cover
Contact Name
Siti Mutrofin
Contact Email
sitimutrofin@ft.unipdu.ac.id
Phone
+6287852416880
Journal Mail Official
teknologi@ft.unipdu.ac.id
Editorial Address
Fakultas Sains dan Teknologi, Prodi Sistem Informasi, Unipdu Kompleks Ponpes Darul 'Ulum Peterongan, Jombang, Jawa timur, 61481
Location
Kab. jombang,
Jawa timur
INDONESIA
TEKNOLOGI: Jurnal Ilmiah Sistem Informasi
ISSN : 20878893     EISSN : 25273671     DOI : -
TEKNOLOGI: Jurnal Ilmiah Sistem Informasi published by the Department of Information Systems Unipdu Jombang. TEKNOLOGI published twice a year, in January and July, TEKNOLOGI includes research in the field of Information Technology Design and Development of Information Systems; Business intelligence; Functions and Organization Management Information Systems; and others. Editors invite lecturers researchers, reviewers, practitioners, industry, and observers to contribute to this journal. The language used in the form of Indonesian and English. TEKNOLOGI is the national scientific journals are open to seeking innovation, creativity and novelty. Either in the form of letters, research notes, Articles, supplemental Articles Articles or reviews in the field of information systems and information technology. TEKNOLOGI aims to achieve state-of-the-art in the theory and application of this field. TEKNOLOGI provide a platform for scientists and academics across Indonesia to promote, share, and discuss new issues and the development of information systems and information technology.
Articles 12 Documents
Search results for , issue "Vol 6, No 2 (2016): July" : 12 Documents clear
Pengelompokan usia berdasarkan citra wajah menggunakan algoritma neural network dengan fitur face anthropometry dan kedalam kerutan Hayatin, Nur
Teknologi: Jurnal Ilmiah Sistem Informasi Vol 6, No 2 (2016): July
Publisher : Universitas Pesantren Tinggi Darul 'Ulum (Unipdu) Jombang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (625.182 KB) | DOI: 10.26594/teknologi.v6i2.577

Abstract

ABSTRAKPengelompokan usia (age prediction) merupakan salah satu topik penelitian yang terkait dengan prediksi usia berdasarkan citra wajah. Permasalahan terkait dengan pengelompokan usia berdasarkan citra wajah adalah bagaimana memilih fitur wajah yang tepat, sehingga dapat mempengaruhi hasil akhir pengelompokan. Penelitian ini bertujuan untuk mengelompokan usia berdasarkan citra wajah dengan menggunakan fitur penting yaitu face anthropometry dan kerutan (wrinkle). Di mana fitur kerutan yang digunakan selain memperhitungkan lebar kerutan (wrinkle density) juga digunakan fitur kedalaman kerutan (the dept of wrinkle). Metode penelitian ini terdiri dari 4 tahapan yaitu: Praproses, identifikasi lokasi titik wajah, ekstraksi fitur dan klasifikasi. Lokasi titik wajah diidentifikasi berdasarkan bentuk simetri wajah dan perbedaan nilai intensitas piksel. Sedangkan kerutan didapatkan dari gabungan metode deteksi tepi menggunakan operator Sobel dan histogram equalization. Algoritma yang digunakan untuk proses klasifikasi adalah algoritma Neural Network (NN) yang akan mengelompokan data citra input menjadi 3 kelas yaitu anak, remaja dan tua. Hasil akhir pengujian menunjukkan bahwa metode yang diusulkan telah mampu mengelompokan usia berdasarkan citra wajah dengan cukup baik dengan hasil akurasi pengujian sebesar 65 % dengan epochs = 1000, dan error rate = 0.0095, sebanyak 100 kali iterasi.Kata kunci: Age prediction, face ratio, Neural Network, wrinkle. ABSTRACT   Age prediction  is one of the  research topics related to the prediction of age based on facial image. The problems associated with age groupings based on the image of the face is how to choose the right facial features, that will affect the final result grouping.  This study aims to categorize age based on facial image by using the important features, that is face anthropometry and wrinkles. Wherein the wrinkles features that used are wrinkles density and the depth of wrinkles. The research methodology consists of four stages: preprocessing, identification of the face point location , feature extraction and classification. The face point is identified based on facial symmetry and the difference of pixel intensities. While wrinkles was obtained from the combined edge detection method using Sobel operator and histogram equalization. The algorithm used for the classification process is a Neural Network (NN) algorithm that would classify the input image data into three classes, there are children, young and old. The final results of test-ing show that the proposed method was able to categorize age based on facial image fairly well with the results of the test accuracy of 65% with epochs = 1000, and the error rate = 0.0095, 100 iterations.Keywords: Age prediction, face ratio, Neural Network, wrinkle.
Pengelompokan usia berdasarkan citra wajah menggunakan algoritma neural network dengan fitur face anthropometry dan kedalam kerutan Hayatin, Nur
TEKNOLOGI: Jurnal Ilmiah Sistem Informasi Vol 6, No 2 (2016): July
Publisher : Universitas Pesantren Tinggi Darul 'Ulum (Unipdu) Jombang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26594/teknologi.v6i2.577

