TESIS DETEKSI KEPALA JANIN PADA GAMBAR USG MENGGUNAKAN FUZZY C-MEANS (FCM) DENGAN INFORMASI SPASIAL & ITERATIVE RANDOMIZED HOUGH TRANSFORM (IRHT)
|
|
- Inge Tedjo
- 7 tahun lalu
- Tontonan:
Transkripsi
1 TESIS DETEKSI KEPALA JANIN PADA GAMBAR USG MENGGUNAKAN FUZZY C-MEANS (FCM) DENGAN INFORMASI SPASIAL & ITERATIVE RANDOMIZED HOUGH TRANSFORM (IRHT) Oleh : Dwi puspitasari Dosen Pembimbing : Prof. Ir. Handayani Tjandrasa, M.Sc, Ph.D
2 Latar Belakang Analisis kepala janin pada pencitraan USG sangat dibutuhkan oleh tenaga medis Diameter biparietal (BPD) dan lingkar kepala (HC) adalah dua pengukuran penting untuk : mengevaluasi pertumbuhan janin memperkirakan usia kehamilan memprediksi berat dan kematangan janin, mendiagnosa berbagai masalah obstetri. Perlu pengukuran BPD dan HC secara otomatis eteksi bentuk elips yang diasumsikan sebagai kepala janin
3 Latar Belakang Penelitian deteksi kepala janin Sebelumnya: Menggunakan metode IRHT dengan praproses berupa klasterisasi piksel berdasarkan nilai keabuan menggunakan K-Means [1]. Hasil: Metode tersebut mampu mendeteksi elips dengan baik. Akan tetapi pada beberapa gambar dengan banyak noise, hasil segmentasi kurang baik sehingga menghasilkan kesalahan deteksi Penelitian ini : menggunakan metode IRHT [1] dengan praproses berupa klasterisasi menggunakan Fuzzy C- Means (FCM) dengan informasi spasial[3], serta penghalusan dengan metode thinning. Hipotesa: Dengan klasterisasi menggunakan FCM dengan informasi spasial, diharapkan dapat meningkatkan kualitas hasil segmentasi sehingga dapat meningkatkan akurasi deteksi kepala janin
4 Perumusan Masalah Bagaimana meningkatkan hasil segmentasi sehingga mampu meningkatkan akurasi deteksi kepala janin pada gambar USG. Bagaimana membangun sistem yang dapat Bagaimana membangun sistem yang dapat mendeteksi kepala janin serta menghasilkan ukuran BPD dan HC secara otomatis
5 Batasan Masalah Data yang digunakan dalam uji coba penelitian merupakan data gambar USG kepala janin yang berumur antara minggu. Implementasi menggunakan perangkat lunak Implementasi menggunakan perangkat lunak Matlab 7.1.
6 Tujuan & Manfaat Tujuan Membangun sistem deteksi kepala janin pada gambar USG menggunakan Fuzzy C-Means(FCM) dengan informasi spasial dan Iterative Randomized Hough Transform(IRHT) Manfaat Menghasilkan suatu sistem deteksi kepala janin pada gambar USG dengan pengukuran BPD dan HC secara otomatis sebagai alat bantu tenaga ahli dibidang kedokteran.
7 K-means VS FCM Persamaan : metode klastering partitioningdengan penentuan awal jumlah klaster Perbedaan : K-means data terklaster secara tegas FCM data terklaster pada semua klaster dengan derajat keanggotaan berbeda (a) Keanggotaan pada metode K-means (a) Keanggotaan pada metode FCM
8 Algortima K-means 1. Inisialisasi K titik sebagai titik2 pusat (centroids) awal dari grup 2. Masukkan tiap objek dalam grup yang mempunyai titik pusat terdekat 3. Setelah selesai untuk semua objek, hitung kembali posisi K titik2 pusat yang baru 4. Ulangi langkah 2 dan 3 sampai titik2 pusat tidak berubah Pada penelitian ini klasifikasi menggunakan metode K-means dibangun menggunakan fungsi kmeans yang disediakan oleh perangkat lunak Matlab
9 Algoritma FCM 1. Inisialisasi matriks U=[u ij ], U (0) 2. Pada langkah ke-k, hitung vektor pusatc (k) =[c j ] denganu (k) 3. UpdateU (k), U (k+1) 4. Bila U (k+1) -U (k) < berhenti, kalau tidak kembali ke langkah 2.
