proses perbaikan citra dapat diminimalisir dengan mengambil kembali informasi yang ada pada citra asal. Pengambilan informasi ini dapat dilakukan dengan menggabungkan citra asal dengan citra hasil perbaikan. Namun sebelum dilakukan penggabungan citra, terlebih dahulu dilakukan peningkatan nilai rata-rata dan nilai rata-rata simpangan baku dari citra hasil perbaikan agar hasil dari penggabungan citra tersebut dapat maksimal.
Dari pengujian terhadap 500 (lima ratus) citra yang terdiri dari citra yang mempunyai kekurangan pada tingkat kecerahan, kekurangan pada tingkat kekontrasan, dan citra yang mempunyai kekurangan pada tingkat kecerahan dan kekontrasan, terdapat 74 (tujuh puluh empat) citra yang tidak dapat diperbaiki secara maksimal dengan menggunakan metode yang diusulkan. Sedangkan untuk citra uji coba lainnya, metode yang diusulkan mampu memperbaiki kekurangan citra. Ini artinya tingkat keberhasilan dari metode yang diusulkan mencapai 85 %.]]>
<![CDATA[Komparasi Algoritma Linier Congruential Generator Dan Blum Blum Shub Pada Implementasi Fragile Watermarking Untuk Verivikasi Citra Digital ]]>
<![CDATA[Aprilianto, Tria]]>;
<![CDATA[Melita, Yuliana]]>
<![CDATA[ Jurnal Ilmiah Teknologi Informasi Asia Vol 7 No 1 (2013): Volume 7 Nomor 1 (8) ]]>
Publisher : <![CDATA[LP2M STMIK Asia Malang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Fragile watermarking merupakan salah satu aplikasi steganografi yang dapat menjadi solusi kebutuhan verifikasi citra digital. Metode yang digunakan untuk teknik watermarking ini adalah metode Least Significant Bit (LSB). Metode LSB ini mengganti bit-bit yang tergolong bit LSB pada setiap byte pada suatu piksel citra dengan bit-bit watermark yang akan disisipkan. Untuk memperkuat teknik penyembunyian data, bit-bit watermark tidak digunakan mengganti bit-bit dari piksel awal sampai piksel terakhir secara berurutan, namun dipilih susunan piksel secara acak.. Hal ini dapat dilakukan dengan memanfaatkan algoritma Linear Congruential Generator (LCG) dan Blum Blum Shub (BBS) sebagai pembangkit bilangan acak semu (Pseudo Random Number Generator / PRNG). Bilangan acak yang dihasilkan akan digunakan sebagai posisipiksel sebagai tempat penyisipan watermark. Penelitian ini dilakukan dengan membuat aplikasi fragile watermarking dan kemudian membandingkan histogram, nilai Mean Squared Error (MSE) dan Peak Signal to Noise Ratio (PSNR) dari setiap hasil penyisipan watermark (embedding) yang dilakukan. Aplikasi dibuat dengan menggunakan bahasa pemrograman Visual Basic 6.0.]]>
<![CDATA[Pengenalan Pose Tangan Menggunakan Leap Motion Untuk Generator Ucapan Fonem Bahasa Jawa ]]>
<![CDATA[Eva Kurniawaty]]>;
<![CDATA[Lukman Zaman]]>;
<![CDATA[Yuliana Melita Pranoto]]>;
<![CDATA[Muhamad Nasir]]>
<![CDATA[ INOVTEK - Seri Elektro Vol 2, No 2 (2020): INOVTEK Seri Elektro ]]>
Publisher : <![CDATA[Politeknik Negeri Bengkalis ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35314/ise.v2i2.1430
<![CDATA[Bahasa sebagai alat komunikasi antar manusia dalam masyarakat terbentuk dari fonem-fonem yang berupa bunyi-bunyi. Setiap bahasa mempunyai sistem fonem dan sistem bunyi yang berbeda. Dalam kegiatan sehari-hari masyarakat jawa banyak sekali menggunakan kata-kata yang mirip dalam komunikasi mereka, baik kata tersebut mempunyai arti atau makna yang berbeda ataupun tidak. Perkembangan teknologi saat ini yang semakin pesat, membuat beberapa peneliti menggunakan Leap Motion sebagai perangkat penerjemah. Pada penelitian ini, diusulkan sebuah sistem pengenalan pose tangan dengan menggunakan leap motion