Abstract

ABSTRAKPengelompokan usia (age prediction) merupakan salah satu topik penelitian yang terkait dengan prediksi usia berdasarkan citra wajah. Permasalahan terkait dengan pengelompokan usia berdasarkan citra wajah adalah bagaimana memilih fitur wajah yang tepat, sehingga dapat mempengaruhi hasil akhir pengelompokan. Penelitian ini bertujuan untuk mengelompokan usia berdasarkan citra wajah dengan menggunakan fitur penting yaitu face anthropometry dan kerutan (wrinkle). Di mana fitur kerutan yang digunakan selain memperhitungkan lebar kerutan (wrinkle density) juga digunakan fitur kedalaman kerutan (the dept of wrinkle). Metode penelitian ini terdiri dari 4 tahapan yaitu: Praproses, identifikasi lokasi titik wajah, ekstraksi fitur dan klasifikasi. Lokasi titik wajah diidentifikasi berdasarkan bentuk simetri wajah dan perbedaan nilai intensitas piksel. Sedangkan kerutan didapatkan dari gabungan metode deteksi tepi menggunakan operator Sobel dan histogram equalization. Algoritma yang digunakan untuk proses klasifikasi adalah algoritma Neural Network (NN) yang akan mengelompokan data citra input menjadi 3 kelas yaitu anak, remaja dan tua. Hasil akhir pengujian menunjukkan bahwa metode yang diusulkan telah mampu mengelompokan usia berdasarkan citra wajah dengan cukup baik dengan hasil akurasi pengujian sebesar 65 % dengan epochs = 1000, dan error rate = 0.0095, sebanyak 100 kali iterasi.Kata kunci: Age prediction, face ratio, Neural Network, wrinkle. ABSTRACT   Age prediction  is one of the  research topics related to the prediction of age based on facial image. The problems associated with age groupings based on the image of the face is how to choose the right facial features, that will affect the final result grouping.  This study aims to categorize age based on facial image by using the important features, that is face anthropometry and wrinkles. Wherein the wrinkles features that used are wrinkles density and the depth of wrinkles. The research methodology consists of four stages: preprocessing, identification of the face point location , feature extraction and classification. The face point is identified based on facial symmetry and the difference of pixel intensities. While wrinkles was obtained from the combined edge detection method using Sobel operator and histogram equalization. The algorithm used for the classification process is a Neural Network (NN) algorithm that would classify the input image data into three classes, there are children, young and old. The final results of test-ing show that the proposed method was able to categorize age based on facial image fairly well with the results of the test accuracy of 65% with epochs = 1000, and the error rate = 0.0095, 100 iterations.Keywords: Age prediction, face ratio, Neural Network, wrinkle.
Game petualangan untuk meningkatkan minat belajar siswa tentang sejarah kemerdekaan Bangsa Indonesia Bachtiar, Mochammad Alvin Tri; Hakim, Lukman
Teknologi: Jurnal Ilmiah Sistem Informasi Vol 6, No 2 (2016): July
Publisher : Universitas Pesantren Tinggi Darul 'Ulum (Unipdu) Jombang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (649.293 KB) | DOI: 10.26594/teknologi.v6i2.591

