Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Teknologi drone banyak dikembangkan dan digunakan, khususnya pemantauan di medan-medan yang susah terjangkau manusia, namun metode pendeteksian manusia belum ada yang diimplementasikan pada drone. Metode pendeteksian manusia yang sedang populer sekarang seperti metode Histogram of Gradient HoG Local Binary Pattern Feature LBP dengan tingkat keberhasilan mencapai 80 , metode Deformable Part Model DPM dengan tingkat keberhasilan 50 . Penelitian ini melaporkan tingkat keberhasilan dari metode pendeteksian wajah menggunakan LBP diintegrasikan DPM yang nantinya akan coba ditanamkan sebagai penentu pergerakan drone quadcopter . Objek yang tertangkap kamera akan diolah gambarnya dengan metode LBP dan DPM, kedua metode ini berfungsi sebagai feature extraction, dimana gambar diolah sehingga didapatkan data karakteristik dari bentuk gambar yang diekstrak. Data karakteristik akan dicocokkan dengan data model wajah manusia menggunakan classification, sehingga bisa didapatkan tingkat kecocokan objek dengan model. Jika objek sesuai dengan model, akan dikirim jarak dari drone dan objek ke Single Board Computer SBC sebagai acuan pergerakkan drone untuk menggerakan Robot Operating System ROS drone untuk mendekati objek. Jika diperiksa untuk kedua kalinya objek benar-benar sesuai dengan model koordinat objek akan dikirimkan ke Ground Control Station. Dari percobaan didapatkan persentase keberhasilan pendeteksian yang lebih baik karena LBP memiliki akurasi yang baik dan DPM mengurangi jumlah model yang digunakan untuk pencocokan. ......Technology of drone has been developed and used, especially in the fields of monitoring for difficult area to reach by human, but the human detection methods are not implemented on drone yet. The most popular human detection methods are Histogram of Gradient HOG Feature Local Binary Pattern LBP with a success rate 80 , Deformable Part Model DPM with success rate 50 . This research reported a success rate of face detection method using LBP integrated with DPM that will implemented to determined the drone quadcopter movement. Objects caught on camera will be processed with LBP and DPM method, this method serve as feature extraction, where the image is processed to obtain the characteristic data from the extracted image shape. Data will be matched with models data face using classification, so that we will be obtained compatibility of object and models. If the object compatible with the models, a distance from the object to the drone will be sent to Single Board Computer SBC in the drone as a reference movement to approach the object with Robot Operating System ROS. The object will be checked for a second time to cross check the compatibility, then coordinates of the object will be sent to the Ground Control Station. The experimental will be obtained a better percentage of success rate detection because LBP has a good accuracy and DPM reduces the number of models for matching.

Abstrak :
Hipertensi adalah salah satu masalah kesehatan besar di dunia. Hipertensi merupakan salah satu penyebab kerusakan vaskular retina yang disebut Hypertensive retinopathy (HR). HR dapat memunculkan komplikasi yang beragam seperti oklusi pada pembuluh darah retina, rusaknya saraf optik, dan kebutaan. Penelitian ini membahas bagaimana Hypertensive Retinopathy dapat dideteksi melalui citra fundus. Dalam penelitian ini, digunakan metode ekstraksi fitur Local Binary Pattern (LBP) dan metode klasifikasi Support Vector Machine (SVM) dalam mendeteksi HR. Hasil simulasi mununjukkan akurasi Support Vector Machine dalam mengklasifikasi hypertensive retinopathy dan retina normal dengan membandingkan beberapa parameter pada metode LBP, diperoleh nilai akurasi, precision, dan recall tertinggi yaitu 87,5%, 80%, dan 100% secara berturut. Hal ini terjadi pada komposisi data 90% training dan 10% testing untuk parameter LBP dengan radius R=3 dan jumlah tetangga P=24. ......Hypertension is one of the biggest health problems in the world. Hypertension is one of the causes of retinal vascular damage which is called hypertensive retinopathy (HR). HR can lead to various complications such as optic nerve damage, retinal vein occlusion, and blindness. This research studies how hypertensive retinopathy can be detected using fundus image. Extraction feature method, Local Binary Pattern (LBP) and classification method, Support Vector Machine (SVM) are used in this research to detect HR. The results show the accuracy of Support Vector Machine in classifying hypertensive retinopathy and normal retina by comparing parameter in LBP. The experiment achieved the best accuracy of 87,5%. The best accuracy is achieved using 90% training data and 10% testing data with radius R=3 and number of neighbors P=24 in LBP.