controller untuk generator ucapan fonem bahasa jawa. Dengan menggunakan leap motion controller, setiap titik koordinat tulang pada tangan akan terdeteksi, sehingga titik-titik koordinat tersebut dapat dijadikan sebagai fitur masukan. Penggunaan fitur jarak antara palm position dengan distal phalanges yang diukur dengan menggunakan euclidean distance. Fitur tersebut akan digunakan untuk data training dan data testing pada metode klasifikasi k-nearest neighbor. Data training yang digunakan adalah minimal 100 kelas diambil dari 20 aksara jawa dan 5 fonem vokal. Penelitian ini berhasil dengan tingkat rata- rata akurasi sebesar 97% pada fonem aksara jawa.]]>
<![CDATA[Implementasi Content Aware Pada Pembuatan Thumbnail Menggunakan Metode Seam Carving and Salient Detection ]]>
<![CDATA[Ervina Yuniati Rokhmah]]>;
<![CDATA[Lukman Zaman]]>;
<![CDATA[Yuliana Melita Pranoto]]>
<![CDATA[ INOVTEK - Seri Elektro Vol 2, No 2 (2020): INOVTEK Seri Elektro ]]>
Publisher : <![CDATA[Politeknik Negeri Bengkalis ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35314/ise.v2i2.1440
<![CDATA[Image resizing merupakan suatu proses pengelolahan citra yang bertujuan mengubah ukuran gambar ke ukuran yang diinginkan oleh pengguna. Metode yang paling sering digunakan untuk mengubah ukuran gambar pada pembuatan thumbnail adalah scaling dan cropping. Scaling merupakan pengubahan ukuran citra berdasarkan skala tanpa mempertimbangkan proporsi panjang dan lebarnya. dan juga tidak mempertimbangkan isi dari citra. Cropping terbatas karena hanya menghilangkan pixel pada citra dalam batasan area tertentu saja. Akibatnya, dalam thumbnail yang dihasilkan tidak dapat menyampaikan informasi yang penting pada gambar. Seam carving merupakan salah satu metode untuk mengubah ukuran gambar dengan menghapus atau menambahkan ukiran (carve) piksel-piksel dari bagian-bagian gambar yang berbeda sesuai konten (content-aware). Seam carving menawarkan kelebihan dibanding scaling dan cropping.. Namun, metode seam carving masih gagal untuk melindungi objek penting pada gambar. Untuk itu dalam mengatasi kelemahan tersebut, dalam penelitian ini akan dilakukan implementasi Seam carving dan metode salient detection yang digunakan untuk pembuatan thumbnail. Hasil salient detection mendeteksi daerah terpenting dari gambar dan sebagai acuan dalam mengubah ukuran gambar (seam carving).]]>
<![CDATA[APPLYING THE CLASSIFICATION ALGORITHM FOR THE SYSTEM RECOMMENDATIONS BUY SELL IN FOREX TRADING ]]>
<![CDATA[iswanto]]>;
<![CDATA[Yuliana Melita Pranoto]]>;
<![CDATA[Reddy Alexandro Harianto]]>
<![CDATA[ JURNAL FASILKOM (teknologi inFormASi dan ILmu KOMputer) Vol 10 No 2 (2020): Jurnal Fasilkom ]]>
Publisher : <![CDATA[Fakultas Ilmu Komputer, Unversitas Muhammadiyah Riau ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1152.596 KB)
|
DOI: 10.37859/jf.v10i2.2076
<![CDATA[Abstract- Having a sophisticated application, even though often experience problems in deciding BUY - SELL in trading forex trading. This is due to the often time series predictions, in the high variable experiencing high values as well as low variables, for that it is needed a recommendation system to overcome this problem. The application of classification algorithms to the recommendation system in support of BUY-SELL decisions is one appropriate alternative to overcome this. K-Nearest Neighbor (K-NN) algorithm was chosen because the K-NN method is an algorithm that can be used in building a recommendation system that can classify data based on the closest distance. This system is designed to assist traders in making BUY-SELL decisions, based on predictive data. The results of the recommendation system from the ten trials predicted by Arima are recommended. When compared to the price in the field the target profit is 7% per week from ten experiments if the average profit has exceeded the target]]>
