Hasil Pencarian  ::  Simpan CSV :: Kembali

"Ekstraksi fitur merupakan tahap penting dalam pengenalan objek. Fitur yang dihasilkan dalam tahapan ini akan sangat menentukan ke-akuratan suatu objek ketika dikenali. Scale Invariant Feature Transform (SIFT) merupakan suatu metode yang memberikan fitur-fitur khas dan invarian terhadap berbagai jenis perubahan pada citra. Pada skripsi ini akan dibahas tentang SIFT sebagai metode ekstraksi fitur pada pengenalan objek. Selain itu juga akan dilakukan perancangan simulasi untuk menguji kinerja dan performansi SIFT jika digunakan pada pengenalan jenis kendaraan. Performa dari SIFT ini akan diukur dari grafik recall vs. 1-precision yang dihasilkan dan lamanya waktu proses.

---

Feature Extraction is an important stage in object recognition. The features generated in this stage will determine the accuracy of object recognition. Scale Invariant Feature Transform (SIFT) is a method which generate a unique features and invariant against various changes in the image. This thesis will discuss about SIFT as a feature extraction method in object recognition. Also a simulation will be design to test the performance of SIFT if used in a vehicle type recognition. The performance of SIFT can be measured from the graph of recall vs. 1-precision and the processing time."

"ABSTRAKSalah satu pendekatan dalam pengenalan objek dengan menggunakan komputer adalah pendekatan fitur. Pendekatan fitur dilakukan dengan mencari fitur-fitur penting atau keypoint-keypoint dari suatu gambar. Scale invariant feature transform (SIFT) merupakan salah satu metode yang cukup populer dalam pengenalan objek berdasarkan pendekatan fitur. Skripsi ini dibuat untuk merancang suatu program untuk mengenali objek kapal perang dengan metode SIFT dan melakukan simulasi serta analisis dari hasil program tersebut. Performa SIFT dalam mengenali objek akan diukur dari persentase kesuksesan mengenali gambar, parameter recall vs 1-precision, dan parameter F1 Score sesuai dengan nilai threshold yang divariasikan. Hasil simulasi menunjukkan bahwa nilai threshold yang paling optimal adalah senilai 0.7 dengan tingkat akurasi sebesar 83,33%.

---

ABSTRACTFeature approach is one of computerized object recognition approaches. Feature approach is done by finding important features or keypoints from an image. Scale Invariant Feature Transform (SIFT) is a popular method in object recognition based on feature approach. This thesis is created to design an object recognition program on battleship applications with SIFT method, do the simulation, and analyze the program results. SIFT?s performance on recognizing object will be measured from successful recognition percentage, recall vs 1- precision, and F1 Score parameter with variated threshold value. Simulation results show that the best threshold value is 0.7 with 83.33% accuration."