Abstrak :
Dengan bertambahnya populasi di Bumi ini, meningkat juga kebutuhan pangan dalam kehidupan. Karena itu, dunia agrikultur diharuskan dapat berjalan dengan efektif dan aman dari ancaman. Meski begitu, pengawasan perkebunan tidak dapat dilakukan oleh manusia terus-menerus, sehingga lahan tersebut dapat diserang oleh gulma, yaitu hama tanaman yang tumbuh dan mengambil nutrisi tanah yang membantu pertumbuhan tanaman agrikultur. Dengan adanya pertimbangan ini, dirancang sistem deteksi objek yang menggunakan ekstraksi objek yang dapat mengambil fitur dari dedaunan tanaman dan membandingkannya dengan fitur dedaunan gulma. Fitur yang diambil berupa bentuk dari daun, dilihat melalui ekstraksi fitur titik ujung suatu objek melalui Oriented FAST and Rotated BRIEF (ORB), dan ekstraksi fitur tekstur objek melalui Local Binary Pattern (LBP). Kedua ekstraksi fitur ini digabungkan melalui metode normalisasi dan z-score, dan akan dijalankan dalam bahasa Python. Evaluasi dilakukan dengan membandingkannya dengan bila sistem dijalankan dengan ORB sendiri dan LBP sendiri, melalui akurasinya. Selain itu, dilakukan evaluasi terhadap SVM untuk klasifikasi citra, dengan menentukan akurasi mana yang lebih tinggi di antara SVC dengan tiga kernel linear, RBF, dan polynomial, atau LinearSVC. Hasil penelitian menunjukan bahwa model deteksi objek menggunakan ORB saja memiliki akurasi lebih tinggi dengan nilai akurasi 0.912 dibanding dengan model deteksi objek dengan LBP yang memiliki akurasi 0.808. Untuk evaluasi model klasifikasi SVM yang sudah menggunakan ekstraksi fitur LBP, SVC dengan kernel linear dan RBF memiliki akurasi yang tinggi, di mana SVC dengan kernel linear memiliki nilai 0.77, dan dengan RBF 0.79. Namun, peningkatan dari akurasi SVC dengan RBF tidak dapat menandingi waktu eksekusi SVC dengan kernel linear yang memiliki nilai 2.62 ms, bila dibanding dengan kernel RBF yang mencapai 3.76 ms. ......, With the increase in Earth’s population, the daily need for food also rises. Due to this, the world of agriculture must run effectively and safe from any threats. However, constant observations of plantations by humans are not possible, leading to the fields to be overgrown by weeds, a pest in the form of plants that grow and take the nutrients of planted crops. With this in consideration, a detection system utilizing feature extraction algorithms designed that is capable of extracting the features, which are shapes and textures, of leaves and weeds. Shapes are taken into account by edge-based feature extraction model, Oriented FAST and Rotated BRIEF(ORB), while textures are analyzed by binary-based Locab Binary Pattern (LBP). These two features are joined using normalization and z-score method, and is run using Python. Evaluation is done by comparing the system with two others using only ORB and LBP, through its accuracy in the system. Other than that, Evaluation will be done on SVM-based image classification, by deciding which of the SVM with three different kernels, linear, RBF and polynomial, and LinearSVC, has the highest accuracy. After evaluation, it is found that ORB is a better feature extraction algorithm within the system, with an accuracy of 0.912, followed by LBP with accuracy of 0.808. For evaluation on SVM with LBP as feature extraction algorithm, SVC with linear and RBF kernels are two of the highest classification models in term of accuracy, with SVC with linear kernel having 0.77 in value, while SVC with RBF kernel having 0.79. However, the 0.02 increase in SVC with RBF kernel’s accuracy is negligible, due to having a longer execution time of 3.76 ms, while SVC with linear kernel has 2.62 ms, making SVC with linear kernel a better choise due to efficiency.

