Ground echoes filtering using the completed local binary pattern and the support vector machine

2015 ◽  
Author(s):  
Mehdia Hedir ◽  
Boualem Haddad
Keyword(s):  
Support Vector Machine ◽  
Local Binary Pattern ◽  
Support Vector ◽  
Ground Echoes

scholarly journals Pengenalan Wajah Manusia berbasis Algoritma Local Binary Pattern

2017 ◽  
Vol 17 (2) ◽  
pp. 29-38
Author(s):  
Ratih Purwati ◽  
Gunawan Ariyanto
Keyword(s):  
Computer Vision ◽  
Support Vector Machine ◽  
Face Recognition ◽  
Local Binary Pattern ◽  
Cross Validation ◽  
Support Vector ◽  
Fold Cross Validation

Face Recognition merupakan teknologi komputer untuk mengidentifikasi wajah manusia melalui gambar digital yang tersimpan di database. Wajah manusia dapat berubah bentuk sesuai dengan ekspresi yang dimilikinya. Wajah manusia dapat berubah bentuk sesuai dengan eskpresi yang dimilikinya. Ekspresi wajah manusia memiliki kemiripan satu sama lain sehingga untuk mengenali suatu ekspresi adalah kepunyaan siapa akan sedikit sulit. Pengenalan wajah terus menjadi topik aktif di zaman sekarang pada penelitian bidang computer vision. Penggunaan wajah manusia sering kita jumpai pada fitur-fitur aplikasi media sosial seperti Snapchat, Snapgram dari Instagram dan banyak aplikasi sosial media lainnya yang menggunakan teknologi tersebut. Pada penelitian ini dilakukan analisa pengenalan ekpresi wajah manusia dengan pendekatan fitur alogaritma Local Binary Pattern dan mencari pengembangan alogaritma dasar Local Binary Pattern yang paling optimal dengan cara menggabungkan metode Hisogram Equalization, Support Vector Machine, dan K-fold cross validation sehingga dapat meningkatkan pengenalan gambar wajah manusia pada hasil yang terbaik. Penelitian ini menginput beberapa database wajah manusia seperti JAFFE yang merupakan gambar wajah manusia wanita jepang yang berjumlah 10 orang dengan 7 ekspresi emosional seperti marah, sedih, bahagia, jijik, kaget, takut dan netral ke dalam sistem. YALE yaitu merupakan gambar wajah manusia orang Amerika. Serta menggunakan dataset CALTECH yang merupakan gambar manusia yang terdiri dari 450 gambar dengan ukuran 896 x 592 piksel dan disimpan dalam format JPEG. Kemudian data tersebut di sesuaikan dengan bentuk tekstur wajah masing-masing. Dari hasil penggabungan ketiga metode diatas dan percobaan-percobaan yang sudah dilakukan, didapatkan hasil yang paling optimal dalam pengenalan wajah manusia yaitu menggunakan dataset JAFFE dengan resolusi 92 x 112 piksel dan dengan tingkat penggunaan processor yang tinggi dapat mempengaruhi waktu kecepatan komputasi dalam proses menjalankan sistem sehingga menghasilkan prediksi yang lebih tepat.

scholarly journals Klasifikasi Sampah Daur Ulang Menggunakan Support Vector Machine Dengan Fitur Local Binary Pattern

2020 ◽  
Vol 1 (1) ◽  
pp. 78-90
Author(s):  
Leonardo Leonardo ◽  
Yohannes Yohannes ◽  
Ery Hartati
Keyword(s):  
Support Vector Machine ◽  
Local Binary Pattern ◽  
Texture Feature ◽  
Polynomial Kernel ◽  
Support Vector ◽  
Examination Result ◽  
Accuracy Result ◽  
Leave One Out ◽  
Glass Metal

