Hasil Pencarian  ::  Simpan CSV :: Kembali

"This dissertation describes the synergy use of remote sensing data from multi-temporal and multi sensor (optical and radar) for improving our understanding of the land-cover structural phenomena. A tropical country like Indonesia has a high cloud coverage throughout the year with a maximum during the rainy season, and hence the availability of cloud-free optical images is minimal. To solve this problem, radar images have been intensively introduced. The radar images are cloud-free but their use is hampered due to their speckle noise and topographic distortions, and the lack of a suitable radar image classification system. In many cases, the use of optical or radar image alone is not sufficient. Therefore, the main objectives of this research are: (i) to develop a framework for multi date and multi sensor (optical and radar) image classification; (ii) to solve the cloud cover problem in optical images; and (iii) to obtain a more consistent image classification using multi date and multi sensor images. We have proposed a framework for multi date and multi sensor image classification based on a uniform image classification scheme. The term uniform means that the same procedure can be used to classify optical or radar images, low-level mosaic or fused images, single or multiple feature images. To be able to conduct a multi temporal and multi sensor analysis, we have unified the optical and radar image classification procedure after finding that both optical and radar images consist of homogeneous and textured regions. A region is considered as homogeneous if the local variance of gray level distribution is relatively low, and a region is considered as textured if the local variance is high. We used a multivariate Gaussian distribution to model the homogeneous part and a multinomial distribution to model the gray level co-occurrences of the textured part, and applied a multiple classifier system to improve the classification accuracy. The main advantages of the uniform classification scheme are as follow. First, we can tune the homogeneous-textured threshold value parameter in order to obtain an optimal result by allowing the classifier working as a single (conventional) or multiple classifier system. The classifier can have a better or at least the same classification accuracy as the conventional one. Second, we can use either single-band or multi-band input images. This will make it possible to classify a. radar image based on multi-model texture feature images or to classify multi spectral optical images. Third, we can use the same procedure to classify any input images. Compared to the conventional classifiers, the multiple classifier system can improve the classification result from 0% to 20% for radar images and from 0% to 2% for optical images. The proposed framework incorporates the image mosaicking and data fusion at the low-level stage (before the classification process) as well as at the high-level stage (after the classification process). For cloud cover removal, the image mosaicking at the low-level stage is usually done using multi temporal optical images, whereas mosaicking at the high-level stage is applied to the classified optical and radar images. To be able to obtain a cloud-free image, we have modified the existing Soofi and Smith algorithm which is using multi temporal optical images to an algorithm using multi sensor images. In the high-level data fusion, we have also been able to incorporate a mechanism for cloud cover removal by omitting the information from the optical sensor and using only the information from the radar sensor. According to a case study in our experiment, the cloud cover removal and image classification using the low-level image mosaicking, the high-level image mosaicking, and the high-level data fusion gave 80.2%, 76.2%, and 80.5% classification accuracy, respectively. The high-level data fusion combines the decisions from several input images to obtain a consensus of classified image. We have applied both the maximum joint posterior probability and the highest rank method for the decision combination functions. We have utilized two existing data fusion methods and have proposed an alternative data fusion method based on the compound conditional risk. According to the experimental results, the decision combination function based on the maximum joint posterior probability favors the optical feature image, while the highest rank method favors the radar feature image. The preference of using the maximum joint posterior probability results in the domination of optical features in the fusion result, and the classification accuracy of the fused image can be better 8.5% in average than the individual radar classified image."

"Tesis ini membahas proses klasifikasi citra berdasarkan analisis tekstur. Penganalisaan tekstur menggunakan cara pendekatan statistik. Pertama akan dikenalkan konsep unit tekstur sebagai unit terkecil yang mempunyai sifat-sifat tekstur secara lengkap. Sifat-sifat tersebut menyangkut hubungan suatu pixel dengan 8 pixel di sekelilingnya. Kemudian akan ditunjukkan bagaimana suatu tekstur dapat dipecah menjadi himpunan unit tekstur, dan kemudian bisa dibuat distribusinya berdasarkan jenis tekstur dalam citra tersebut, sehingga didapat hasil spektrum tekstur.Klasifikasi dilakukan secara terawasi dan dengan ciri histogram spektrum tekstur. Ketelitian rata-rata klasifikasi ini, 96% untuk tekstur regular, 56% untuk tekstur alami radar, 55% untuk tekstur citra LANDSAT, dan 66% untuk tekstur Brodatz.Hasil pengukuran ciri tekstur BUS. GS dan DD pada beragam citra di atas yang digambarkan dalam bentuk diagram ciri menunjukkan bahwa ketiga ciri ini dapat digunakan sebagai pembeda tesktur."