Abstrak :
ABSTRAK
Perkembangan biometrik sebagai alternatif untuk menggantikan proses otentikasi konvensional seperti pin, password, code mengalami peningkatan yang cukup significant. Peningkatan adopsi teknologi biometrik dalam industri e-commerce juga mendorong pasar biometrik semakin berkembang beberapa tahun ke depan. Vein merupakan salah satu biometric feature yang dapat diadaptasi sebagai suatu alat identifikasi pengenalan individu yang sedang banyak dikembangkan hingga saat ini, karena memiliki pola dan struktur vein khas serta memiliki kehandalan tersendiri jika dibandingkan dengan ciri biometrik lainnya, seperti terletak pada bagian dibawah kulit, sulit untuk dilihat dengan mata telanjang ataupun kamera biasa dan sulit untuk rusak dan memiliki liveness detection yang tidak dimiliki biometrik lainnya.

Local Binary Pattern (LBP) dikenal salah satu deskriptor pengenalan gambar yang paling banyak digunakan gambar berbasis tekstur karena keunggulannya. Selain itu LBP merupakan salah satu pendekatan yang paling umum karena kesederhanaan komputasi, yang invarian terhadap perubahan pencahayaan dan kehandalan dalam klasifikasi citra karena menangkap sebagian besar fitur visual penting dari gambar. Local Binary Pattern (LBP) telah diimplementasikan secara luas untuk fitur ekstraksi tangan, mata, wajah, mata, dan gambar lainnya. Meskipun LBP memiliki banyak keuntungan, akan tetapi dari modifikasi LBP yang telah banyak dikembangkan masih menghasilkan deskriptor besar 8-bit untuk setiap piksel dan sensitif terhadap rotasi gambar. Pengembangan yang ada juga belum memiliki fungsi hybrid yakni mengurangi vektor ciri tetapi sekaligus meningkatkan kemampuan diskriminasi.Dalam disertasi ini, deskriptor baru diusulkan berasal dari LBP original yang dikembangkan oleh Ojala, yang disebut Diagonal Vertical Horizontal Local Binary pattern (DVHLBP) yang berhasil menangkap primitif sifat gambar seperti tepi, sudut, garis-ujungnya, bintik-bintik, daerah datar, dan lokal lainnya karakteristik seperti garis, yang belum dibahas dalam LBP konvensional.

Konsep dasar dari Diagonal Vertical Horizontal Local Binary pattern (DVHLBP) dalam penelitian ini mengusulkan teknik ekstraksi ciri dengan operasi yang bisa mengakomodir masalah rotasi yang sering terjadi pada pengenalan vein dengan fungsi representasi bilangan biner. Fitur gambar harus mengambil variasi piksel diagonal serta variasi piksel horizontal dan vertikal di piksel sekitarnya, sehingga dapat berfungsi dengan baik bahkan dalam kasus rotasi dalam gambar. Kelebihan lain dari descriptor yang diusulkan adalah mempertimbangkan rata-rata/mean dari piksel pusat. Teknik ini menganalisis perbedaan intensitas antara piksel pusat dengan piksel tetangganya, dengan membandingkan pusat piksel dengan sepasang piksel berlawanan dalam diagonal yang sama. Dari beberapa skema multidirectional yang dilakukan yakni pada 8 matriks ketetanggan didapat pola biner yang tadinya 8-bit dalam LBP asli menjadi hanya 4-bit dalam DVHLBP. Selain itu penambahan mekanisme uniform pattern untuk proses feature selection juga dilakukan dimana secara otomatis hal tersebut mengurangi panjang histogram mengingat hanya ciri diskriminan yang diambil dan hal ini berdampak pula pada kebutuhan penyimpanan (storage) untuk hasil ekstraksi, hal ini berpengaruh pula pada kompleksitas ruang sistem yang dibangun O(n).

Deskriptor yang diusulkan tetap mempertahankan informasi penting gambar sebuah vein (discrimination feature), invarian terhadap perubahan pencahayaan dan memiliki sifat rotasi invariant. DVHLBP yang diusulkan telah disimulasikan dan dilakukan analisis, dimana simulasi yang dilakukan menggunakan PUT Vein Data set dan CASIA Multispectral Data Set. Hasil simulasi menunjukkan bahwa usulan sistem dapat mencapai kinerja yang lebih baik dengan State-of-The Art dimana error rate (ERR) dari teknik yang diusulkan adalah sebesar 0,08 untuk telapak tangan (palm vein) dan 0.22 untuk pergelangan tangan (wrist vein) dengan akurasi rate sebesar 99,6 % pada palm vein dan 99.4% pada wrist vein. Dan dilihat dari sisi kompleksitas sistem O(n) mengalami efisiensi yang mencapai 50% dibuktikan dalam bentuk matematis.

