Belajar Pengolahan Citra Digital Teori Dan Contoh Kasus Nyata

Harga                    : Rp 350.000

Ukuran                  : 14,8 cm x 21 cm 

Jumlah Halaman : 453 hal

Ketebalan Buku  : 1  cm

ISBN                       : 978-634-239-205-8

Deskripsi Buku   : Buku ini hadir sebagai respons terhadap perkembangan pesat teknologi informasi, khususnya dalam bidang image processing yang kini menjadi pilar penting dalam revolusi industri 4.0, kecerdasan buatan (artificial intelligence), dan transformasi digital di berbagai sektor. Pengolahan citra digital telah menjadi bagian integral dalam kehidupan modern—mulai dari dunia medis, pertanian, manufaktur, hingga keamanan dan hiburan. Buku ini kami susun sebagai sumber pembelajaran yang menyeluruh, terstruktur, dan aplikatif, tidak hanya bagi mahasiswa dan dosen, tetapi juga bagi peneliti, praktisi industri, dan siapa pun yang tertarik mengembangkan solusi berbasis citra digital. Dengan pendekatan step-by-step yang disertai contoh kode program berbasis Python serta studi kasus nyata, buku ini berusaha menjembatani teori dan praktik. Kami menyadari bahwa memahami teori saja tidak cukup tanpa keterampilan implementasi. Oleh karena itu, pembaca akan menemukan kombinasi penjelasan teoritis yang kuat dan latihan praktikum yang dirancang untuk memperkuat pemahaman melalui eksperimen langsung. Struktur buku ini mencakup berbagai topik mulai dari pengantar dasar, transformasi spasial dan frekuensi, segmentasi, ekstraksi fitur, hingga pengenalan wajah dan penggunaan deep learning. Bab-bab disusun secara sistematis dan progresif, dimulai dari konsep dasar hingga aplikasi lanjutan. Setiap bab dilengkapi dengan tujuan pembelajaran, indikator pencapaian, penjelasan teknis, serta ilustrasi visual untuk memudahkan pemahaman. Penulisan buku ini juga memanfaatkan referensi dari berbagai sumber literatur akademik dan teknologi terbaru yang kredibel. Dalam menyusunnya, kami turut menggunakan pendekatan pembelajaran berbasis proyek dan menyelaraskannya 4 dengan kebutuhan kurikulum informatika dan teknik komputer masa kini. Kami menyampaikan apresiasi dan terima kasih kepada seluruh pihak yang telah memberikan kontribusi, baik secara langsung maupun tidak langsung. Terima kasih khusus kami sampaikan kepada tim editor, layouter, dan mitra penerbit dari Perkumpulan Rumah Cemerlang Indonesia yang telah memberikan ruang untuk penerbitan karya ini. Kami menyadari bahwa buku ini masih memiliki keterbatasan dan ruang untuk penyempurnaan. Oleh karena itu, masukan dan kritik yang konstruktif sangat kami harapkan demi peningkatan kualitas di edisi-edisi mendatang. 

REFERENSI :

Ade Bastian, Adie Iman Nurzaman, Tri Ferga Prasetyo, & Sri Fatimah. (2023). Roselle pest detection and classification using threshold and template matching. Journal of Image and Graphics, 11(4), 330–342. https://doi.org/10.18178/joig.11.4.330-342

Ade Bastian, Priyadi, D., Zaliluddin, D., Mardiana, A., Wahid, A., Rifki, M., & Fahmi Aziz, M. (2025). Penerapan convolutional neural network (CNN) untuk klasifikasi kualitas beras sebagai strategi peningkatan keamanan pangan di Indonesia. TEMATIK, 12(1), 50–58. https://doi.org/10.38204/tematik.v12i1.2332

A. Mardiana, A. Bastian, A. Tarsono, D. Susandi, & Safari Yonasi. (2025). Optimized YOLOv8 model for accurate detection and quantification of mango flowers. MATRIK, 24(3), 395–406. https://doi.org/10.30812/matrik.v24i3.4614

Abadi, M., et al. (2016). TensorFlow: Large-scale machine learning on heterogeneous distributed systems. arXiv preprint arXiv:1603.04467.

Achanta, R., Shaji, A., Smith, K., Lucchi, A., Fua, P., & Süsstrunk, S. (2012). SLIC superpixels compared to state-of-the-art superpixel methods. IEEE Transactions on Pattern Analysis and Machine Intelligence, 34(11), 2274–2282. https://doi.org/10.1109/TPAMI.2012.120

Arthur, D., & Vassilvitskii, S. (2007). k-means++: The advantages of careful seeding. In Proceedings of the 18th Annual ACM–SIAM Symposium on Discrete Algorithms (SODA) (pp. 1027–1035).