"Kendaraan roda dua atau yang biasa disebut sebagai motor merupakan kendaraan yang awam ditemukan khususnya di Negara Indonesia. Kendaraan yang sangat mudah untuk digunakan dan terjangkau harganya menjadikannya kendaraan nomor satu untuk digunakan sehari-hari. Banyak regulasi yang telah mengatur tentang keamanan dan kenyamanan untuk berkendara, namun masih banyak pihak yang melanggar hal tersebut. Oleh karena itu diperlukannya sebuah alat bantu yang dapat mendeteksi dan meregulasi pengendara sepeda motor. Menggunakan deep learning, komputer dapat mengelolah citra dengan tingkat akurasi yang tinggi dalam mendeteksi objek maupun klasifikasi objek. Salah satu metode Deep Learning yang digunakan untuk pengelolahan citra dan klasifikasi objek adalah YOLOv5 sebagai model utama. Tujuan dari Skripsi ini adalah untuk mengimplementasikan sistem detektor pengendara motor tanpa helm berbasi pengolahan citra dengan metode YOLOv5 dan melihat tingkat akurasi yang didapatkan. Hasil percobaan pada penelitian ini membuktikan bahwa sistem mampu melakukan deteksi dan kalkulasi dengan akurasi yang cukup tinggi yaitu sekitar 40 %. Hal ini sangat dipengaruhi dengan adanya jenis metode penentuan ID yang digunakan.

---

Two-wheeled vehicles or commonly referred to as motorbikes are vehicles that are commonly found, especially in Indonesia. A vehicle that is very easy to use and affordable, making it the number one vehicle for everyday use. Many regulations have regulated the safety and comfort of driving, but there are still many parties who violate this. Therefore we need a tool that can detect and regulate motorbike riders. Using deep learning, computers can manage images with a high degree of accuracy in detecting and classifying objects. One of the Deep Learning methods used for image processing and object classification is the YOLOv5. The purpose of this thesis is to implement an image processing-based helmetless motorcycle detector system using the YOLOv5 method and see the level of accuracy obtained. The experimental results in this study prove that the system is capable of performing detection and calculations with a fairly high accuracy of around 40%. This is strongly influenced by the type of ID determination method used."

"Kuantifikasi citra terhadap pengukuran resolusi spasial, umumnya menggunakan protokol standar yang diterbitkan oleh National Electrical Manufacturers Association (NEMA). Namun, metode ini memiliki keterbatasan pada metode fitting data yang dilakukan. Akurasi yang lebih baik diberikan oleh fungsi Gaussian. Selanjutnya, penentuan resolusi spasial seperti berdasarkan Point Spread Function (PSF) dapat dipengaruhi oleh keberadaan noise atau error dalam data yang dapat menurunkan kontras citra. Oleh karena itu, untuk menjamin akurasi kuantifikasi citra, dilakukan dengan memastikan error sekecil mungkin dan memiliki perkiraan yang dapat diandalkan tentang seberapa besar error tersebut. Penelitian ini ditujukan untuk menyelidiki bagaimana tingkat noise yang berbeda pada pengukuran Full Width at Half Maximum (FWHM) berdasarkan metode NEMA dan Gaussian mempengaruhi keakuratan sistem pencitraan. FWHM digunakan untuk mengkarakterisasi resolusi spasial berdasarkan profil PSF. Hasil yang diperoleh diharapkan dapat memberikan informasi pada fisikawan medis mengenai pengaruh error dari pengukuran FWHM dalam rangka optimasi layanan klinis di rumah sakit. Dalam penelitian ini, model error yang digunakan adalah kombinasi model error proporsional dan Fractional Standard Deviation (FSD). Hasil penelitian menunjukkan terdapat peningkatan relatif deviasi FWHM terhadap variasi FSD 1% hingga 5% pada bidang dua dimensi dan tiga dimensi berdasarkan metode NEMA dan Gaussian. Peningkatan ini menjelaskan bahwa semakin tinggi tingkat noise pada sistem pencitraan, maka akan semakin mempengaruhi pengukuran FWHM yang berdampak pada penurunan kontras citra. Selanjutnya, terdapat korelasi antara error pixel value dan error FWHM. Semakin tinggi persentase nilai error pixel value pada sistem pencitraan, maka akan semakin mempengaruhi peningkatan persentase nilai error pada pengukuran FWHM.

