Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Plants play important roles for the existence of all beings in the world. High diversity of plant?s species make a manual observation of plants classifying becomes very difficult. Fractal dimension is widely known feature descriptor for shape or texture. It is utilized to determine the complexity of an object in a form of fractional dimension. On the other hand, lacunarity is a feature descriptor that able to deter-mine the heterogeneity of a texture image. Lacunarity was not really exploited in many fields. More-over, there are no significant research on fractal dimension and lacunarity combination in the study of automatic plant?s leaf classification. In this paper, we focused on combination of fractal dimension and lacunarity features extraction to yield better classification result. A box counting method is implement-ed to get the fractal dimension feature of leaf boundary and vein. Meanwhile, a gliding box algorithm is implemented to get the lacunarity feature of leaf texture. Using 626 leaves from flavia, experiment was conducted by analyzing the performance of both feature vectors, while considering the optimal box size r. Using support vector machine classifier, result shows that combined features able to reach 93.92 % of classification accuracy.

---

Tumbuhan memegang peranan penting dalam kehidupan manusia. Tingginya keberagaman spesies tumbuhanmembuat metode pengamatanmanual dalam klasifikasi daunmenjadi semakin sulit. Dimensi fraktal merupakan deskriptor bentuk dan tekstur yang mampu mendeskripsikan kompleksitas dari suatu objek dalam bentuk dimensi pecahan. Di sisi lain, lacunarity adalah deskriptor tekstur berbasis fraktal yang mampu mendeskripsikan heterogenitas dari citra tekstur. Namun lacunarity belum cukup dieks-plorasi dalam banyak kasus dan belum ada usaha yang cukup signifikan dalam mengkombinasikan di-mensi fraktal dan lacunarity dalam bidang klasifikasi tumbuhan secara otomatis. Penelitian ini berfokus pada ekstraksi dan kombinasi fitur dimensi fraktal dan lacunarity untuk meningkatkan akurasi klasi-fikasi. Metode box counting diterapkan untuk memperoleh dimensi fraktal dari bentuk pinggiran dan urat daun, sementara metode gliding box diterapkan untuk memperoleh fitur lacunariy dari tekstur da-un. menggunakan 626 citra daun dari flavia, percobaan dilakukan dengan menganalisis performa dari kedua fitur dengan mempertimbangkan ukuran kotak r yang paling optimal. Klasifikasi dengan support vector machine menunjukkan bahwa hasil kombinasi kedua fitur mampu mencapai rata-rata akurasi hingga 93.92%.

Abstrak :
In the recent years, palm vein recognition has been studied to overcome problems in conventional systems in biometrics technology (finger print, face, and iris), such as convenience and performance. However, due to the image of palm vein that is not always clear, the veins are not segmented pro-perly, therefore, the recognition accuracy may be degraded. To overcome this problem, we propose a palm vein recognition system using Local Line Binary Pattern (LLBP) method that can extract robust features from the palm vein images that has unclear veins. LLBP is an advanced method of Local Binary Pattern (LBP), a texture descriptor based on the gray level comparison of a neighborhood of pixels. There are four major steps in this paper, Region of Interest (ROI) detection, image preprocess-sing, features extraction using LLBP method, and matching using Fuzzy k-NN classifier. The propo-sed method was applied on the CASIA Multi-Spectral Image Database. Experimental results show that the proposed method using LLBP has a good performance with recognition accuracy 97.3%. In future, experiments will be conducted to observe which parameter can affect processing time and rec-ognition accuracy of LLBP is needed.

---

Saat ini penelitian tentang pengenalan pembuluh darah pada telapak tangan (palm vein recognition) telah banyak dilakukan untuk mengatasi masalah dalam teknologi biometrika yang lainnya (pengenalan sidik jari, wajah dan iris) seperti ketidaknyamanan pengguna saat akusisi citra maupun tingkat keakuratan pengenalannya. Namun masalah yang sering muncul dalam sistem pengenalan pembuluh darah pada telapak tangan (palm vein) adalah fitur tekstur pembuluh darah (vein) yang kurang jelas. Untuk mengatasi masalah tersebut, paper ini mengusulkan sistem pengenalan palm vein menggunakan metode Local Line Binary Pattern (LLBP) yang telah teruji dapat mengekstraksi fitur pembuluh darah pada gambar dengan jelas. LLBP merupakan metode pengembangan dari Local Binary Pattern (LBP), metode yang menggunakan kombinasi nilai-nilai biner dari piksel kete-tanggaannya. Empat tahapan utama dalam penelitian ini yaitu deteksi Region of Interest (ROI), pre-processing yang terdiri dari resize, penghilangan noise dan subtract citra, ekstraksi fitur menggunakan metode LLBP dan pengenalan menggunakan Fuzzy k-NN. Metodologi yang diusulkan telah diuji pada database citra palm vein CASIA Multi-Spectral. Hasil percobaan menunjukkan bahwa meto-dologi yang diusulkan dapat mencapai akurasi sampai dengan 97.3%. Untuk penelitian selanjutnya, diperlukan observasi untuk mengetahui parameter yang mempengaruhi waktu proses dan akurasi pengenalan dari metode LLBP

Abstrak :
This research present asymmetry, border irregularity, color variation, and diameter (ABCD) feature extraction of image dermatoscopic for melanoma skin cancer diagnosis. ABCD feature is the important information based on morphology analysis of image dermatoscopic lesion. ABCD feature is used to calculate Total Dermatoscopic Value (TDV) for melanoma skin cancer diagnosis. Asymmetry feature consist information of asymmetry and lengthening index of the lesion. Border irregularity feature consist information of compactness index, fractal dimension, edge abruptness, and pigmentation transition from the lesion. Color homogeneity feature consist information of color homogeneity and the correlation between photometry and geometry of the lesion. Diameter extraction is diameter of the lesion. There are three diagnosis that is used on this research i.e. melanoma, suspicious, and benign skin lesion. The experiment uses 30 samples of image dermatoscopic lesion that is suspicious melanoma skin cancer. Based on the experiment, the accuracy of the system is 85% that there are four false diagnoses of 30 samples.

---

Penelitian ini menyajikan ekstraksi fitur citra dermatoskopik untuk diagnosis kanker kulit melanoma berdasarkan asymmetry, border irregularity, color variation, dan diameter (ABCD). Fitur ABCD adalah informasi yang penting berdasarkan analisis morfologi lesi citra dermatoskopik. Fitur tersebut digunakan dalam perhitungan Total Dermatoscopic Value (TDV) untuk diagnosis kanker kulit melanoma. Fitur asymmetry terdiri dari informasi asimetri dan indeks perpanjangan luka. Fitur border irregularity terdiri dari informasi indeks compactness, dimensi fraktal, edge abruptness, dan transisi pigmentasi dari lesi. Warna fitur homogenitas terdiri dari informasi homogenitas warna dan korelasi antara fotometri dan geometri lesi. Ekstraksi diameter adalah diameter lesi. Ada tiga diagnosa yang digunakan pada penelitian ini yaitu melanoma, diduga melanoma, dan benign skin lesion. Percobaan ini menggunakan 30 sampel dari lesi citra dermatoskopik kanker kulit melanoma yang mencurigakan. Berdasarkan percobaan, akurasi dari sistem ini adalah 85% dan terdapat empat diagnosa palsu dari 30 sampel.