"Batik adalah kain yang dihias dengan menggunakan teknik dekorasi tekstil yang memanfaatkan malam sebagai perintang warna. Seni batik telah dikembangkan sejak lama di beberapa bagian negara Asia termasuk Indonesia. Pemanfaatan teknologi informasi dalam bentuk metode deteksi motif batik dapat mendukung perkembangan industri kreatif karena sistem ini nantinya dapat dijadikan sebagai acuan bagi perkembangan elemen-elemen desain motif batik. Fokus penelitian ini adalah deteksi motif batik yang memiliki karakteristik kemunculan yang berulang, multi translasi, multi skala, dan multi orientasi. Domain batik dengan pola geometrisnya dipilih sebagai area implementasi terkait dengan karakteristik motif batik yang bersifat simetri, kemunculan obyek yang berulang di beberapa lokasi dalam satu bidang kain, dan sering kali obyek-obyek motif batik tersebut telah mengalami perubahan skala ataupun perubahan orientasi. Kondisi tersebut dapat menyebabkan adanya kesalahan deteksi dan kesalahan klasifikasi. Metode deteksi motif batik yang diusulkan menggunakan fitur SIFT dan serangkaian post processing berupa voting Hough Transform, clustering, smoothing, deteksi peak, penambahan jumlah minimum voting dan penggabungan konfigurasi yang memiliki nilai berdekatan. Pada citra kueri dilakukan ekstraksi fitur menggunakan SIFT. Deskriptor yang dihasilkan dicocokkan dengan deskriptor citra template pada basis data. Pada penelitian ini diusulkan metode pencocokan keypoint yang berbeda dengan metode standar pencocokan SIFT. Seluruh pasangan keypoint diurutkan mulai dari yang memiliki jarak terdekat hingga yang paling jauh. Selanjutnya ditentukan nilai ambang jumlah keypoint sebesar 1%, 5% dan 10%. Pasangan keypoint hasil pencocokan dilakukan voting menggunakan Hough Transform terhadap konsistensi pose geometris obyek citra kueri. Sehubungan dengan permasalahan yang dihadapi dalam deteksi motif batik, proses pencocokan deskriptor citra berupa keypoint yang diperoleh melalui ekstraksi fitur, harus dapat dilakukan dengan baik sehingga kualitas deteksi motif batik menjadi lebih baik.Pada penelitian ini dikembangkan pula beberapa metode deteksi obyek yang berfungsi sebagai pengambil keputusan terhadap keberadaan obyek tertentu pada citra kueri. Metode deteksi obyek ini bekerja dengan cara mengambil hingga maksimum 80% dari nilai peak tertinggi yang terbentuk pada ruang Hough (MDOTresh), penggunaan nilai ambang berdasarkan rumusan rata-rata nilai peak yang terendah dan peak yang tertinggi (MDOAverage), penentuan nilai k berdasarkan nilai-nilai peak tertinggi sesuai dengan jumlah obyek yang terdapat pada groundtruth (MDOTopk), mengambil konfigurasi pada peak yang memiliki minimum nilai sebesar 3 voting pada setiap konfigurasi luaran ruang Hough (MDOMin), penentuan representasi obyek berdasarkan keluaran clustering DBSCAN (MDOScan), dan melakukan proses smoothing menggunakan filter Gaussian pada hasil deteksi dengan jumlah minimum voting sebanyak 3 buah (MDOGauss).Kehandalan metode dalam melakukan deteksi diindikasikan dengan ketepatan dalam menentukan jumlah obyek yang terdapat pada citra kueri dan mampu mengenali motif batik walaupun telah mengalami transformasi geometris melalui perpindahan posisi, perbedaan skala, dan perubahan orientasi. Berdasarkan hasil yang telah diperoleh, metode deteksi motif batik untuk data citra kueri dengan obyek tunggal, kombinasi translasi, skala, dan orientasi mencapai nilai kinerja maksimum 95.28% menggunakan MDOTresh, sedangkan pada citra kueri dengan obyek tunggal dan variasi noise mencapai 100% melalui MDOTresh, MDOAverage, dan MDOTopk. Hal ini menunjukkan bahwa metode deteksi motif batik mampu menangani obyek tunggal dengan berbagai kondisi. Pada deteksi motif batik dengan multi obyek, multi translasi, multi skala dan multi orientasi capaian maksimum kinerja metode usulan adalah 92.13%, sedangkan untuk citra kueri dengan multi obyek, multi translasi, multi skala, multi orientasi, dan variasi noise diperoleh capaian kinerja 89.89%. Keduanya diperoleh melalui pendekatan MDOGauss. Pada kondisi ini, penambahan jumlah obyek motif pada citra kueri menyebabkan bertambahnya jumlah obyek yang tidak berhasil dideteksi. Kasus selanjutnya adalah deteksi obyek motif batik dengan multi motif, multi obyek, multi skala, dan multi orientasi dengan luaran ruang Hough berupa jumlah voting absolut mencapai 96.09% untuk MDOTresh. Transformasi geometris pada obyek motif batik berakibat penurunan kontras citra sehingga berpengaruh pada jumlah voting yang dihasilkan. Untuk komposisi motif teratur dengan jumlah maksimum 16 obyek motif batik untuk motif sejenis mendapatkan hasil 100% melalui MDOAverage, sedangkan untuk multi motif 92.59% melalui pendekatan MDOTresh dan MDOAverage.