---

ABSTRACT
The development of biometrics as an alternative to replacing conventional authentication processes such as pins, passwords, code experienced a significant increase. Increasing the adoption of biometric technology in the e-commerce industry also drives the biometric market to grow in the next few years. Vein is one of the biometric features that can be adapted as an individual identification identification tool which is being developed to date, because it has a distinctive vein pattern and structure and has its own reliability compared to other biometric features, such as located under the skin, it is difficult to seen with the naked eye or ordinary camera and difficult to damage and have liveness detection that other biometrics do not have.

Local Binary Pattern (LBP) is known as one of the most widely used image recognition descriptors based on texture because of its superiority. In addition LBP is one of the most common approaches due to computational simplicity, which is invariant of lighting changes and reliability in image classification because it captures most important visual features of images. Local Binary Pattern (LBP) has been widely implemented for extraction features of hands, eyes, face, eyes and other images. Although LBP has many advantages, however, the LBP modification that has been widely developed still produces a large 8-bit descriptor for each piksel and is sensitive to image rotation. The existing development also does not have a hybrid function, namely reducing feature vectors but also increasing discrimination capabilities. In this dissertation, a new descriptor is proposed from the original LBP developed by Ojala, called the Diagonal Vertical Horizontal Local Binary pattern (DVHLBP) that successfully captures primitive traits images such as edges, angles, edges, spots, flat areas, and other local characteristics such as lines, which have not been discussed in conventional LBP.

The basic concept of Diagonal Vertical Horizontal Local Binary Pattern (DVHLBP) in this study proposes feature extraction techniques with operations that can accommodate rotation problems that often occur in the introduction of veins with binary number representation functions. The image feature must take diagonal pixels variations as well as horizontal and vertical pixels variations in the surrounding pixels, so that it can function properly even in the case of rotations in the image. Another advantage of the proposed descriptor is considering the mean / mean of center pixel. This technique analyzes the difference in intensity between the central piksel and neighboring piksels, by comparing the center of the piksel with a pair of opposite piksels in the same diagonal. From several multidirectional schemes on 8 neighboor that are carried out, binary patterns are obtained which were 8-bits in the original LBP to be only 4-bits in DVHLBP. In addition, the addition of the uniform pattern mechanism for the feature selection process is also done where it automatically reduces the length of the histogram considering that only discriminant characteristics are taken and this also affects the storage requirements for extraction results, this also affects the complexity of the system space built O (n).

The proposed descriptors retain important information on a vein image (discrimination feature), invariance of lighting changes and have rotational invariant properties. The proposed DVHLBP has been simulated and analyzed, where simulations were carried out using the PUT Vein Data set and CASIA Multispectral Data Set. The simulation results show that the proposed system can achieve better performance with State-of-the-Art where the error rate (ERR) of the proposed technique is 0.08 for the palm (palm vein) and 0.22 for the wrist (wrist vein) with an accuracy rate of 99.6% on the palm vein and 99.4% on the wrist vein. And in terms of system complexity O (n) has an efficiency that reaches 50% as evidenced in mathematical form.

Abstrak :
ABSTRAK

Skripsi ini membahas tentang simulasi sistem untuk mendeteksi pejalan kaki. Dikarenakan hak pejalan kaki yang masih dipandang sebelah mata, maka tidak pernah luput dari kejadian yang tidak diinginkan seperti kecelakaan. Penelitian skripsi ini bertujuan agar mengetahui bagaimana kinerja sistem untuk mendeteksi pejalan kaki. Simulasi ini memanfaatkan aplikasi MATLAB sebagai hasil output-nya. Dengan menggabungkan tiga metode sebagai acuannya yaitu Background Subtraction, Histogram of Oriented Gradient (HOG) dan Local Binary Pattern (LBP), memberikan output dimana dapat mendeteksi pejalan kaki. Vision.PeopleDetector digunakan untuk mendeteksi pejalan kaki secara tegak dan GetMapping untuk LBP. Dari sistem yang dibuat dilakukan analisis berdasarkan waktu dan akurasi deteksi dengan membandingkan empat metode, yaitu HOG, Background Subtraction-HOG, HOG-LBP dan Background Subtraction-HOG-LBP. Hasilnya adalah metode gabungan Background Subtraction-HOG-LBP tidak sebaik metode yang lain. Waktu eksekusi selama 255,41 second. Akurasi 10 fps sebesar 59,5 % dan 20 fps sebesar 51%. Akurasi resolusi sebesar 640x480 42% dan 480x320 sebesar 44%.

