Data extraction of the gray level Co-occurrence matrix (GLCM) Feature on the fingerprints of parents and children in Lombok Island, Indonesia

Bakti, Lalu Darmawan; Imran, Bahtiar; Wahyudi, Erfan; Arwidiyarti, Dwinita; Suryadi, Emi; Multazam, Muhammad; Maspaeni,

doi:10.1016/j.dib.2021.107067

Cited by 8 publications

(8 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The GLCM is a square matrix representing the frequency of specified pairings of gray levels, G(i, j) co-occurring in a given image or an image segment horizontally, vertically, or diagonally. In texture feature calculations, the GLCM matrix is used to figure out how the intensity changes at the pixel of interest [ 26 , 27 ]. Figure 4 illustrates the computation of GLCM for a given image.…”

Section: Methodsmentioning

confidence: 99%

See 1 more Smart Citation

Automatic Screening of Diabetic Retinopathy Using Fundus Images and Machine Learning Algorithms

2022

View full text Add to dashboard Cite

Diabetic Retinopathy is a vision impairment caused by blood vessel degeneration in the retina. It is becoming more widespread as it is linked to diabetes. Diabetic retinopathy can lead to blindness. Early detection of diabetic retinopathy by an ophthalmologist can help avoid vision loss and other complications. Diabetic retinopathy is currently diagnosed by visually recognizing irregularities on fundus pictures. This procedure, however, necessitates the use of ophthalmic imaging technologies to acquire fundus images as well as a detailed visual analysis of the stored photos, resulting in a costly and time-consuming diagnosis. The fundamental goal of this project is to create an easy-to-use machine learning model tool that can accurately predict diabetic retinopathy using pre-recorded digital fundus images. To create the suggested classifier model, we gathered annotated fundus images from publicly accessible data repositories and used two machine learning methods, support vector machine (SVM) and deep neural network (DNN). On test data, the proposed SVM model had a mean area under the receiver operating characteristic curve (AUC) of 97.11%, whereas the DNN model had a mean area AUC of 99.15%.

show abstract

Section: Methodsmentioning

confidence: 99%

“…In the proposed methodology, the GLCM algorithm takes the segmented gray level images as input and outputs the following statistical features [ 26 , 27 , 28 ].…”

Section: Methodsmentioning

confidence: 99%

Automatic Screening of Diabetic Retinopathy Using Fundus Images and Machine Learning Algorithms

2022

View full text Add to dashboard Cite

show abstract

“…GLCM dibangun dari citra grayscale dari dengan menghitung jumlah ketetanggaan antara dua derajat keabuan dengan distance 1 dan orientasi sudut 0º, 45º, 90º, dan 135º (Bakti et al, 2021). Pada metode ini digunakan 6 fitur, yaitu contrast, dissimilarity, homogeneity, ASM, energy, dan correlation (Haryanto et al, 2020) yang didefinisikan pada Persamaan ( 12) sampai ( 17).…”

Section: Ekstraksi Fitur Glcmunclassified

Klasifikasi Citra Sampah Menggunakan Support Vector Machine dengan Ekstraksi Fitur Gray Level Co-Occurrence Matrix dan Color Moments

Nisa

Endah²,

Sasongko³

et al. 2022

JTIIK

View full text Add to dashboard Cite

Sampah merupakan salah satu permasalahan global yang dihadapi seluruh dunia termasuk Indonesia. Apabila tidak dikelola dengan baik, jenis dan volume sampah yang semakin meningkat dapat berdampak buruk pada lingkungan dan kesehatan manusia. Pemilahan sampah merupakan langkah awal dalam melakukan berbagai jenis pengolahan sampah. Pemilahan sampah secara manual tidak mudah dilakukan mengingat jumlahnya yang amat besar, sehingga otomatisasi pemilahan sampah diperlukan. Penelitian ini mengusulkan klasifikasi citra sampah menggunakan Support Vector Machine (SVM) dengan ekstraksi fitur Gray Level Co-Occurrence Matrix (GLCM) dan Color Moments serta mengoptimalkan kinerja terbaik dalam proses klasifikasinya. Dataset TrashNet digunakan untuk mengevaluasi metode yang diusulkan. Beberapa parameter penting yang digunakan dalam penelitian ini adalah orientasi sudut GLCM, parameter C (soft margin) pada SVM, dan parameter 𝛾 pada Radial Basis Kernel (RBF). Pembagian data dilakukan menggunakan 10-Fold Cross Validation. Hasil penelitian menunjukkan bahwa kombinasi fitur GLCM dengan orientasi sudut 45° dan Color Moments memberikan rata-rata akurasi terbaik sebesar 78,87% dengan menggunakan parameter C bernilai 32 dan parameter γ bernilai 4. Hasil pengujian terbaik diperoleh pada fold ke-3 dengan akurasi sebesar 85,43% yang digunakan sebagai skenario pengujian data baru. Pengujian terhadap 30 citra sampah baru menggunakan model terbaik memperoleh akurasi sebesar 70%. AbstractWaste is one of the global problems faced by the whole world, including Indonesia. Improper waste management can harm the environment and interfere with health. Waste management involved several steps in handling waste, the first one being waste sorting. In Indonesia, waste sorting is still performed manually. Manual waste sorting is not easy to do because the waste amount is very large. Therefore, automatic waste detection technology is needed to support more optimal waste sorting. This study proposes waste image classification using Support Vector Machine (SVM) with Gray Level Co-Occurrence Matrix (GLCM) and Color Moments as the features. The TrashNet dataset is used to evaluate the proposed method. In addition, 30 additional waste image outside trashnet is used as testing data. Some of the important parameters that are tuned in this study are the angle orientation of the GLCM, C (soft margin) parameter on the SVM, and 𝛾 parameter on the Radial Base Kernel (RBF). Data splitting is done using 10-Fold Cross Validation. The results showed that the combination of GLCM features with 45° angle orientation and Color Moments gave the best average accuracy of 78.87% using C parameter with a value of 32 and γ parameter with a value of 4. The best test results were obtained in the third fold with an accuracy of 85, 43%. This result is used to test the 30 test image outside the TrashNet dataset, and achieve accuracy of 70%.