---

Image quantification of spatial resolution measurements, generally using standard protocols published by the National Electrical Manufacturers Association (NEMA). However, this method has limitations on the data fitting method performed. Better accuracy is given by Gaussian function. Furthermore, spatial resolution determination such as based on Point Spread Function (PSF) can be influenced by the presence of noise or errors in the data that can decrease image contrast. Therefore, to ensure the accuracy of image quantification, it is done by ensuring the slightest possible error and having a reliable estimate of how big the error is. This study is intended to investigate how different noise levels in Full Width at Half Maximum (FWHM) measurements based on NEMA and Gaussian methods affect the accuracy of imaging systems. The FWHM is used to characterize spatial resolution based on PSF profiles. The results are expected to provide information to medical physicists about the effect of error in FWHM measurement to optimize clinical services in hospitals. In this study, the error model used is a combination of the proportional error model and the Fractional Standard Deviation (FSD). The results showed that there was an increase in the relative deviation of FWHM to the FSD variation of 1% to 5% in two-dimensional and three-dimensional fields based on the NEMA and Gaussian methods. This increase explains that the higher the noise level in the imaging system, the more it affects the FWHM measurement which has an impact on the decrease in image contrast. Furthermore, there is a correlation between the pixel value error and the FWHM error. The higher the percentage of error pixel value in the imaging system, the more it will affect the increase of percentage error FWHM measurement."

"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."