---

ABSTRACT

This final assignment discusses about system simulation for pedestrian detection. Because of the rights of pedestrian who are still underestimated, then never escape from undesirable events such as accident. This research aims to find out how the system works to detect pedestrian. This simulation use MATLAB software as output. Pedestrian detection simulation combine three methods, there are Background Subtraction, Histogram of Oriented Gradient (HOG) and Local Binary Pattern (LBP). Vision.PeopleDetector used to detect pedestrian in an upright and GetMapping for LBP. From the system, you can do analysis time and accuracy by comparing four methods, they are HOG, Background Subtraction-HOG, HOG-LBP and Background subtraction-HOG-LBP. The result is method of Background Subtraction-HOG-LBP is not as good as other methods. Elapsed time is 255,41 seconds. Resolution accuracy is 42% for 640x480 and 44% for 480x320.

Abstrak :
Skripsi ini membahas tentang simulasi sistem untuk mendeteksi pejalan kaki. Dikarenakan hak pejalan kaki yang masih dipandang sebelah mata, maka tidak pernah luput dari kejadian yang tidak diinginkan seperti kecelakaan. Penelitian skripsi ini bertujuan agar mengetahui bagaimana kinerja sistem untuk mendeteksi pejalan kaki. Simulasi ini memanfaatkan aplikasi MATLAB sebagai hasil output-nya. Dengan menggabungkan tiga metode sebagai acuannya yaitu Background Subtraction, Histogram of Oriented Gradient (HOG) dan Local Binary Pattern (LBP), memberikan output dimana dapat mendeteksi pejalan kaki. Vision.PeopleDetector digunakan untuk mendeteksi pejalan kaki secara tegak dan GetMapping untuk LBP. Dari sistem yang dibuat dilakukan analisis berdasarkan waktu dan akurasi deteksi dengan membandingkan empat metode, yaitu HOG, Background Subtraction-HOG, HOG-LBP dan Background Subtraction-HOG-LBP. Hasilnya adalah metode gabungan Background Subtraction-HOG-LBP tidak sebaik metode yang lain. Waktu eksekusi selama 255,41 second. Akurasi 10 fps sebesar 59,5 % dan 20 fps sebesar 51%. Akurasi resolusi sebesar 640x480 42% dan 480x320 sebesar 44%.

---

This final assignment discusses about system simulation for pedestrian detection. Because of the rights of pedestrian who are still underestimated, then never escape from undesirable events such as accident. This research aims to find out how the system works to detect pedestrian. This simulation use MATLAB software as output. Pedestrian detection simulation combine three methods, there are Background Subtraction, Histogram of Oriented Gradient (HOG) and Local Binary Pattern (LBP). Vision.PeopleDetector used to detect pedestrian in an upright and GetMapping for LBP. From the system, you can do analysis time and accuracy by comparing four methods, they are HOG, Background Subtraction-HOG, HOG-LBP and Background subtraction-HOG-LBP. The result is method of Background Subtraction-HOG-LBP is not as good as other methods. Elapsed time is 255,41 seconds. Resolution accuracy is 42% for 640x480 and 44% for 480x320.

Abstrak :
Sistem pengenalan wajah telah banyak diaplikasikan dengan menggunakan berbagai metode, diantaranya: metode PCA, metode ICA, metode LDA, metode EP, metode EBGM, metode Kernel, metode 3-D Morphable, metode 3-D Face Recognition, metode Bayesian Framework, metode HMM, metode SVM, dan sebagainya. Pada penelitian ini digunakan metode Local Binary Pattern LBP untuk melakukan ekstraksi fitur citra wajah, serta metode SVM dan KNN untuk mengukur tingkat akurasi sistem pengenalan wajah. Data yang digunakan pada penelitian ini yaitu citra wajah 25 mahasiswa Matematika Universitas Indonesia, masing-masing individu diambil 10 citra wajah yang berbeda terdiri dari 5 citra wajah menggunakan kacamata dan 5 citra lainnya tidak menggunakan kacamata, serta diambil dari sudut yang berlainan. Berdasarkan pengujian yang telah dilakukan, metode KNN dengan memperoleh tingkat akurasi terbaik yaitu sebesar 96.20 pada iterasi 100 dan 90 data training. Hal ini menunjukkan metode KNN lebih baik dibandingkan dengan metode SVM yang hanya memperoleh tingkat akurasi sebesar 94.80 pada iterasi 100 dan 90 data training.

