KLASIFIKASI CITRA TEKSTUR MENGGUNAKAN k-NEAREST NEIGHBOUR BERDASARKAN EKSTRAKSI CIRI METODE MATRIKS KOOKURENSI

Arriawati, Asri Junita and Santoso, Imam and Chrystiyono, Yuli (2011) KLASIFIKASI CITRA TEKSTUR MENGGUNAKAN k-NEAREST NEIGHBOUR BERDASARKAN EKSTRAKSI CIRI METODE MATRIKS KOOKURENSI. Undergraduate thesis, Jurusan Teknik Elektro Fakultas Teknik.

[img]
Preview
PDF - Published Version
342Kb

Abstract

Seiring dengan berkembangnya teknologi pengolahan citra digital, manusia menginginkan agar mesin (komputer) dapat mengenali citra seperti layaknya penglihatan manusia. Salah satu cara untuk mengenali citra adalah dengan membedakan tekstur citra tersebut. Citra dikatakan memiliki tekstur apabila pola citra terjadi secara berulang-ulang memenuhi semua bidang citra. Citra yang berbeda memiliki ciri-ciri yang berbeda. Ciri-ciri inilah yang menjadi dasar dalam klasifikasi citra berdasarkan tekstur. Salah satu metode untuk memperoleh ciri-ciri citra tekstur adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan arah tertentu. Hal ini dapat dilakukan dengan membentuk sebuah matriks kookurensi dari data citra. Ciri-ciri tekstur dapat diperoleh dari entropi, ASM (angular second moment), kontras, homogenitas, rerata, simpangan baku, energi dan dissimilarity. Pada program simulasi dengan menggunakan bahasa pemrograman Delphi, hasil ciri-ciri tersebut kemudian digunakan untuk klasifikasi dengan menggunakan k-Nearest Neighbour (k-NN) yang menentukan hasil klasifikasi berdasarkan jumlah tetangga terdekat. Objek yang diuji adalah citra tekstur dari basis data Vistex yang terdiri dari 6 kelas yaitu anyaman, daun, kulit kayu, logam, pasir dan ubin. Dari hasil penelitian dapat diketahui bahwa citra-citra tekstur dari basis data Vistex yang diujikan memiliki nilai-nilai koefisien matriks kookurensi sebagai ciri tekstur yang bervariasi satu dengan yang lain. Ciri-ciri tersebut mempengaruhi hasil klasifikasi sehingga dapat menyebabkan kesalahan klasifikasi. Hasil pengujian terhadap citra uji dari citra belajar menghasilkan tingkat pengenalan sebesar 100% untuk nilai k = 1 dan hasil pengujian terhadap citra uji di luar citra belajar menghasilkan tingkat pengenalan sebesar 55,557% untuk nilai k =3. Kata kunci : tekstur citra, ekstraksi ciri, matriks kookurensi, klasifikasi, k-NN.

Item Type:Thesis (Undergraduate)
Subjects:T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:Faculty of Engineering > Department of Electrical Engineering
Faculty of Engineering > Department of Electrical Engineering
ID Code:25350
Deposited By:Mr. Sudjadi Pranoto
Deposited On:11 Jan 2011 15:39
Last Modified:11 Jan 2011 15:39

Repository Staff Only: item control page