"Penelitian ini membahas studi tentang deteksi perubahan penutup lahan Kalimantan Tengah, menggunakan multi-temporal Synthetic Aperture Radar (SAR) JERS-i. Penggunaan citra SAR untuk observasi muka bumi dimana kondisi berawan dan kabut merupakan hambatan utamanya, mempunyai potensi yang sangat besar dalam memonitor perubahan area. Tetapi adanya proses koherensi data SAR membuat citra tersebut dengan mudah akan tercemar oleh bising speckle, yang merupakan.sinyal tak bebas dan berlaku sebagai bising multiplikatif.Pokok bahasan dari penelitian ini yang pertama adalah meminimumkan bising (denoising) speckle dengan menggunakan algoritma a trous. Selanjutnya kesulitan penggunaan citra optis untuk identifikasi obyek pada daerah yang sering berawan dan hujan lebat akan digantikan dengan citra SAR dengan memanfaatkan sifat transfcrmasi dari algoritma wavelet a troust. Transformasi ini akan menghasilkan satu set citra detail dari skala yang berbeda, sehingga citra SAR yang merupakan single band akan mendapatkan tambahan band dari citra-citra detail tersebut. Dengan demikian pemrosesan citra SAR dapat dianalogikan sebagai pemrosesan multiband dari citra optis, sehingga dapat menggali lebih banyak informasi untuk identifikasi obyek. Tahap berikutnya dilakukan pengklasteran pada citra detail tersebut dengan teknik Pemetaan Swa-Atur (Self-Organizing Map (SOA4)") karena tidak tersedianya data groundtruth. Tahap lerakhir adalah deteksi perubahan area menggunakan teknik Pcrbedaan Citra ("Image Differenciing") dan Analisa Komponen Utama ("Principle Component Analysis (PCA)").Proses denoising pada pra-pengolahan akan dilakukan dengan menggunakan pemodelan bising. Pada citra SAR karena bisingnya adalah speckle yang bersifat multiplikatif maka perlu dilakukan proses homomorphik, yaitu proses untuk memisahkan komponen deterministik (sinyal) dengan komponen statistik (bising) sehingga bising dapat dimodelkan dalam bentuk Gaussian. Untuk itu sebelum denoising citra akan di log-kan terlebih -dahulu sehingga terpisah antara kompcnen sinyal dan komponen bisingnya. Transformasi a trous adalah transformasi wavelet multiresolusi yang dilakukan skala (resolusi) per skala tanpa ada desimasi. Hasilnya adalah satu set citra detail wt (dimana i menyatakan tingkat skala, I 1,2.j ) dan satu citra approksimasi pada skala tertinggi c1, tanpa terjadi peruoahan ukuran citra pada setiap skala. Dalam transformasinya harga piksel ke-k ditentukan oleh c;+r(k) = ., h(n) c;(kl 2'n), dimana h adalah koefisien filter 133 spline dengan -2 n < +2 , menyebabkan harga pixel tersebut menjadi berkurang atau bertambah ditentukan oleh 5 harga pixel yang ke-(k+2'n). Secara analitis korelasi citra detail pada skala (i-1) dengan citra detail pada skala I dapat dibuktikan melalui w; = c(,.0 - c; dan secara eksperimen dapat dibuktikan melalui matriks korelasi dari PCA. Dengan adanya korelasi menyebabkan persoahan obyek dalam citra-citra detail dapat diamati. Citra detail dari transformasi a trous yang masih mengandung bising speckle akan di denois menggunakan teknik Multiresolution Support, yaitu teknik untuk uji signifikansi bising pada setiap pixel dari citra. Signifikansi bising didasarkan pada nilai standard deviasi 6; dari citra detail pada skala j dikalikan dengan konstanta K, yaitu K6.j. Hal inilah yang menyebabkan pemilihan harga K dipengaruhi oleh daerah observasi. Pada penelitian ini di lakukan percobaan dengan harga K = 2, 2.5, 3, 3.5 dan hasilnya yang terbaik adalah K = 3. Hasil rekonstruksi setelah uji signifikansi Multiresolulion Support adalah citra dengan residual artifact atau citra dengan struktur yang tidal: sebenarnya, oleh karena itu perlu dilakukan proses guna mengurangi efek residual artifact tersebut. Proses pengurangan residual artifact adalah suatu proses iterasi dimana akan dihitung citra residu, yaitu pengurangan citra asli dikurangi dengan citra dengan residual artifact. Pada setiap iterasi citra residu akan ditransformasi menggunakan a trous menjadi satu set citra detail residu dan citra appraksimasi residu. Selanjutnya ditentukan koefisien wavelet signifikan dan dilakukan rekonstruksi kembali. Bila residu masih dinyatakan signifikan maka citra residu akan ditambahkan ke citra residual artifact pada proses sebelumnya. Selanjutnya dilakukan proses iterasi kembali sampai harga residu sudah tidak signifikan lagi. Pada penelitian ini diambil toleransi error a 5 0.002 dan hasilnya adalah citra yang telah di denois atau citra denoising. Pada kelompok wavelet, hasil denoising menggunakan trous dapat menekan bising sampai 43% tanpa ada kerusakan struktur dan penurunan nilai rata-rata yang sangat rendah sampai 0.005%. Meskipun hasil denoising tidak sebaik Haar (50%) atau Daubechies (481') tapi trous mempunyai kekhususan dimana nilai variannya masih cukup tinggi, tidak mengalami pengerutan ukuran pada saat transformasi dan terdapat redundansi pada citra detaiinya sehingga tidak banyak kehilangan informasi. Hasil penelitian ini juga memperlihatkan bahwa transformasi a Emus mempunyai performansi yang cocok untuk aplikasi deteksi perubahan penutup laltan, karena obyek dalam citra, dapat diamati dalam skala yang berbeda. Makin tinggi tingkat resolusinya maka obyek dengan frekuensi rendah (misal sungai) akan makin jelas struktumya, sedang obyek dengan frekuensi tinggi (misal pohon-pohon yang bergerombol) akan nampak pada beberapa skala rendah dan selanjutnya akan menghilang. Hal ini terjadi karena dalam transfonnasinya harga pixel pada skala-(j+ I) ditentukan berdasarkan harga pixel ke-(k+2'n).Selanjutnya untuk identifikasi obyek, citra denoising akan ditransforrnasi menggunakan wavelet a trous sampai skala 4, karena pada skala 5, terlihat pembesaran obyek sungai sudah tidak proporsional Iagi. Citra detail ini akan di analogikan sebagai band-band seperti pada teknik pemrosesan multiband dari citra optis. Selanjutnya dilakukan pengklasteran pada masing-masing citra detail menggunakan teknik Pentetaan Swa-Atur (SCM), Untuk melakukan deteksi perubahan penutup lahan, akan dilakukan dua cars pemrosesan yaitu pertama akan dilakukan proses Perbedaan Citra pada satu set citra detail yang sudah terklaster dan yang kedua menggunakan PCA, Pada proses PCA dilakukan penseleksian band berdasarkan harga eigenvalue kovariannya. Pertama dipilih band dengan eigcn value terbesar, selanjutnya dipilih band lain yang mempunyai harga eigenvalue kovarian ? 10% dari harga eigenvalue band terbesar. PCA terpilih akan diklasterkan dan dilakukan proses Perbedaan Citra. Hasilnya diperoleh bahwa ada kemiripan antara basil dari proses PCA dan yang langsung dari Perbedaan Citra. Hasil pengamatan memperlihatkan bahwa telah terjadi perubahan pada daerah rawa, scattered trees dan tropical grass, sedangkan untuk obyek sungai, baik yang dalam maupun yang dangkal, sedikit sekali perubahannya. Verifikasi obyek dilakukan menggunakan peta thematik dengan skala 1:250.000 dan citra Landsat TM Kalimantan tengah yang diambil pada Maret (97).

