Hasil Pencarian  ::  Simpan CSV :: Kembali

"Klasifikasi citra multispektral dengan resolusi spasial terbatas mempunyai kendala pada penentuan garis batas obyek yang kurang akurat, seperti pada citra multispektral yang dihasilkan Landsat yang mempunyai resolusi 30x30m. Kendala ini dapat diatasi dengan tersedianya kanal pankromatik yang memiliki resolusi 15x15m, misalnya pada Landsat ETM (Enhanced Thematic Mapper) atau IKONOS.Penggabungan informasi kanal multispektral dan kanal pankromatik dapat dilakukan dengan teknik fusi informasi atau teknik fusi berbasis piksel. Penelitian tugas akhir ini menerapkan dan menguji hasil fusi berbasis piksel pada proses visualisasi dan klasifikasi citra. Teknik fusi yang diterapkan adalah teknik IHS (Intensity Hue Saturation), Brovey, Wavelet dengan fungsi basis Daubechies, serta metode band overlay sebagai pembanding. Citra yang digunakan adalah citra yang didapat dari satelit Landsat dan kanal pankromatik pada Landsat ETM.Hasil perbandingan menunjukkan bahwa metode fusi citra yang menggunakan input citra multispektral dan pankromatik (yaitu metode IHS) menghasilkan tingkat akurasi yang paling baik untuk proses klasifikasi, sedangkan metodewavelet menghasilkan tingkat akurasi yang paling rendah."

"Kriptografi merupakan suatu ilmu yang mempelajari teknik-teknik untuk menyandikan informasi. Dalam tugas akhir ini akan dikaji mengenai Visual Secret Sharing Scheme (VSSS), yang merupakan cabang studi dari kriptografi yang digunakan untuk mengamankan pesan berupa citra digital. Citra digital dienkripsi sehingga menghasilkan beberapa citra digital (transparan) yang kemudian didistribusikan ke sejumlah partisipan (orang) yang ditentukan. Proses dekripsi atau rekonstruksi citra dapat dilakukan dengan memanfaatkan indera penglihatan manusia, yaitu dengan mencetak transparan pada lembar transparan kemudian menumpuknya. Pada tugas akhir ini akan dibahas mengenai bagaimana mengkonstruksi VSSS untuk citra biner, selanjutnya dengan memanfaatkan teknik halftone dan dekomposisi warna, akan dikonstruksi VSSS untuk citra grayscale dan citra warna bersasarkan konstruksi VSSS untuk citra biner tersebut.

---

Cryptography is a knowledge about several techniques to encode and decode information. In this skripsi, the construction of Visual Secret Sharing Scheme (VSSS) as a branch of cryptography will be discussed., VSSS is used to secure messages in the form of digital images. Digital image will be encrypted to produce a number of digital image (called transparent) which is then distributed to a number of participants (people). Decryption process or image reconstruction can be done by using the human senses of sight,. The result image, namely the transparent, is printed on transparent sheets and then stacked its together to recover the original image. In this skripsi, the discussion is focused on how to construct the VSSS for color image. First the VSSS will be constructed for binary image, then by using the decomposition technique and halftone technique, the VSSS for grayscale and color images based on the construction of VSSS for the binary image will be constructed."

"Makalah ini membahas dua pilihan penerapan struktur basis data citra pada sistem pencarian citra berbasis isi. Pendekatan pertama menggunakan folder untuk menyimpan berkas citra dan Java object serialization untuk menyimpan data citra. Pendekatan kedua menggunakan basis data Data Base Management System MySQL untuk menyimpan berkas dan data citra. Kedua pendekatan dibahas dari aspek penerapan struktur basis data untuk tujuan pengembangan sistem pencarian citra berbasis isi yang efisien. Data yang tidak terstruktur dan proses clustering data lebih mudah ditangani dengan struktur basis data dari pendekatan pertama. Data yang jumlahnya besar dan terstruktur serta proses indexing lebih mudah ditangani dengan struktur basis data dari pendekatan kedua. Sistem pencarian citra berbasis isi lebih banyak melakukan kueri jenis select dibandingkan dengan insert dan update data, dalam hal ini kedua pendekatan dapat memenuhinya dengan baik. Secara umum, pendekatan kedua dianggap memberikan dukungan yang baik dalam penyimpanan dan manipulasi data, serta dapat mengurangi upaya dan waktu yang dibutuhkan pada pengembangan sistem."