Abstract

ABSTRAKSaat ini sistem pembelajaran sejarah sangat tidak menarik dan cenderung membosankan, salah satu solusinya adalah dengan mengemas proses belajar sejarah ke dalam bentuk game. Hasil dari penelitian ini adalah sebuah game edukasi berbasi game petualangan yang kemudian  diuji  oleh  pihak  guru  dan  siswa di  kelas  VIII  MTS Al-Anwar Wonorejo Kabupaten Pasuruan. Hasil penilaian terhadap game dolanan sejarah memberikan hasil yang baik (skala maksimum 4) dari aspek ketertarikan dengan skor 3,19; aspek kemanfaatan dengan skor 3,46; aspek kesesuaian kurikulum memiliki skor sebesar 3,46; dan aspek kemudahan dengan skor 3,18.Kata kunci: Game adventure, game edukasi, sejarah kemerdekaan bangsa Indonesia. ABSTRACT   Currently, the process of learning history is less attractive, the problem is that students are less interested and bored. One solution is to package these lessons in the form of a game. The result of the research is an educational game, which then tested by the teachers and students in class VIII MTS AL-ANWAR. The results for the assessment of the game "dolanan" history gave positive results.  With a maximum scale of 4 on each aspect, we receive the following results: the aspect of interest scored 3.19, the aspect of expediency scored 3.46, curriculum suitability aspect scored 3.46, and the aspects of ease scored 3.18.Keywords: Adventure game, education game, history of Indonesian independence.
Game petualangan untuk meningkatkan minat belajar siswa tentang sejarah kemerdekaan Bangsa Indonesia Bachtiar, Mochammad Alvin Tri; Hakim, Lukman
TEKNOLOGI: Jurnal Ilmiah Sistem Informasi Vol 6, No 2 (2016): July
Publisher : Universitas Pesantren Tinggi Darul 'Ulum (Unipdu) Jombang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26594/teknologi.v6i2.591

Abstract

ABSTRAKSaat ini sistem pembelajaran sejarah sangat tidak menarik dan cenderung membosankan, salah satu solusinya adalah dengan mengemas proses belajar sejarah ke dalam bentuk game. Hasil dari penelitian ini adalah sebuah game edukasi berbasi game petualangan yang kemudian  diuji  oleh  pihak  guru  dan  siswa di  kelas  VIII  MTS Al-Anwar Wonorejo Kabupaten Pasuruan. Hasil penilaian terhadap game dolanan sejarah memberikan hasil yang baik (skala maksimum 4) dari aspek ketertarikan dengan skor 3,19; aspek kemanfaatan dengan skor 3,46; aspek kesesuaian kurikulum memiliki skor sebesar 3,46; dan aspek kemudahan dengan skor 3,18.Kata kunci: Game adventure, game edukasi, sejarah kemerdekaan bangsa Indonesia. ABSTRACT   Currently, the process of learning history is less attractive, the problem is that students are less interested and bored. One solution is to package these lessons in the form of a game. The result of the research is an educational game, which then tested by the teachers and students in class VIII MTS AL-ANWAR. The results for the assessment of the game "dolanan" history gave positive results.  With a maximum scale of 4 on each aspect, we receive the following results: the aspect of interest scored 3.19, the aspect of expediency scored 3.46, curriculum suitability aspect scored 3.46, and the aspects of ease scored 3.18.Keywords: Adventure game, education game, history of Indonesian independence.
Kakas bantu perhitungan nilai kopling menggunakan conceptual coupling metrics Aulia, Laras Husna; Pradana, Fajar; Priyambadha, Bayu
Teknologi: Jurnal Ilmiah Sistem Informasi Vol 6, No 2 (2016): July
Publisher : Universitas Pesantren Tinggi Darul 'Ulum (Unipdu) Jombang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (641.397 KB) | DOI: 10.26594/teknologi.v6i2.598