---

Batik is a fabric printed design of hand-printing textiles by coating with wax. Batik has been developed since a long time in various countries including Indonesia. Nowadays, information technology is being utilized in recognizing batik motif. Therefore, the development of batik motif detection system is expected to support creative industries since the system can be used as a reference for the development pattern design. This study proposes an object recognition system for batik motif based on clustering Scale Invariant Features Transform (SIFT) features in Hough space. Our principal objective is to verify how many instances of the same object to our method detects accurately, when the object motif is posed in different positions, orientations, and scales. The geometric patterns domain is being selected regarding the characteristics of batik motifs. Batik motifs have symmetrical property and repeated in multiple locations. In addition, the objects of batik motif may be changed in terms of scale and orientation. The proposed method in this research consists of the feature extraction process using SIFT and post processing, namely voting Hough Transform, clustering, smoothing and peak detection. The keypoints from query image and the keypoints from template are matched with comparing the Euclidean distance of each keypoints descriptor in query image to all keypoint descriptors in template image. In this study we proposed a new matching keypoints method. All matched keypoints will be sorted from the closets distance to the farthest distance. Then, we determine the number of matched keypoint that will be used in the next process through the threshold 1%, 5%, and 10%. The similarity of primitive pattern and the occurrences of a motif in different location, scale and orientation will interfere the detection process. Consequently, the SIFT local feature representation must be performed well in terms of feature detection and matching.

In this study, several object detection methods are proposed as well based on object’s representation resulted from the voting process in Hough space. Object detection method using thresholding (MDOTresh) is taking 80% of maximum peak value, while object detection method with average threshold (MDOAverage) picks the mean value of minimum and maximum peak in the Hough space. Object detection method Top k (MDOTopk) determines k number of objects from the highest peaks found in the Hough space based on the number of objects in ground truth. Object detection method based on Minimum Voting (MDOMin) considers the voting configurations which have a certain number of votes. In this study the minimum number of votes is tuned to 3 as a valid configuration. Object detection method based on DBSCAN (MDOScan) determines the representation of the object from output clustering. Object detection method using Minimum Voting + Gaussian (MDOGauss) implements smoothing process using Gaussian filter for the output configurations which have a minimum number of votes as 3.

The reliability of batik motif recognition system is indicated by the ability of the system to find the number of object motif contained in query image and to classify the object motif into one of several batik motif classes even though the objects motif have undergone a geometric transformation. The evaluation of the proposed method is employing several data sets. Based on the evaluation result using query images with a single object, combination of translation, scale and orientation, object detection system MDOTresh gained balanced score 95.28%, while for the query image with a single object and scale variation of noise reached 100% through MDOTresh, and MDOAverage. It is apparent that the recognition system is capable of dealing with a single object with a various conditions. In recognition process for query image with multiple occurrences object, multi translation, multi scale and multi orientation, the highest performance is 92.13%, whereas for the image query with multi object, multi translation, multi-scale, multi- orientation, and variations in noise yielded 89.89%. Both are obtained through MDOGauss approach. In this case, increasing the number of object motif in the query image, a greater number of incorrect detections are obtained. The next case is the object motif recognition from query images with multi motif, multi object, multi scale and multi orientation. This data set has 2 outputs from Hough space namely absolute voting number and normalized voting number. The absolute voting number outputs achieved the best performance at 96.09% for the MDOTresh, while the normalized voting number gained 36.92% for MDOGauss. Geometric transformations on the object motif will be decreased contrast of object in the query image so that affected the number of voting resulted. The last data set is a regular texture, composition of the object motif with a maximum numbers are 16 objects. The best performance is 100% for homogeneous motif achieved from MDOAverage, while for multi motif yielded 92.59% achieves from MDOTresh and MDOAverage as the best."