<![CDATA[Komparasi Segmentasi Penyakit Darah Pada Citra Darah Dengan Metode Fuzzy C-Means Dan Selft Organizing Maps ]]>
<![CDATA[Sunu Jatmika]]>;
<![CDATA[Yuliana Melita]]>
<![CDATA[ Jurnal Ilmiah Teknologi Informasi Asia Vol 7 No 1 (2013): Volume 7 Nomor 1 (8) ]]>
Publisher : <![CDATA[LP2M INSTITUT TEKNOLOGI DAN BISNIS ASIA MALANG ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Segmentasi citra darah merupakan suatu proses untuk membagi atau mengcluster citra darah menjadi beberapa region yang mempunyai tingkat kesamaan pixel yang cukup tinggi. Metode clustering yang digunakan adalah metode Fuzzy C-Means (FCM) dan Self Organizing Maps (SOM). Sebelum dilakukan metode FCM dan SOM, citra masukan yang berupa citra berwarna, dijadikan citra grayscale terlebih dahulu untuk menyederhanakan layer pixel dan mempermudah perhitungan. Selanjutnya citra diolah berdasarka algoritma Fuzzy C-Means dan algoritma Self Organizing Maps. Berdasarkan uji coba yang penulis lakukan, clustering dengan mengunakan Fuzzy C-Means lebih baik jika dibandingkan dengan Self Organizing Mapp. Bila pada pengenalan penyakit pada Fuzzy C-Means hasilnya adalah 98,68% maka hasil pada Self Organizing Maps adalah 79,33%. Gambar yang dihasilkan pada Fuzzy C-Means lebih mirip dengan citra inputan sedangkan Self Organizing Maps jauh dari citra inputan.]]>
<![CDATA[Pengolahan Citra Digital Untuk Pengenalan Retina Dengan Jaringan Saraf tiruan Hopfield Diskrit ]]>
<![CDATA[Broto Poernomo]]>;
<![CDATA[Yuliana Melita]]>
<![CDATA[ Jurnal Ilmiah Teknologi Informasi Asia Vol 7 No 1 (2013): Volume 7 Nomor 1 (8) ]]>
Publisher : <![CDATA[LP2M INSTITUT TEKNOLOGI DAN BISNIS ASIA MALANG ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Penelitian ini berisi tentang implementasi pengolahan citra digital dan jaringan saraf tiruan hopfield diskrit pada sistem identifikasi citra retina. Serta menggunakan perhitungan hamming distance untuk mencari nilai kesalahan identifikasi citra retina tersebut. Tahap perancangan sistemnya dari proses resize, grayscale, deteksi tepi dengan sobel, binerisasi citra, jaringan saraf tiruan hopfield, dan hamming distance. Dengan sistem identifikasi ini nanti akan menghasilkan nilai hamming distance dan prosentase kemiripan dari identifikasi antara retina yang di uji dengan data latih yang ada di database. Dari hasil pengujian 7 data citra retina milik orang yang sama namun dengan citra yang sedikit berbeda dengan dipengaruhi posisi, translasi dan noise sistem ini mampu mengenali dengan keberhasilan 42,86 %. Hal ini terjadi karena sistem ini tidak melakukan proses transform terhadap citra yang akan di identifikasi]]>
<![CDATA[PENGENALAN KARAKTERISTIK MANUSIA MELALUI POLA GARIS TELAPAK TANGAN MENGGUNAKAN METODE PROBABILISTIC NEURAL NETWORK ]]>
<![CDATA[Endro Andriyanto]]>;
<![CDATA[Yuliana Melita]]>
<![CDATA[ Jurnal Ilmiah Teknologi Informasi Asia Vol 7 No 2 (2013): Volume 7 Nomor 2 (8) ]]>