Abstract

ABSTRAKKualitas perangkat lunak dapat diukur dengan nilai kopling pada fase perancangan. Tingkat kopling pada perancangan mengindikasikan seberapa besar hubungan antar komponen dalam sebuah sistem. Untuk menentukan nilai kopling dapat menggunakan empat parameter metrik kopling konseptual antara lain Conceptual Similarity be-tween Methods (CSM), Conceptual Similarity between a Method and a Class (CSMC), Conceptual Similarity between two Classes (CSBC) dan Conceptual Coupling of Class (CoCC). Perhitungan nilai kopling dapat dilakukan dengan cara mengambil method-method pada klas kemudian dihitung nilai kecocokan antar dokumen kode sumber dengan menggunakan Latent Semantic Indexing (LSI). Metode LSI digunakan untuk menghitung kecocokan antar dokumen kode sumber berdasarkan kesamaan kata maupun kesamaan makna kata, kemudian nilai tersebut digunakan untuk menghitung nilai metrik kopling konseptual. Pengujian akurasi pada kakas bantu ini dilakukan dengan membandingkan dengan kakas bantu lain sebagai pembanding. Pengujian dikelompokan ke dalam 3 (tiga) nilai toleransi yang berbeda yaitu 0,05; 0,1 dan 0,20. Penggunaan nilai toleransi yang berbeda disebabkan karena terdapat selisih antara kakas bantu yang dikembangan dengan kakas  bantu pembanding. Hasil pengujian akurasi dengan nilai toleransi sebesar 0,05; didapatkan nilai akurasi sistem sebesar 24,83%. Jika nilai toleransi sebesar 0,1 maka nilai akurasi sistem sebesar 43,41%. Sedangkan, jika nilai toleransi sebesar 0,20 maka nilai akurasi yang diperoleh diatas 50% yaitu 69,78%.Kata kunci:   kopling, kualitas, Latent Semantic Indexing (LSI), metrik kopling konseptual parsing method, perangkat lunak. ABSTRACT   Coupling is one of the parameter of quality of software. Coupling is a paramater for measuring how much the relationship between components of a system. To determine the value of coupling can use four of the parameters of conceptual coupling metrics among other Conceptual Similarity between Methods (CSM), Conceptual Similarity be-tween a Method and a Class (CSMC), Conceptual Similarity between two Classes (CSBC) and Conceptual Coupling of Class (CoCC). Before counting the value of the coupling, parsing method carried out using spoon library and com-putation macth between source code documents to be done by using a method of information retrieval that is Latent Semantic Indexing (LSI). The use of LSI method because this research requires the calculation of a match between the document's source code based on common words or similarity of meaning of the word. After that, the LSI value is used to calculate the Conceptual Coupling Metric Testing accuracy of these tools is done by comparing with other systems as a comparison.. Testing is classified into 3(three) different tolerance values are 0.05, 0.1 and 0.20. The use tolerance values differ, because there is a difference between systems developed and the comparator system.  If tolerance value is 0.05 then the accuracy value is 24,83%. If tolerance value is 0.1 then the accuracy value is 43,41%. Meanwhile, If tolerance value is 0.2 then the accuracy value is up to 50%, it is 69,78%.Keywords: Conceptual coupling metrics, coupling, Latent Semantic Indexing, LSI, parsing method.
Kakas bantu perhitungan nilai kopling menggunakan conceptual coupling metrics Aulia, Laras Husna; Pradana, Fajar; Priyambadha, Bayu
TEKNOLOGI: Jurnal Ilmiah Sistem Informasi Vol 6, No 2 (2016): July
Publisher : Universitas Pesantren Tinggi Darul 'Ulum (Unipdu) Jombang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26594/teknologi.v6i2.598

