A PHP Error was encountered
Severity: Warning
Message: fopen(/home/rama/public_html/application/cache/sessions/rama_sessionr2gsgkps93qf7b0128moo6mvu6ka4d8q): failed to open stream: No space left on device
Filename: drivers/Session_files_driver.php
Line Number: 174
Backtrace:
File: /home/rama/public_html/application/core/MY_Controller.php
Line: 8
Function: __construct
File: /home/rama/public_html/application/controllers/Document.php
Line: 6
Function: __construct
File: /home/rama/public_html/index.php
Line: 296
Function: require_once
@thesis{thesis,
author={71120097 Emmanuel Dian Kharisma},
title ={IMPLEMENTASI HSV UNTUK PENGENALAN RAMBU LALU LINTAS LARANGAN},
year={2019},
url={https://katalog.ukdw.ac.id/425/},
abstract={Rambu lalu lintas merupakan salah satu dari perlengkapan jalan raya yangberupa huruf, angka, dan/atau perpadua dari keduanya. Karena banyaknya rambu lalu lintas yang tersedia menyebabkan ketidaktahuan akan arti rambu lalu lintas tersebut, dimana akan diikuti permasalahan lainnya seperti pelanggaran lalu lintas, dan bahkan kecelakaan. Untuk mengatasi permasalahan tersebut diperlukan suatu solusi yang dapat membantu menyelesaikan permasalahan tersebut dengan cara membuat sebuah sistem berbasis komputer yang dapat mengenali rambu lalu lintas. Dalam penelitian ini akan dibuat sebuah sistem yang dapat mengenali rambu lalu lintas larangan dengan mengubah rambu tersebut ke dalam bentuk citra digital kemudian diolah oleh sistem menggunakan jaringan syaraf tiruan Learning Vector Quantization. Secara umum, sebelum masuk ke proses pengenalan, citra rambu akan mengalami proses preprocessing, yaitu resize dan grayscale. Dari hasil preprocessing tersebut lalu akan masuk pada proses selanjutnya yaitu ekstraksi ciri dengan mengambil ciri-ciri nilai warna HSV dari citra rambu tersebut, kemudian akan dilanjutkan pada proses klasifikasi menggunakan jaringan syaraf tiruan Learning Vector Quantization. Penelitian ini menghasilkan sistem klasifikasi rambu lalu lintas larangan menggunakan metode Learning Vector Quantization yang dapat melakukan pengenalan rambu sebanyak 42 citra dimana data set latih sebanyak 7 citra, dan data set uji sebanyak 35 citra. Akurasi sistem dalam mengklasifikasi citra rambu tertinggi sebesar 17,14% dengan menggunakan learning rate dan error rate masing-masing sebesar 0,5 dan 0,003.}
}