---

Face recognition has been widely applied using various methods, that is PCA, ICA, LDA, EP, EBGM, Kernel, 3 D Morphable, 3 D Face Recognition, Bayesian Framework, HMM, SVM, etc. In this research, the Local Binary Pattern LBP method is used to perform feature extraction of a facial image, and to measure the accuracy level of face recognition used SVM and knn method. The data used in this research are face images of 25 mathematics students of University of Indonesia, each individual took 10 different facial images consisting of 5 face images are using glasses with 5 different angles and 5 other images aren 39 t using glasses that also taken from the same 5 different angles. Based on the tests, KNN method with K 1 obtained the best accuracy of 96.20 at 100 iterations and 90 training data. This result shows the KNN method is better than the SVM method which only obtained 94.80 at 100 iterations and 90 of training data.

Abstrak :
Di dunia kesehatan, tenaga medis dituntut untuk mengatasi berbagai jenis penyakit dengan gejala yang beragam. Oleh karena itu, diperlukan suatu teknologi untuk membantu mereka menyelesaikannya dengan baik. Penelitian ini mendukung mereka dengan menggunakan machine learning sebagai pemecah masalah. Metode machine learning yang digunakan pada penelitian ini adalah metode klasifikasi. Penulis membahas tentang stroke yang merupakan salah satu penyakit dengan angka kematian tertinggi di dunia. Penelitian ini mengamati perubahan densitas pada otak penderita stroke iskemik. Stroke iskemik merupakan salah satu jenis stroke yang terjadi ketika pembuluh darah tersumbat oleh trombus atau emboli. Penelitian ini menggunakan data CT scan dari Departemen Radiologi, Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Data yang berupa citra CT scan diubah menjadi data numerik dengan metode Gray Level Co-Occurrence Matrix dan Local Binary Pattern yang dibandingkan performanya pada saat melakukan proses klasifikasi. Penelitian ini menerapkan Support Vector Machines sebagai metode klasifikasi. Didapatkan hasil bahwa Support Vector Machines dengan Local Binary Pattern menghasilkan performa yang lebih baik dibandingkan Support Vector Machines dengan Gray Level Co-Occurrence Matrix.

---

In the health sector, the medical staffs are challenged to overcome many types of diseases with various symptoms. Therefore, a technology is needed to help them solving it well. This study is supporting them by using a machine learning as the problem solver. The machine learning method that is used in this study is classification method. The author discusses about stroke which is one of the diseases with the highest mortality rate in the world. This study observed the density changes in the brain of ischemic stroke sufferers. Ischemic stroke is one of the stroke types that occurs when the arteries are blocked by thrombus or embolism. This study used data of CT scan from Department of Radiology, Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The image data of the CT scan is changed into a numerical data by using the Gray Level Co-Occurrence Matrix method and the Local Binary Pattern which is being compared when processing the classification. This study applies Support Vector Machines as the classification method. The results showed that Support Vector Machines with Local Binary Pattern has a better performance than Support Vector Machines with Gray Level Co-Occurrence Matrix.