Abstract

ABSTRAKKualitas perangkat lunak dapat diukur dengan nilai kopling pada fase perancangan. Tingkat kopling pada perancangan mengindikasikan seberapa besar hubungan antar komponen dalam sebuah sistem. Untuk menentukan nilai kopling dapat menggunakan empat parameter metrik kopling konseptual antara lain Conceptual Similarity be-tween Methods (CSM), Conceptual Similarity between a Method and a Class (CSMC), Conceptual Similarity between two Classes (CSBC) dan Conceptual Coupling of Class (CoCC). Perhitungan nilai kopling dapat dilakukan dengan cara mengambil method-method pada klas kemudian dihitung nilai kecocokan antar dokumen kode sumber dengan menggunakan Latent Semantic Indexing (LSI). Metode LSI digunakan untuk menghitung kecocokan antar dokumen kode sumber berdasarkan kesamaan kata maupun kesamaan makna kata, kemudian nilai tersebut digunakan untuk menghitung nilai metrik kopling konseptual. Pengujian akurasi pada kakas bantu ini dilakukan dengan membandingkan dengan kakas bantu lain sebagai pembanding. Pengujian dikelompokan ke dalam 3 (tiga) nilai toleransi yang berbeda yaitu 0,05; 0,1 dan 0,20. Penggunaan nilai toleransi yang berbeda disebabkan karena terdapat selisih antara kakas bantu yang dikembangan dengan kakas  bantu pembanding. Hasil pengujian akurasi dengan nilai toleransi sebesar 0,05; didapatkan nilai akurasi sistem sebesar 24,83%. Jika nilai toleransi sebesar 0,1 maka nilai akurasi sistem sebesar 43,41%. Sedangkan, jika nilai toleransi sebesar 0,20 maka nilai akurasi yang diperoleh diatas 50% yaitu 69,78%.Kata kunci:   kopling, kualitas, Latent Semantic Indexing (LSI), metrik kopling konseptual parsing method, perangkat lunak. ABSTRACT   Coupling is one of the parameter of quality of software. Coupling is a paramater for measuring how much the relationship between components of a system. To determine the value of coupling can use four of the parameters of conceptual coupling metrics among other Conceptual Similarity between Methods (CSM), Conceptual Similarity be-tween a Method and a Class (CSMC), Conceptual Similarity between two Classes (CSBC) and Conceptual Coupling of Class (CoCC). Before counting the value of the coupling, parsing method carried out using spoon library and com-putation macth between source code documents to be done by using a method of information retrieval that is Latent Semantic Indexing (LSI). The use of LSI method because this research requires the calculation of a match between the document's source code based on common words or similarity of meaning of the word. After that, the LSI value is used to calculate the Conceptual Coupling Metric Testing accuracy of these tools is done by comparing with other systems as a comparison.. Testing is classified into 3(three) different tolerance values are 0.05, 0.1 and 0.20. The use tolerance values differ, because there is a difference between systems developed and the comparator system.  If tolerance value is 0.05 then the accuracy value is 24,83%. If tolerance value is 0.1 then the accuracy value is 43,41%. Meanwhile, If tolerance value is 0.2 then the accuracy value is up to 50%, it is 69,78%.Keywords: Conceptual coupling metrics, coupling, Latent Semantic Indexing, LSI, parsing method.
Mesin pencari berbasis gambar untuk mendeteksi produk smartphone menggunakan fitur morfologi gambar Murdaningtyas, Citra Devi
Teknologi: Jurnal Ilmiah Sistem Informasi Vol 6, No 2 (2016): July
Publisher : Universitas Pesantren Tinggi Darul 'Ulum (Unipdu) Jombang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (838.266 KB) | DOI: 10.26594/teknologi.v6i2.710

Abstract

ABSTRAKSmartphone terdiri dari berbagai bentuk, warna, tipe, dan merek. Setiap smartphone memiliki ciri khas yang beranekaragam, berdampak pada kebingungan masyarakat dalam memilih smartphone yang sesuai dengan kebutuhan mereka. Berdasarkan permasalahan tersebut, diperlukaan sebuah aplikasi mesin pencari untuk mengetahui spesifikasi dari sebuah smartphone. Aplikasi ini merupakan dapat mendeteksi tipe smartphone berdasarkan gambar yang diambil dari kamera smartphone pengguna. Selanjutnya, aplikasi tersebut menampilkan spesifikasi smartphone yang terdeteksi. Penelitian ini diharapkan dapat mempermudah masyarakat untuk mengambil keputusan dalam memilih smartphone yang akan dibeli. Aplikasi ini dibangun dalam bentuk aplikasi berbasis Android menggunakan fitur morfologi gambar. Hasil akhir aplikasi ini menunjukkan presisi sebesar 82% dan recall sebesar 76%. Dibandingkan dengan metode SIFT, metode yang diusulkan dapat dikatakan kompetitif.Kata kunci:   Android, fitur morfologi, mesin pencari, smartphone. ABSTRACT   Every smartphone has its own characteristic and specification. It could make people take longer time on choosing and searching smartphone that fits on their needs. Based on these problems, we build a search engine based on android application that can search smartphone and its specification faster. This application could detect the type of smartphone based on its images. Furthermore, the application will deliver spesification of smartphone that is detected. We use morphological feature to process smartphone images. The result of this reserch shows precision 82% and recall 76%. It is imply that we find a suitable feature for smartphone image.Keywords: Android, morphological feature, search engine, smartphone.
Mesin pencari berbasis gambar untuk mendeteksi produk smartphone menggunakan fitur morfologi gambar Murdaningtyas, Citra Devi
TEKNOLOGI: Jurnal Ilmiah Sistem Informasi Vol 6, No 2 (2016): July
Publisher : Universitas Pesantren Tinggi Darul 'Ulum (Unipdu) Jombang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26594/teknologi.v6i2.710