"Sistem pengenalan wajah yang menggunakan pendekatan klasik sejauh ini belum dapat memberikan hasil optimal jika dihadapkan pada tantangan oklusi. Tantangan oklusi yang dikaji pada penelitian ini adalah saat wajah menggunakan masker. Jika seseorang menggunakan aplikasi sistem pengenalan wajah dengan harus membuka masker terlebih dahulu di tempat umum tentunya sangat berbahaya untuk keselamatan dan kesehatan semua pihak. Sehingga dibutuhkan sistem pengenalan wajah yang memiliki performa sistem yang tinggi dengan tantangan oklusi masker. Penelitian ini membangun sistem pengenalan wajah bermasker dengan pendekatan holistic dan partial face. Metode ekstraksi fitur yang digunakan adalah penggabungan metode kurvatur yang menggunakan turunan parsial orde satu dan dua dengan metode analitik seperti gray level co-occurrence matrix (GLCM) dan multi-resolution analysis (MRA) seperti transformasi wavelet diskrit (DWT), scale-space (SS) dan wavelet packet transform (WPT). Pada penelitian ini juga ditemukan kriteria baru (keterbaruan penelitian) yang dinamakan curvature best basis (CBB) untuk memilih basis pada algoritma best basis di dalam WPT. Kriteria baru pemilihan basis terbaik bersifat dinamis dan menggunakan nilai tertinggi dari ukuran statistik standar deviasi dari kurvatur rerata pada koefisien wavelet. Basis terbaik bekerja sebagai fitur terekstraksi yang bekerja di dalam sistem pengenalan. Penelitian ini dievaluasi menggunakan dataset RFFMDS v1.0, RFFMDS v2.0 EYB, dan UBIPr. Hasil penelitian menunjukkan bahwa sistem pengenalan wajah dengan tantangan oklusi masker berhasil dibangun menggunakan pendekatan holistic dengan akurasi pengenalan sistem sebesar 98,11% dan dengan pendekatan partial face dengan akurasi sebesar 98,80%. Kedua hasil akurasi terbaik ini diperoleh dengan metode curvature best basis. Performa sistem pengenalan yang menggunakan metode curvature best basis dengan pendekatan holistic maupun partial face menunjukkan performa tertinggi dibandingkan dengan performa penelitian sebelumnya.

---

The face recognition system has not been able to produce satisfactory results when it applies classical approach to handle occlusion problems. This research evaluated masked face as the occlusion problem. If someone wants to use the face recognition system, he or she needs to take off the mask to accurately use the device. This becomes a risk for the safety to all party. The needs to have a stable high performance face recognition system has arisen. This research built the face recognition system with two approaches, holistic approach and partial face approach. The feature extraction method was combination of curvature of the first and second order of partial derivative and analytical methods such as gray level co-occurrence matrix (GLCM) and multi-resolution analysis (MRA) of discrete wavelet transform (DWT), scale-space (SS), and wavelet packet transform (WPT). A new dynamic criterion inside WPT has been proposed using the highest standard deviation from the mean curvature of wavelet coefficients. The single selected best basis works as extracted feature inside recognition system and it is called curvature best basis. The recognition system was evaluated using RFFMDS v1.0, RFFMDS v1.0 EYB, and UBIPr datasets. The results showed that the accuracy of the holistic approach was 98,11% and the accuracy of the partial face approach was 98,80% for the masked face recognition system. Both results derived from the proposed curvature best basis. The recognition system’s performance with curvature best basis overcome the results from previous works."

"Terdapat dua masalah besar yang diselesaikan dalam disertasi ini, yaitu masalah pemrosesan sinyal dan masalah aplikasi sinyal EEG dalam pengenalan keadaan emosi. Masalah tersebut diselesaikan dengan metode kecerdasan komputasional yang terdiri dari bagian utama, ekstraksi fitur dan klasifikasi. Pada bagian ekstraksi fitur, pada disertasi ini dibahas penggunaan metode konvensional ekstraksi fitur berbasis power spectrum yaitu dengan Discrete Wavelet Transform DWT , dan penggunaan metode baru ekstraksi fitur yang diajukan yaitu analisis bispektrum dengan filter piramida 3D, serta dengan Relative wavelet bispectrum RWB.Untuk menyelesaikan permasalahan penerapannya pada sistem otomatis pengenal emosi, maka classifier dengan jenis Artificial Neural Network ANN digunakan.Penggunaan DWT dalam metode ekstraksi fitur menunjukkan bahwa fitur Relative Wavelet Energy DWT RWE memberikan recognition rate terbaik, konsep energi relatif ini kemudian digunakan pada metode baru yang diajukan. Pada metode baru ekstraksi fitur menggunakan analisis bispektrum dengan filter piramida 3D, diketahui bahwa persentase mean bispektrum memberikan recognition rate yang terbaik dengan kompleksitas yang lebih rendah 74.22 untuk arousal dan 77.58 untuk valence.Filter non-overlap dengan ukuran alas yang bervariasi memberikan recognition rate tertinggi, khususnya secara signifikan terlihat untuk jenis emosi arousal. Penurunan jumlah channel EEG sampai dengan 8 channel dapat dilakukan untuk menurunkan biaya komputasi. Metode baru ekstraksi fitur yaitu RWB telah diajukan dalam disertasi ini dan menunjukkan pengenalan yang sangat baik mencapai 90 untuk data sinyal EEG orang alkoholik. Semakin besar lag yang digunakan dalam perhitungan korelasi, semakin tinggi recognition rate yang diperoleh.Capaian dari penelitian ini membuktikan bahwa RWB cocok untuk digunakan sebagai metode ekstraksi fitur untuk klasifikasi orang alkoholik, dan dapat dipertimbangkan untuk digunakan pada aplikasi lainnya. Dari keempat classifier yang diujikan, dari segi recognition rate, PNN sedikit lebih unggul daripada BPNN, namun uji sensitivity, specificity dan PPV serta grafik ROC menunjukkan bahwa BPNN merupakan classifier yang lebih baik dibanding PNN. Di sisi lain, waktu komputasi PNN untuk mencapai recognition rate maksimum adalah sekitar 3,5 kali lebih cepat dibanding BPNN.