Publisher : <![CDATA[LP2M INSTITUT TEKNOLOGI DAN BISNIS ASIA MALANG ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Melakukan diagnosa melalui pola garis telapak tangan manusia (palmistry) akan dapat dilakukan dengan mudah apabila dibantu dengan peralatan komputer dengan perangkat lunak yang dirancang khusus untuk melakukan tugas tersebut. Input yang diperlukan berupa gambar telapak tangan objek dengan format BMP dengan ukuran dan resolusi tertentu. Kemudian system akan melakukan pencocokkan pola garis tangan dari inputan dengan data terdapat pada database. Output dari system adalah berupa class terdekat atau class yang sesuai dari garis tangan pengguna ingin dikenali hasil dari analisa pola garis tangan pengguna dengan pola garis tangan yang ada di database berupa karakter dari pemilik pola garis tangan tersebut.]]>
<![CDATA[Klasifikasi Jenis Kayu Dengan Gray-Level Co-Occurrence Matrices (GLCMs) dan K- Nearest Neighbor ]]>
<![CDATA[Jaenal Arifin]]>;
<![CDATA[Yuliana Melita]]>
<![CDATA[ Jurnal Ilmiah Teknologi Informasi Asia Vol 7 No 1 (2013): Volume 7 Nomor 1 (8) ]]>
Publisher : <![CDATA[LP2M INSTITUT TEKNOLOGI DAN BISNIS ASIA MALANG ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Kayu sebagai hasil hutan sekaligus sumber kekayaan alam merupakan bahan dasar yang dimanfaatkan perusahaan manufaktur untuk pembuatan barang rumah tangga seperti: bufet, almari, kursi, meja dan masih banyak lagi kegunaan kayu untuk kebutuhan manusia. Banyaknya jenis kayu yang mempunyai tekstur hampir sama dapat menyulitkan perusahaan untuk mengelompokan kayu berdasar jenisnya. Sebagai alternatif sistem untuk pengelompokan (clasification) jenis kayu dapat dilakukan dengan memanfaatkan kamera digital yang selanjutnya akan diproses secara otomatis oleh sistem, dari sinilah jenis kayu dikenali. Dengan adanya teknologi pengolahan citra, maka data yang berupa gambar dapat diambil informasinya dan dikenali. Citra tersebut diambil nilai cirinya dengan metode Gray-Level Co-Occurrence Matrices, ciri-ciri yang diperoleh dari kontras, korelasi, homogenitas dan ASM. Hasil dari proses tersebut akan diklasifikasikan dengan algoritma K-Nearest Neightbor yang dicari jaraknya dari data latih, dengan tujuan mengambil keputusan untuk mengenali jenis kayu. Dalam sistem yang dibuat menghasilkan nilai error terkecil pada inputan k=1 yaitu 7%, disebabkan karena citra terdekat dengan citra uji tersebut adalah citra uji itu sendiri yang telah ada pada database sehingga memiliki jarak terdekat dan error terbesar pada k=7 yaitu 27% disebabkan karena pencarian dalam database semakin besar dengan jenis kayu lebih kecil sama dengan nilai k=7.]]>
<![CDATA[SEGMENTASI IRIS MATA DENGAN MENGGUNAKAN TRANSFORMASI HOUGH ]]>
<![CDATA[Yanuangga G.H.L]]>;
<![CDATA[Yuliana Melita]]>
<![CDATA[ Jurnal Ilmiah Teknologi Informasi Asia Vol 7 No 2 (2013): Volume 7 Nomor 2 (8) ]]>
Publisher : <![CDATA[LP2M INSTITUT TEKNOLOGI DAN BISNIS ASIA MALANG ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Segmentasi iris mata menjadi topik hangat dalam bidang pengenalan iris mata, karena hasil yang kurang bagus dari langkah ini akan merusak atau menurunkan efektifitas sistem pengenalan iris. Oleh karena itu, diperlukan perhatian yang harus dilakukan dalam proses segmentasi jika menginginkan hasil yang akurat, hal ini bergantung pada akurasi dari deteksi pusat pupil mata. Dalam penelitian ini kami mengusulkan metode baru untuk mengenali pusat dari pupil mata yang mana berpusat dengan citra iris mata dengan memanfaatkan operasi 8-tetangga. Parameter ini kemudian digunakan untuk lingkar transformasi hough untuk meningkatkan kecepatan proses segmentasi iris dan keakuratan. Untuk mengabaikan citra kelopak mata dan bulu mata menerapkan operasi deteksi tepi canny. Percobaan ini dilakukan dengan menggunakan 320 citra iris dari dataset standar CASIA, dan hasilnya menunjukkan bahwa metode usulan kami memiliki tingkat akurasi tinggi.]]>