Abstract

ABSTRAKSmartphone terdiri dari berbagai bentuk, warna, tipe, dan merek. Setiap smartphone memiliki ciri khas yang beranekaragam, berdampak pada kebingungan masyarakat dalam memilih smartphone yang sesuai dengan kebutuhan mereka. Berdasarkan permasalahan tersebut, diperlukaan sebuah aplikasi mesin pencari untuk mengetahui spesifikasi dari sebuah smartphone. Aplikasi ini merupakan dapat mendeteksi tipe smartphone berdasarkan gambar yang diambil dari kamera smartphone pengguna. Selanjutnya, aplikasi tersebut menampilkan spesifikasi smartphone yang terdeteksi. Penelitian ini diharapkan dapat mempermudah masyarakat untuk mengambil keputusan dalam memilih smartphone yang akan dibeli. Aplikasi ini dibangun dalam bentuk aplikasi berbasis Android menggunakan fitur morfologi gambar. Hasil akhir aplikasi ini menunjukkan presisi sebesar 82% dan recall sebesar 76%. Dibandingkan dengan metode SIFT, metode yang diusulkan dapat dikatakan kompetitif.Kata kunci:   Android, fitur morfologi, mesin pencari, smartphone. ABSTRACT   Every smartphone has its own characteristic and specification. It could make people take longer time on choosing and searching smartphone that fits on their needs. Based on these problems, we build a search engine based on android application that can search smartphone and its specification faster. This application could detect the type of smartphone based on its images. Furthermore, the application will deliver spesification of smartphone that is detected. We use morphological feature to process smartphone images. The result of this reserch shows precision 82% and recall 76%. It is imply that we find a suitable feature for smartphone image.Keywords: Android, morphological feature, search engine, smartphone.
Apakah kombinasi power lbp dan fourier descriptor dapat digunakan untuk klasifikasi citra kerang? Devi, Putri Aisyiyah Rakhma; Suciati, Nanik; Khotimah, Wijayanti Nurul
Teknologi: Jurnal Ilmiah Sistem Informasi Vol 6, No 2 (2016): July
Publisher : Universitas Pesantren Tinggi Darul 'Ulum (Unipdu) Jombang

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (648.795 KB) | DOI: 10.26594/teknologi.v6i2.768

Abstract

ABSTRAKPermasalahan pengklasifikasian secara manual biasanya terletak pada hasil akurasi dan waktu klasifikasi. Pengklasifikasi citra kerang pada umumnya dilakukan berdasarkan pada karakteristik bentuk dan tekstur cangkang kerang. Pengembangan perangkat lunak untuk pengklasifikasian secara otomatis diharapkan dapat meningkatkan hasil akurasi dan memperbaiki waktu klasifikasi. Pada penelitian ini bertujuan untuk mengkombinasikan fitur tekstur berbasis metode Power LBP dan fitur bentuk berbasis metode fourier descriptor yang digunakan untuk klasifikasi citra kerang.Citra input yang digunakan, sebelumnya telah melalui praproses dan  segmentasi untuk memisahkan objek dengan background. Citra objek yang sudah terpisah ditransformasi menjadi citra biner dan citra grayscale untuk proses ekstraksi fitur. Hasil dari kedua fitur yang sudah diperoleh akan dilakukan kombinasi dengan mempertimbangkan bobot masing-masing fitur yang kemudian dilakukan normalisasi. Dengan mengkombinasikan fitur tekstur dan fitur bentuk diharapkan memperoleh fitur yang signifikan yang dapat meningkatkan akurasi sebuah klasifikasi.Uji coba dilakukan pada 3 jenis dataset kerang yakni kerang darah, kerang pasir dan kerang bulu dengan menggunakan SVM cross validation dengan k=2 . Hasil uji coba menunjukkan bahwa ada keterkaitan antara mengkombinasikan fitur tekstur dan fitur bentuk pada permasalahan klasifikasi citra kerang dapat diperbaiki dengan hasil akurasi klasifikasi yang diperoleh sebesar 99,39% dengan fitur tekstur lebih dominan daripada fitur yang lainnya. Kata Kunci: citra kerang, ekstraksi fitur, fourier descriptor, klasifikasi, power LBP. ABSTRACTShells image classification are generally conducted based on the characteristics of the shape and texture of the shells. The problems of classification usually occur results of accuracy and timing classification. The software development for classification is expected to increase the yield of accuracy result and optimize the time of classification. In this study, we combine extracting texture features based Power LBP method and extracting shape features based Fourier Descriptor method for shells image classification.   The used input images had been conducted preprocessing  and segmentation to separate object and background using Otsu methods. The objects images that had been separated are transformed into a binary image and grayscale image for feature extraction process. Texture features are extracted using Power LBP (PLBP) method and grayscale image as input. Shape features are extracted using Fourier Descriptor (FD) method and binary image as input. The results of these two features will be combined by considering the weight of each feature and then normalized. Combines texture features and shape features, we expect to obtain significant features that can improve the accuracy of classification.Tests was performed on three types of shells dataset that is blood clams, mussels and scallops feather sand by using SVM cross validation with k = 2 fold. The results show that there is a link between features combine texture and shape features on the image classification problems that can be solved with the results obtained classification accuracy of 99.39% with a texture feature more dominant than the other features. Keywords: classification, feature extraction, Fourier Descriptor , Power LBP, Shellfish image.
Apakah kombinasi power lbp dan fourier descriptor dapat digunakan untuk klasifikasi citra kerang? Devi, Putri Aisyiyah Rakhma; Suciati, Nanik; Khotimah, Wijayanti Nurul
TEKNOLOGI: Jurnal Ilmiah Sistem Informasi Vol 6, No 2 (2016): July
Publisher : Universitas Pesantren Tinggi Darul 'Ulum (Unipdu) Jombang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26594/teknologi.v6i2.768