Abstrak :
Seiring dengan berjalannya waktu, jumlah populasi di dunia terus bertambah. Dengan demikian, lebih banyak upaya dan inovasi yang dibutuhkan dalam meningkatkan produksi pertanian secara berkelanjutan. Hal ini bertujuan untuk mengurangi kehilangan dan pemborosan pangan, serta memastikan bahwa tidak ada yang menderita kelaparan dan kekurangan gizi. Dengan berdasarkan kepada Kebijakan RPJMN 2020-2024 dan mengingat bahwa Indonesia merupakan negara agraris, penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi suatu sistem yang mampu mengklasifikasikan tanaman sehat dan gulma berbasis Machine Learning (ML) dengan metode Local Binary Pattern (LBP) sebagai feature extraction dan Extra-Trees sebagai classifier utama. Penelitian ini membuktikan bahwa sistem klasifikasi dengan LBP lebih optimal jika dibandingkan dengan sistem klasifikasi tanpa LBP serta membuktikan bahwa Extra-Trees merupakan classifier yang paling optimal untuk dikombinasikan dengan LBP jika dibandingkan dengan classifier lainnya. Hasilnya, tingkat akurasi dari sistem klasifikasi yang mengimplementasikan LBP sebagai ekstraksi fitur, yakni 99.65%, lebih tinggi daripada sistem klasifikasi yang tidak mengimplementasikan LBP, yakni 98%. Sistem klasifikasi yang mengimplementasikan LBP memperoleh nilai TPR / Sensitivity sebesar 99.3915, FPR sebesar 0.0986, TNR / Specificity sebesar 99.9014, dan FNR sebesar 0.6085. Selain itu, Extra-Trees menjadi classifier dengan tingkat akurasi tertinggi ketika dikombinasikan dengan LBP, jika dibandingkan dengan classifier lainnya. Urutan classifier yang dikombinasikan dengan LBP mulai dari tingkat akurasi tertinggi hingga tingkat akurasi terendah adalah Extra-Trees (99.65%), Stacking (99.55%), Bagging (99.4%), Random Forest (99.4%), Ada Boost (99.35%), Extra Tree (99.25%), Linear SVC (99.25%), MLP (99.2%), Decision Tree (99%), dan NuSVC (98.8%). Dengan demikian, sistem klasifikasi dengan LBP lebih optimal jika dibandingkan dengan sistem klasifikasi tanpa LBP serta Extra-Trees menjadi classifier yang paling optimal untuk dikombinasikan dengan LBP jika dibandingkan dengan classifier lainnya. ......Over time, the world's population continues to grow. Thus, more efforts and innovations are needed to increase agricultural production in a sustainable manner. This aims to reduce food loss and waste, as well as ensure that no one suffers from hunger and malnutrition. Based on Kebijakan RPJMN 2020-2024 and remembering that Indonesia is an agricultural country, the author decided to implement and evaluate a system that capable to classifying healthy plants and weeds based on Machine Learning (ML) using the Local Binary Pattern (LBP) method as feature extraction and Extra-Trees as main classifier. This study proves that the classification system with LBP is more optimal than the classification system without LBP and proves that Extra-Trees is the most optimal classifier to be combined with LBP when compared to other classifiers. As a result, the level of accuracy of the classification system that implements LBP as feature extraction, which is 99.65%, is higher than the classification system that does not implement LBP, which is 98%. The classification system that implements LBP has a TPR / Sensitivity value of 99.3915, an FPR of 0.0986, a TNR / Specificity of 99.9014, and an FNR of 0.6085. In addition, Extra-Trees is a classifier with the highest level of accuracy when combined with LBP, if compared to other classifiers. The order of classifiers combined with LBP starting from the highest level of accuracy to the lowest level of accuracy is Extra-Trees (99.65%), Stacking (99.55%), Bagging (99.4%), Random Forest (99.4%), Ada Boost (99.35%), Extra Tree (99.25%), Linear SVC (99.25%), MLP (99.2%), Decision Tree (99%), and NuSVC (98.8%). Thus, the classification system with LBP is more optimal than the classification system without LBP and Extra-Trees is the most optimal classifier to be combined with LBP if compared to other classifiers.

Abstrak :
An efficient Region-Based Image Retrieval (RBIR) system must consider query region determination techniques and target regions in the retrieval process. A query region is a region that must contain a Region of Interest (ROI) or saliency region. A query region determination can be specified manually or automatically. However, manual determination is considered less efficient and tedious for users. The selected query region must determine specific target regions in the image collection to reduce the retrieval time. This study proposes a strategy of query region determination based on the Region Importance Index (RII) value and relative position of the Saliency Region Overlapping Block (SROB) to produce a more efficient RBIR. The entire region is formed by using the mean shift segmentation method. The RII value is calculated based on a percentage of the region area and region distance to the center of the image. Whereas the target regions are determined by considering the relative position of SROB, the performance of the proposed method is tested on a CorelDB dataset. Experimental results show that the proposed method can reduce the Average of Retrieval Time to 0.054 seconds with a 5x5 block size configuration.