---

Wavelet A. Trolls Algorithm Aided Synthetic Aperture Radar Image Analyses Applied to Land Cover C1-Imange Detection in Central Kalimantan This research studied the land coverage change detection in Central Kalimantan using multi-temporal Synthetic Aperture Radar (SAR) MRS-I. The use of SA.R image for earth surface observation where haze and cloud coverage become a problem, has great potentiality in monitoring the area change. Due to coherence process of the SAR data, this makes the image easily contaminated by speckle noise, which is an independent signal and act as multiplicative noise.The main topic of this research is to minimize the speckle noise (denoising) by using the trout algorithm. Subsequently, to identify objects, SAR image processing is analogue with multiband process of the optical image. Because SAR is single band, a trous wavelet transformation is used to obtain the additional band for a set of detail image. The next step is clustering on the detail image with Self-Organizing Map {SOM} technique due to the unavailability of ground truth. The final step is area change detection with Image Differencing and Principle Component Analysis (PGA) techniques.The denoising in pre-process is performed with noise modeling. In SAR image, since the noise is speckle that is multiplicative in nature, homomorphism process or the process to separate deterministic (signal) and statistic (noise) components is performed so the noise can be modeled in Gaussian. Therefore, before denoising process, image has to take its logarithm first so the signal component is separated from the noise component. A trous transformation is a multiresolution wavelet transformation done in scale (resolution) by scale without decimation. The result is a set of detail image wt (where i represents scale level, r = 1,2.j ) and one approximation image in highest scale e without change in image size in all scales. This did not occur in known wavelet transforms, like Haar and Daubechies, where the transformation has one specific direction and suffering from the shrinking of the image size with the increase of the scale resolution. In the transformation, the value of the 11f' pixel determined by c;+r(k) = 2, h(n) c;(k+2'n), where h is the B3 spline filter coefficient with -2 5 n 5 +2, causing the value of the pixel to decrease or increase according to five (k+2'n) pixel values. The detail image on scale i is obtained from w, = c(1_J) - c,, so there are redundancy of the detail image scale (i-i) with the scale i. This causes the object changes in detail images to become observable. The detail image from a trous transformation that still contain speckle noise is denoised with Multiresolution Support technique, which is a technique for noise significancy testing on each image pixels. The noise significance is based on the standard deviation value of the detail image on the scale j (cr) multiplied with the constant K, that is K6;. This causes the choice of K value affected by the observation area. In this research, experiments are performed with the value of K = 2, 2.5, 3, 3.5 and, the best result is at the K value of 3. The reconstruction result after Multiresolution Support significance test is an image with residual artifact; therefore, it is needed to perform a process to reduce the effect of the residual artifact. The process to reduce the residual artifact is an iteration process where residual image is counted, which is original image reduction subtracted by image with residual artifact. During each iteration, residual image is transformed with a trous into a set of residual detail images and a residual approximation image. Subsequently, significant wavelet coefficient is determined, and the reconstruction is performed. If the residue still significant, then the residual image is added to the residual artifact image of the previous process, and the iteration is performed until the residual value is not significant. In this research, error tolerance is taken at e 5 0,002 and the result is a denoised image.In a wavelet group, the denoising result with a trous can suppress the noise down to 43% without structural damage and very low average devaluation of 0.005%. Although the denoising result is not as good as Haar (50%) or Daubechies (48%), a trous have specification that the transformed image result did not suffer the shrinking in size and have redundancy on the detail image so it's not lose much information. While in wavelet transformation with Haar and Daubechies, the higher the scale will result in structural damage, where visually indicated by boxed shape in Haar, and spots in Daubechies. The result of this research also shown that 'a trous transformation have suitable performance for land coverage area change detection application, and since the objects are in images, it's observable in different scales. Low-frequency objects will become clearer when the resolution is higher, while higher-frequency objects visible in some lower scales and subsequently disappearing. This happens because in the transformation the pixel value in the scale -0+1) is determined by the value of the pixel -(k+ 2'n).For the object identification, denoised image is transformed with a trous wavelet resulting in a set of detail images. Image transformation is done to 4U' scale, since in the 5u' scale, the object magnification is no longer proportional. This detail image is analog as bands like in multib and processing of optical image. Clustering is done on each detail images with. Self-Organizing Map technique. To detect the area coverage change, two processes are performed. First is direct Image Differencing process on a set of clustered detail images, second is with the PCA. In the PCA process, the first step is band selection based on the eigen value co-variant. The band with the biggest eigen value is chosen first, then pick another band with co-variant eigenvalue ? 10% of the biggest. eigen value band. The chosen PCA from March 97 and August 98 images are clustered and processed with image Differencing. So, to process the area change detection with SAR image could be done right away with a trolls wavelet transformation, and for the area detection is using Image Differencing. The result indicates that there are similarities between the result with PCA and without PCA. The observation result shown that there are changes on swamps, scattered trees, and tropical grass areas. While for rivers, either deep or shallow, there is very little change. Object verification is done with thematic map on 1:250000 scale and Landsat TM image taken on March 97."

