ABSTRAKSI: Dalam penggunaan analisa wavelet banyak applikasi penting bisa ditemukan
dalam berbagai bidang mulai dari pengindraan jauh sampai pencitraan medis.
Studi yang telah dilakukan secara intensif selama beberapa tahun terakhir
menunjukan bahwa fungsi wavelet adalah fungsi transformasi yang sesuai untuk
analisa tekstur suatu pada suatu gambar tekstur. Klasifikasi tekstur merupakan
salah satu hal yang menarik untuk mengimplementasikan analisa wavelet. dengan
memberikan beberapa parameter pada tekstur maka dapat diketahui bagaimana
keefektivan dari analisa wavelet tersebut.
Dalam Tugas akhir “Studi Perbandingan Metode Analisa dan Klasifikasi
Tekstur pada Wavelet” ini akan menguji dua metode dekomposisi, sembilan filter
wavelet transforms, dan enam metode klasifikasi sehingga berjumlah seratus
delapan kombinasi metode yang diujicoba dengan sepuluh parameter tekstur
untuk mengetahui pengaruh tiap parameter tekstur dari waktu dan prosentase
kesalahan yang terjadi.
Dari hasil yang diperoleh waktu proses klasifikasi berbanding lurus dengan
kompleksitas metode dan berbanding terbalik terhadap parameter ukuran, rotasi
dan brightness. Sedangkan untuk prosentase kesalahan sebaliknya. Dan secara
umum semakin sedikit jumlah subband lebih optimal akan tetapi tingkat kesalahan
klasifikasinya lebih tinggi.Kata Kunci : wavelet, tekstur, klasifikasi, dekomposisi, filter, parameter.ABSTRACT: In use analyze wavelet there are a lot of important application can be found in so
many area start from remote censoring until biomedical imaging. Studies which
have been done intensively during last some years show that wavelet function
appropriate function transformation to analyze texture at one particular picture.
Texture classification represents one of piquancy for implementation to analyze
wavelet. Giving some parameter at knowable texture hence how effectiveness
from the analysis wavelet.
In this Final project "Comparison Study Analyze and Classification Texture
Method on Wavelet" will test two decomposition method, nine wavelet filter
transforms, and six classification method so that amount to one hundred eight
method combination which tried with ten texture parameters to know influence
every texture parameters from time and percentage mistake that happened.
From obtained result time classification process compare diametrical with
method complexity and compare inversed to size measure parameter, rotation and
brightness. Otherwise for percentage mistake on the contrary. And in general
progressively a little more optimal amount sub band however storey level of
higher classification mistake.Keyword: wavelet, texture, classification, decomposition, filter, parameters.