---

There are two major problems resolved in this dissertation, which are signal processing problem and the problem in EEG signal in the application of recognizing human emotional states. The problems were solved by applying a computational intelligence method consists of two main parts, the feature extraction and the classification. In the feature extraction sub system, this study improved a conventional methods using power spectrum from discrete wavelet transform DWT, and proposed a new method for feature extraction by using bispectrum analysis with 3D pyramid flter, as well as using relative wavelet bispectrum RWB.To solve the problem in the application of EEG signal for automatic emotion recognition system, the artificial neural network ANN classifier was used.The use of DWT in the feature extraction method shows that the relative wavelet energy DWT RWE feature provides the best recognition rate, the relative energy concept was then used in the proposed new feature extraction methods. In the proposed feature extraction using bispectrum analysis with 3D pyramid filters, the mean percentage of bispectrum feature gave the best recognition rate with lower complexity i.e. 74.22 for arousal and 77.58 for valence.Non overlap filters with varied base sizes provided the highest recognition rate, and significantly seen for the arousal emotion. The selection of eight EEG channels can be conducted to lower the cost of computing. A novel feature extraction method, the RWB, showed an excellent recognition for the alcoholic person. The larger the lag used in the correlation calculation in RWB, the higher the recognition rate obtained.The achievements of this study proved that RWB is suitable as a feature extraction method for the classification of alcoholic subjects, and may be considered for use in other applications.Of the four classifiers tested, PNN is slightly superior to BPNN in terms of recognition rate however, the sensitivity, specificity and PPV tests and ROC graph shown that BPNN is a better classifier than PNN. On the other hand, the PNN computing time to reach the maximum recognition rate was about 3.5 times faster than BPNN."

"In this paper a new approach to face recognition is presented that achieves one coefficient foe every region,manking the system computationally efficient with better recognition result....."

"ABSTRAKPerkembangan 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.

---

ABSTRACTThe 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."

"Jenis-jenis alat musik yang digunakan dalam suatu musik adalah salah satu cara menjelaskan musik tersebut. Skripsi ini membahas penggunaan ekstraksi fitur MFCC dan metode klasifikasi k-NN untuk mengklasifikasi alat musik berdasarkan suara yang dihasilkannya. MFCC merupakan sebuah metode yang mampu mengolah sebuah data suara sehingga menghasilkan beberapa fitur yang bersifat numerik. k-NN merupakan sebuah metode klasifikasi yang menggunakan jarak dari fitur tiap-tiap observasi. Pengerjaan skripsi dilakukan dengan mengekstraksi fitur dari data-data suara yang tersedia dengan MFCC lalu menggunakan fitur-fitur yang diekstraksi tersebut untuk metode klasifikasi k-NN. Data yang digunakan adalah data suara alat musik yang tersedia pada dataset Philharmonia Orchestra Sound Samples. Hasil dari penerapan metode klasifikasi k-NN pada skripsi ini menunjukkan bahwa model k-NN mampu meraih nilai akurasi hingga 94,84%.

---