Abstract

ABSTRAKPermasalahan pengklasifikasian secara manual biasanya terletak pada hasil akurasi dan waktu klasifikasi. Pengklasifikasi citra kerang pada umumnya dilakukan berdasarkan pada karakteristik bentuk dan tekstur cangkang kerang. Pengembangan perangkat lunak untuk pengklasifikasian secara otomatis diharapkan dapat meningkatkan hasil akurasi dan memperbaiki waktu klasifikasi. Pada penelitian ini bertujuan untuk mengkombinasikan fitur tekstur berbasis metode Power LBP dan fitur bentuk berbasis metode fourier descriptor yang digunakan untuk klasifikasi citra kerang.Citra input yang digunakan, sebelumnya telah melalui praproses dan  segmentasi untuk memisahkan objek dengan background. Citra objek yang sudah terpisah ditransformasi menjadi citra biner dan citra grayscale untuk proses ekstraksi fitur. Hasil dari kedua fitur yang sudah diperoleh akan dilakukan kombinasi dengan mempertimbangkan bobot masing-masing fitur yang kemudian dilakukan normalisasi. Dengan mengkombinasikan fitur tekstur dan fitur bentuk diharapkan memperoleh fitur yang signifikan yang dapat meningkatkan akurasi sebuah klasifikasi.Uji coba dilakukan pada 3 jenis dataset kerang yakni kerang darah, kerang pasir dan kerang bulu dengan menggunakan SVM cross validation dengan k=2 . Hasil uji coba menunjukkan bahwa ada keterkaitan antara mengkombinasikan fitur tekstur dan fitur bentuk pada permasalahan klasifikasi citra kerang dapat diperbaiki dengan hasil akurasi klasifikasi yang diperoleh sebesar 99,39% dengan fitur tekstur lebih dominan daripada fitur yang lainnya. Kata Kunci: citra kerang, ekstraksi fitur, fourier descriptor, klasifikasi, power LBP. ABSTRACTShells image classification are generally conducted based on the characteristics of the shape and texture of the shells. The problems of classification usually occur results of accuracy and timing classification. The software development for classification is expected to increase the yield of accuracy result and optimize the time of classification. In this study, we combine extracting texture features based Power LBP method and extracting shape features based Fourier Descriptor method for shells image classification.   The used input images had been conducted preprocessing  and segmentation to separate object and background using Otsu methods. The objects images that had been separated are transformed into a binary image and grayscale image for feature extraction process. Texture features are extracted using Power LBP (PLBP) method and grayscale image as input. Shape features are extracted using Fourier Descriptor (FD) method and binary image as input. The results of these two features will be combined by considering the weight of each feature and then normalized. Combines texture features and shape features, we expect to obtain significant features that can improve the accuracy of classification.Tests was performed on three types of shells dataset that is blood clams, mussels and scallops feather sand by using SVM cross validation with k = 2 fold. The results show that there is a link between features combine texture and shape features on the image classification problems that can be solved with the results obtained classification accuracy of 99.39% with a texture feature more dominant than the other features. Keywords: classification, feature extraction, Fourier Descriptor , Power LBP, Shellfish image.

Page 1 of 2 | Total Record : 12