Bay, H., Ess, A., Tuytelaars, T., & Van Gool, L. (2008). Speeded-up robust features (SURF). Computer Vision and Image Understanding, 110(3), 346–359. https://doi.org/10.1016/j.cviu.2007.09.014

Bengio, Y., Goodfellow, I., & Courville, A. (2016). Deep learning. MIT Press.

Black, M. J., & Anandan, P. (1994). The robust estimation of multiple motions. IEEE Transactions on Pattern Analysis and Machine Intelligence, 16(6), 460–472.

Boser, B. E., Guyon, I. M., & Vapnik, V. N. (1992). A training algorithm for optimal margin classifiers. In Proceedings of the Fifth Annual Workshop on Computational Learning Theory (pp. 144–152).

Bradski, G., & Kaehler, A. (2008). Learning OpenCV: Computer vision with the OpenCV library. O’Reilly Media.

Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.

Buades, A., Coll, B., & Morel, J.-M. (2005). A non-local algorithm for image denoising. In IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05) (Vol. 2, pp. 60–65). https://doi.org/10.1109/CVPR.2005.38

Canny, J. (1986). A computational approach to edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 8(6), 679–698.

Chan, T. F., & Vese, L. A. (2001). Active contours without edges. IEEE Transactions on Image Processing, 10(2), 266–277. https://doi.org/10.1109/83.902291

Chollet, F. (2021). Deep learning with Python (2nd ed.). Manning Publications.

Comaniciu, D., & Meer, P. (2002). Mean shift: A robust approach toward feature space analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(5), 603–619.

Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20, 273–297.

Cover, T., & Hart, P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13(1), 21–27.

Daubechies, I. (1992). Ten lectures on wavelets. SIAM.

Daugman, J. (1993). High confidence visual recognition of persons by a test of statistical independence. IEEE Transactions on Pattern Analysis and Machine Intelligence, 15(11), 1148–1161.

Dollár, P., Appel, R., Belongie, S., & Perona, P. (2014). Fast feature pyramids for object detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 36(8), 1532–1545.

Donoho, D. L. (1995). De-noising by soft-thresholding. IEEE Transactions on Information Theory, 41(3), 613–627. https://doi.org/10.1109/18.382009

Everingham, M., Van Gool, L., Williams, C. K. I., Winn, J., & Zisserman, A. (2010). The Pascal Visual Object Classes (VOC) Challenge. International Journal of Computer Vision, 88, 303–338.

Fergus, R., Perona, P., & Zisserman, A. (2003). Object class recognition by unsupervised scale-invariant learning. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 264–271).

Fischler, M. A., & Bolles, R. C. (1981). Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM, 24(6), 381–395.

Friedman, J., Hastie, T., & Tibshirani, R. (2000). Additive logistic regression: A statistical view of boosting. The Annals of Statistics, 28(2), 337–407.

Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), 119–139.

G. Fatullah, A. Bastian, T. F. Prasetyo, A. Mardiana, & M. Rifki. (2024). Evaluating the accuracy of machine learning models for pharmaceutical image classification in Indonesia. In Proceedings of the 2024 International Conference on Informatics Engineering, Science & Technology (INCITEST) (pp. 1–8). IEEE. https://doi.org/10.1109/INCITEST64888.2024.11121486

Sanjaya, H., Susandi, D., & Rodiansyah, S. F. (2020). Face recognition using Tiny YOLO V2 algorithm as attendance system. IJISTECH (International Journal of Information System and Technology), 4(1), 417–427. https://doi.org/10.30645/ijistech.v4i1.79

Haralick, R. M., & Shapiro, L. G. (1992). Computer and robot vision (Vol. 1). Addison-Wesley.

Harris, C., & Stephens, M. (1988). A combined corner and edge detector. In Alvey Vision Conference (pp. 147–151).

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer.

He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 770–778).

He, K., Gkioxari, G., Dollár, P., & Girshick, R. (2020). Mask R-CNN. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(2), 386–397. https://doi.org/10.1109/TPAMI.2018.2844175

M. Rifki, A. Bastian, & A. Mardiana. (2025). Development of CNN-LSTM-based image captioning dataset to enhance visual accessibility for disabilities. Jurnal Ilmiah Teknologi Komputer (JITK), 10(4), 980–992. https://doi.org/10.33480/jitk.v10i4.6657