• Tidak ada hasil yang ditemukan

Institutional Repository | Satya Wacana Christian University: Perbandingan Akurasi dan Kecepatan Algoritma Local Binary Patterns (LBP) dan Algoritma Fuzzy Local Binary Patterns (FLBP) dalam Ekstraksi Ciri untuk Pengenalan Batik Menggunakan Klasifikasi Pro

N/A
N/A
Protected

Academic year: 2018

Membagikan "Institutional Repository | Satya Wacana Christian University: Perbandingan Akurasi dan Kecepatan Algoritma Local Binary Patterns (LBP) dan Algoritma Fuzzy Local Binary Patterns (FLBP) dalam Ekstraksi Ciri untuk Pengenalan Batik Menggunakan Klasifikasi Pro"

Copied!
16
0
0

Teks penuh

Loading

Gambar

Gambar 4.12. Grafik perbandingan LBP dan FLBP pada pengujian 5 tidak
Tabel 3.1. Jumlah citra latih (training)........................................................................13

Referensi

Dokumen terkait

Maka, dalam pembuatan Tugas Akhir ini, dibuatlah sistem pendeteksi wajah dengan menggunakan sebuah metode algoritma LBP ( Local Binary Pattern ) yang dapat mengekstrasi

Hasil penelitian ini memiliki akurasi 47 % untuk ekstraksi warna, 47% untuk ekstraksi vektor horizontal 38% untuk ekstrasi vektor vertikal, 46% untuk ekstraksi ciri

Oleh karena itu, pada penelitian kali ini diusulkan metode klasifikasi yang invariant terhadap rotasi, dengan menggunakan metode ekstraksi ciri yang menggabungkan

Pada penelitian ini, telah dirancang suatu sistem untuk mendeteksi kolesterol melalui citra iris mata menggunakan metode Local Binary Pattern (LBP) dan klasifikasi

Sebelum proses klasifikasi dapat dilakukan, sistem akan melewati proses ekstraksi ciri citra dataset (3 jenis kendaraan) menggunakan fitur local binary pattern

Dari hasil penelitian ini, maka dapat disimpulkan penggunaan metode klasifikasi Naive bayes lebih baik jika dibandingkan dengan menggunakan KNN baik dengan ekstraksi

Sistem yang dirancang dengan metode LBP dan ekstraksi ciri statistik orde pertama dan orde kedua, serta metode klasifikasi KNN dapat digunakan untuk mendeteksi

Bagaimana akurasi sistem pengenalan angka tulisan tangan dengan menggunakan metode ekstraksi ciri Local Binary Pattern Variance dan Klasifikasi K-Nearest