Garbage is one of the problems that always arise in Indonesia and even in the world. Increasingly, the production of waste is increased along with the increase in population and consumption. Therefore, need a prevention to stop wasting or producing garbage through recycle. This research do garbage recycle classification of cardboard, glass, metal, paper and plastic by using Local Binary Pattern (LBP) texture feature extraction methode and Support Vector Machine (SVM) as classification methode. For examination technic and dataset distribution is using K-Fold Cross Validation methode type Leave One Out (LOO). From examination result had been done were using fold 5 until fold 10. Polynomial kernel get highest accuracy result from every fold used with mean point 87.82%. Based on SVM classification examination result whether linear kernel, polynomial nor gaussian by using fold 5 until fold 10. The best accuracy point for cardboard garbage is 96.01%. For glass garbage, the best accuracy point is 90.62%. Then, metal garbage get the best accuracy point 89.72%. While paper garbage with highest accuracy point 96.01%. And plastic garbage with highest accuracy point 87.64%.

scholarly journals Perbandingan Hasil Klasifikasi Jenis Daging Menggunakan Ekstraksi Ciri Tekstur Gray Level Co-occurrence Matrices (GLCM) Dan Local Binary Pattern (LBP)

2021 ◽  
Vol 11 (01) ◽  
pp. 48-52
Author(s):  
Neneng Neneng ◽  
Ajeng Savitri Puspaningrum ◽  
Ahmad Ari Aldino
Keyword(s):  
Support Vector Machine ◽  
Local Binary Pattern ◽  
Support Vector ◽  
Gray Level

Daging memiliki nilai gizi tinggi yang banyak dikonsumsi oleh manusia. Kandungan yang terdapat dalam daging meliputi protein, vitamin, mineral, lemak, dan zat lainnya yang sangat dibutuhkan di dalam tubuh sehingga dapat melaksanakan kegiatan setiap harinya. Akan tetapi sayangnya tidak semua masyarakat bisa membedakan jenis daging tersebut, dikarenakan tekstur dan warnanya yang hampir mirip. Hal ini juga kerap dimanfaatkan oleh penjual daging yang tidak bertanggungjawab dengan mencampur jenis daging tersebut atau dengan jenis daging lain untuk mendapatkan keuntungan yang besar. Padahal tidak semua orang bisa mengkonsumsi jenis daging tertentu karena alasan penyakit yang diderita.  Penelitian yang dilakukan ini membandingkan metode GLCM dan LBP untuk klasifikasi citra jenis daging berdasarkan analisis tekstur. Jenis citra daging yang diklasifikasi adalah daging kambing, kerbau, dan kuda. Data citra daging tersebut diperoleh dengan cara mengambil gambar secara manual menggunakan kamera digital yakni Nikon D3200. Citra tersebut diambil dengan jarak 20 cm. Pengujian dan pelatihan data dilakukan dengan metode Support Vector Machine (SVM). Ciri tekstur yang digunakan adalah ASM, IDM, entropi, kontras, serta korelasi. Hasil akurasi klasifikasi citra daging kambing, kerbau, dan kuda menggunakan metode GLCM adalah sebesar 75,6%. Sedangkan hasil akurasi klasifikasi menggunakan metode LBP adalah sebesar 85,6%. Dengan demikian, metode ekstraksi ciri tekstur LBP lebih direkomendasikan untuk klasifikasi jenis daging menggunakan ciri tekstur.

Perbandingan Local Binary Pattern untuk Klasifikasi Sel Darah Putih

2018 ◽  
Vol 9 (2) ◽  
pp. 118-121
Author(s):  
Felix Indra Kurniadi
Keyword(s):  
Support Vector Machine ◽  
Blood Cells ◽  
Local Binary Pattern ◽  
White Blood Cells ◽  
Support Vector ◽  
Nearest Neighbour ◽  
Rotation Invariant ◽  
Blood Cancer ◽  
Index Terms ◽  
Uniform Local Binary Pattern

In recent year, a lot of researches try to overcome problem in recognition and classify white blood cells to help hematologists diagnose white blood cells disease such blood cancer, leukemia and AIDS. This paper compares several methods Local Binary Pattern such as Local Binary Pattern Uniform, Local Binary Pattern Rotation Invariant and Local Binary Pattern Rotation Invariant Uniform to classify five types of white blood cells using two classifier: Support Vector Machine and K-Nearest Neighbour. Index Terms—LBP, LBP-U, LBP-RI, LBP-RIU, white blood cells

Sign in / Sign up

Export Citation Format

Share Document