Ekstraksi Fitur Tekstur dan Warna Untuk Klasifikasi Gambar Berdarah Menggunakan SVM

., Ziarah (2022) Ekstraksi Fitur Tekstur dan Warna Untuk Klasifikasi Gambar Berdarah Menggunakan SVM. Masters thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
1929101024-COVER.pdf

Download (452kB)
[img] Text (ABSTRAK)
1929101024-ABSTRAK.pdf

Download (202kB)
[img] Text (BAB 1 PENDAHULUAN)
1929101024-BAB 1 PENDAHULUAN.pdf

Download (340kB)
[img] Text (BAB 2 KAJIAN TEORI)
1929101024-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only

Download (687kB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
1929101024-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only

Download (659kB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
1929101024-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only

Download (1MB) | Request a copy
[img] Text (BAB 5 PENUTUP)
1929101024-BAB 5 PENUTUP.pdf
Restricted to Repository staff only

Download (204kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
1929101024-DAFTAR PUSTAKA.pdf

Download (428kB)
[img] Text (LAMPIRAN)
1929101024-LAMPIRAN.pdf

Download (1MB)

Abstract

Pembatasan penyebaran konten yang tidak sehat pada internet seperti gambar berdarah, sangat diperlukan. Penelitian ini bertujuan untuk menawarkan suatu skema atau klasifikasi otomatis gambar berdarah dan gambar tidak berdarah, serta untuk mengetahui pengaruh dua metode ekstraksi fitur, yaitu Color Histogram dan Grey Level Co-Occurrence Matrix (GLCM) dalam proses klasifikasi dengan membandingkan hasil klasifikasi fitur keduanya. Terdapat empat tahapan penelitian, yang pertama tahap preprocessing dengan melakukan down sampling pada gambar dataset, tahap segmentasi dengan menerapkan metode filter threshold HSV, tahap ekstraksi fitur menggunakan metode Color Histogram dan GLCM, dan tahap klasifikasi menggunakan metode Support Vector Machine (SVM). Data penelitian bersumber dari violent content pada sosial media dan situs Reddit. dengan jumlah 150 gambar berdarah dan 150 gambar tidak berdarah dan total keseluruhan dataset yang digunakan sebanyak 300 gambar. Pada tahap klasifikasi digunakan data training dan data testing dengan proporsi data 80:20 sehingga jumlah data training sebanyak 240 dan data testing sebanyak 60. Penelitian ini telah berhasil melakukan segmentasi dengan baik menggunakan filter threshold HSV. Berdasarkan hasil pengujian, hasil klasifikasi ekstraksi fitur warna dengan metode Color Histogram, ekstraksi fitur tekstur dengan metode GLCM dan klasifikasi menggunakan SVM, didapatkan hasil Precicion 95%, Recal 95%, Accuracy 95%, hasil akurasi juga didukung dengan nilai F1-Score yaitu 0.95 ini artinya sistem dapat mengklasifikasikan 95% gambar dengan tepat. Hasil tersebut menunjukkan bahwa klasifikasi dengan menggunakan SVM dan ekstraksi fitur menggunakan Color Histogram dan GLCM mendapatkan akurasi yang baik. Hasil ini juga menunjukkan bahwa penentuan metode ekstraksi fitur sangat berpengaruh terhadap hasil klasifikasi gambar berdarah.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Gambar Berdarah, Color Histogram, Grey Level Co-Occurrence Matrix, Principle Component Analysis, SVM.
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
Divisions: Pascasarjana > Program Studi Ilmu Komputer (S2)
Depositing User: ZIARAH
Date Deposited: 27 Jul 2022 01:36
Last Modified: 27 Jul 2022 01:36
URI: http://repo.undiksha.ac.id/id/eprint/12712

Actions (login required)

View Item View Item