"Pada penelitian ini akan diterapkan sistim visi komputer terhadap contoh maket pemandangan suatu daerah, yang terdiri dari beberapa jenis kelas pola, misalnya tanaman, air, perumahan, dan sebagainya. Data citra pemandangan tersebut direkam oleh suatu sistim akuisisi memakai kamera video CCD-warna yang mengandung informasi digital dalam tiga kanal spektrum elektromagnetik.Yang akan diselidiki adalah bagaimana jenis-jenis pola tersebut dapat diklasifikasikan oleh suatu sistim perangkat komputer cerdas berbantuan jaringan syaraf tiruan dan logika fuzzy, sehingga hasilnya dapat tervisualisasi ''serta memberikan unjuk- kerja klasifikasi yang cukup .memadai dibandingkan dengan metode-metode yang telah lazim digunakan, seperti multiple density slicing, nearest neighbor, dan maximum likelihood.Aspek penelitian.ini adalah bahwa kalau sistim tersebut berhasil, maka baik metode maupum perangkat yang dibuat dapat dikembangkan untuk teknik penginderaan jauh, aplikasi medis, kontrol kualitas dengan.pemeriksaan oleh mesin komputer, dsb.Unjuk kerja metode klasifikasi dinyatakan oleh prosentasi kebenaran pada-suatu tabel yang menyatakan distribusi pengkategorian obyek ke dalam kelas yang telah ditentukan sebelumnya. Pengecekkannya langsung dilakukan dengan maket yang dibuat, sehingga beberapa pengamatan lapangan dari berbagai sudut pandang serta ketinggian dapat diatur sebaik-baiknya guna melengkapi hasil-hasil percobaan. Disamping itu hasil klasifikasi yang bertipe peta tematik disertai legends yang sesuai, dapat ditampilkan atau divisualisasikan pada layar monitor SVGA.

---

In this research, it is applied a computer vision system to an image which is consisting of several objects patterns. from an artificial maquette scene which had been taken by a color CCD camera. Due to object's responses in several electromagnetic waves are different to each other, then the 'recorded image can be splitted into three different color channels, i.e. blue, green, and red.

The research will investigate how to classify the above patterns. by using' an. intelligent computer system such as neural networks and fuzzy logic in order to obtain a reasonable performance compared with the available conventional classification system such as multiple density slicing, nearest. neighbor, and maximum likelihood.

The aspect of research is that the designed method -if successful- may be developed-to be applied to remote sensing technology, medical application, quality control by machine inspection, etc.

The classification performance is represented by percentage of correct on a truth table, which is reflected the distribution of object's category to a predetermined category. The direct observation can easily be done on the available maquette, so the several looking angles and height can be arranged to accomplish the experimental results. Beside it, the classification results will be represented on a thematic map with suitable legends to be visualized on a SVGA color monitor."