show abstract

“…Co-Occurrence dapat diartikan sebagai kejadian bersama, berarti banyaknya kejadian pada satu level piksel yang bertetanggan dengan nilai piksel yang lainnya berdasarkan jarak (d) dan orientasi suatu sudut (θ), jarak direpresentasikan sebagai piksel dan orientasi direpresentasikan dalam derajat, orientasi sudut terbentuk dari empat arah yaitu 0 o , 45 o , 90 o dan 135 o dengan d=1 sebagai jarak antar piksel (R. A. Surya, A. Fadlil, & A. Yudhana, 2017) ( Bakti, et al, 2021). Dalam penggunaan GLCM terdapat beberapa konsep yang perlu dipertimbangkan, yaitu; kontras, korelasi, energy dan Homogeneity.…”

Section: Gray Level Co-ocurrence Matrix (Glcm)unclassified

Klasifikasi Jenis Buku Berdasarkan Cover dan Judul Buku Menggunakan Metode Support Vector Machine dan Cosine Similarity

et al. 2022

View full text Add to dashboard Cite

Penelitian ini dibuat untuk mengklasifikasi jenis buku berdasarkan citra cover pada buku. Kategori buku yang digunakan dalam penelitian ini adalah Agama, Kesehatan, Pendidikan, Sastra dan Teknik. Permasalahan yang sering terjadi yaitu semakin banyaknya jenis buku maka akan semakin sulit dalam melakukan pengkategorian, maka memerlukan sebuah sistem untuk mengklasifikasi buku berdasarkan kategori secara otomatis. Penelitian ini melakukan ekstraksi fitur pada buku menggunakan metode Gray Level Co-occurance Matrix (GLCM). Metode tersebut mengekstraksi empat fitur yaitu Homogenity, Correlation, Energy dan Contras, ke empat fitur tersebut digunakan pada proses ekstraksi nilai pada citra. Setelah itu dilakukan proses klasifikasi jenis buku berdasarkan sampul dan judul buku dengan menerapkan metode Support Vector Machine (SVM) dan Cosine Similarity. Penerapan SVM untuk mengklasifikasikan jenis buku berdasarkan citra cover buku dan Cosine Similarity untuk mengukur tingkat kemiripan dari suatu dokumen dengan menggunakan judul buku. Pada proses pengujian dilakukan menggunakan metode Confusion Matrix untuk mendapatkan nilai akurasi. Objek penelitian ini adalah citra sampul buku di perpustakaan Universitas Ahmad Dahlan Kampus 4 dan Kampus 3. Tujuan dari penelitian ini menghasilkan suatu software untuk mengidentifikasi jenis buku berdasarkan judul dan gambar pada Sampul buku, sehingga pembaca lebih cepat tahu informasi jenis buku. Berdasarkan penelitian yang dilakukan metode Cosine Similarity menghasilkan nilai akurasi sebesar 93.3% dan metode Support Vector Machine menghasilkan nilai akurasi sebesar 86.67%. Dari pengujian yang dilakukan disimpulkan bahwa persentase yang didapat dari perbandingan citra sampul buku asli dengan hasil citra sampul buku yang didapat dari system telah diidentifikasi dengan baik menggunakan metode Cosine Similiairy. Hasil uji akurasi dengan metode Support Vector Machine menghasilkan nilai yang rendah. Sebagai salah satu penyebab jumlah data yang sedikit dengan model arsitektur VGG16 yang digunakan. Dengan demikian perlu diujicobakan dengan mengubah model arsitektur dengan model arsitektur lainnya, misalnya dengan Convolutional Neural Network atau Tranfer Learning.

show abstract

Data extraction of the gray level Co-occurrence matrix (GLCM) Feature on the fingerprints of parents and children in Lombok Island, Indonesia

Cited by 8 publications

References 5 publications

Automatic Screening of Diabetic Retinopathy Using Fundus Images and Machine Learning Algorithms

Automatic Screening of Diabetic Retinopathy Using Fundus Images and Machine Learning Algorithms

Klasifikasi Citra Sampah Menggunakan Support Vector Machine dengan Ekstraksi Fitur Gray Level Co-Occurrence Matrix dan Color Moments

Klasifikasi Jenis Buku Berdasarkan Cover dan Judul Buku Menggunakan Metode Support Vector Machine dan Cosine Similarity

Contact Info

Product

Resources

About