"Pada paper ini, dilakukan pemilihan feature dari citra RGB (Red-Green-Blue) untuk memprediksi tingkat kemanisan buah belimbing yang dicirikan dengan kandungan TPT (Total Padat Terlarut). Dari feature terpilih, dilakukan transformasi komponen utama satu dimensi (1D-PCA) dan dua dimensi (2D-PCA) untuk mereduksi dimensi citra. Kemudian dilanjutkan dengan proses pengenalan tingkat kemanisan yang dalam paper ini dikelompokkan menjadi tiga, yaitu manis, sedang, dan asam. Nilai batas tiap kelompok didasarkan pada bentuk histogram nilai TPT. Dari 300 citra buah belimbing diperoleh hasil bahwa secara akurasi, teknik 1D-PCA maupun 2D-PCA memberikan hasil yang relatif sama. Namun dari segi kecepatan, 2D-PCA jauh lebih cepat dibanding 1D-PCA, khususnya pada bagian pembentukan sumbu. Model hubungan tingkat kemanisan sebagai fungsi dari nilai RGB memberikan tingkat determinasi terbesarnya 69.9%. Percobaan menunjukkan bahwa 1D-PCA maupun 2D-PCA mampu menerangkan sekitar 95% model hubungan tersebut yang dikembangkan pada ruang asal. Teknik PCA digabungkan dengan jarak Euclidean untuk pengenalan mampu mengenali buah kelompok manis dengan akurasi 100%. Sedangkan untuk kelompok asam dan sedang teknik yang dilakukan gagal melakukan pengenalan dengan baik"

"Masalah yang biasa terjadi dalam pembuatan sistem pengenalan wajah adalah jumlah dimensi yang terlalu besar untuk diproses ke dalam classifier, sehingga biaya komputasi yang dibutuhkanpun akan semakin besar pula. Penelitian berikut mencoba untuk mereduksi dimensi dalam ruang spatial akan tetapi dari hasil reduksi dimensi ini tidak membuat proses ekstraksi fitur kehilangan informasi penting yang mengakibatkan penurunan akurasi pengenalan.Reduksi dimensi dalam ruang spatial ini didapatkan dengan cara membangkitkan sejumlah garis pada data citra secara acak. Ada dua metode dalam membangkitan garis yaitu Fitur Garis Acak (FGA) dan Template Fitur Garis Acak (TFGA). Pada FGA, sejumlah garis dibangkitkan pada seluruh data citra secara acak. Sedangkan TFGA, sejumlah garis dibangkitkan hanya satu kali saja dan himpunan garis ini yang akan digunakan untuk membangkitkan garis pada data citra yang lain. Dari masing-masing garis ini dibangkitkan sejumlah spatial window. Vektor representasi citra didapatkan dari rata-rata intensitas yang terdapat pada spatial window tersebut. Vektor representasi citra ini akan dijadikan fitur untuk classifier. Classifier yang digunakan adalah k-nearest neighborhod dan backpropagation sebagai pembanding.Dari hasil percobaan menggunakan database weizmann, didapatkan bahwa pengenalan akan lebih stabil jika metode untuk membangkitkan garis adalah TFGA. Selain stabil dengan metode TFGA ini akurasi pengenalan lebih baik dibandingkan dengan metode FGA pada jumlah garis yang sama. Pada jumlah garis yang terkecil dengan menggunakan classifier k-nearest neighborhod, rata-rata akurasi pengenalan metode FGA adalah 46.67% sedangkan dengan TFGA akurasi pengenalan adalah 57.14%. Dengan classifier pembanding backpropagation dan menggunakan metode TFGA didapatkan rata-rata akurasi pengenalan 78.29%. Secara umum dari keseluruhan metode semakin bertambah jumlah garis maka semakin meningkat pula tingkat akurasi pengenalan."