10 Informasi Spasial Merupakan korelasi ketetanggaan yang digunakan untuk meningkatkan hasil segmentasi Klasterisasi piksel bukan hanya berdasarkan nilai keabuan, tetapi juga nilai keabuan dan jarak piksel ketetanggaan local image feature Penentuan keanggotaan klaster bukan hanya berdasarkan nilai keanggotaan piksel tetapi juga nilai keanggotaan piksel ketetanggaan
11 Iterative Randomized Hough Transform (IRHT) Hough Transform (HT) Rosenfeld, 1962 [4] Randomized Hough Transform (RHT) Xu Oja, 1989 [5] Iterative Randomized Hough Transform (IRHT) Wei Lu, 2008 [1] Y Y Y (x,y) y=kx+b (x,y) y=kx+b (x,y) y=kx+b Y (x,y) y=kx+b x x x x b b b b (k,b) (k,b) (k,b) k k k k
12 Elips Persamaan elips Fungsi elips [1]: ac -b 2 > 0
13 Diagram Sistem Citra USG kepala janin Penskalaan Citra USG kepala janin dengan skala yang sama Menghitung local image featureberdasarkan jarak dan nilai keabuan ketetanggaan Pembobotan piksel Klasterisasi menggunakan FCM dengan informasi spasial Klasterisasi menggunakan K-means Pembentukan citra obyek Segmentasi Citra obyek Thinning Penghalusan Citra hasil thinning Deteksi IRHT Elips hasil deteksi Parameter elips Kaliberai piksel ke mili meter BPD dan HC
14 Penskalaan Dilakukan untuk : Menyamakan skala citra USG Mendapatkan perbandingan piksel dalam mili meter Skala : 10 mili meter : 16 piksel
15 Perhitungan Local Image Feature Local image feture (Fij) dihitung berdasarkan pada : jarak ketetanggaan ( ) dan keabuan ketetanggaan (F ijg ) Gambar asli i j i i i j ketetanggaan dengan ukuran window (3x3) λ S = faktor skala,λ G =faktor global
16 Pembobotan Piksel Mengganti nilai piksel gambar asli dengan nilai yang dipengaruhi ketetanggaan wi F1, 1 Fi,j Gambar asli i= Window 3x3 j= Wi w1 w2 w12
17 Klasterisasi FCM 1. Inisialisasi segmentasi dengan FCM basic 2. Mendapatkan inisialisasi keanggotaan piksel (μk) dan pusat klaster (vk) 3. Menghitung keanggotaan (μ k) dan pusat klaster baru (vk) Sudah konvergen? 4. Mendapatkan keanggotaan piksel dan pusat klaster
18 Pembentukan citra obyek Proses untuk memilih piksel-piksel hasil klasterisasi yang menjadi obyek Yaitu piksel yang menjadi anggota klaster dengan pusat klaster tertinggi. Dikarenakan obyek berupa kepala janin pada citra USG memiliki nilai keabuan tertinggi (warna cerah) [1] Selanjutnya dibentuk citra monokrom dengan piksel pembentuk obyek bernilai 1 dan piksel lai bernilai 0.
19 Thinning Digunakan untuk mencari bentuk dasar/ rangka/ skeleton dari gambar obyek hasil klasterisasi Gambar Asli Gambar hasil klasterisasi Gambar hasil thinning Pada penelitian ini digunakan fungsi thinningyang disediakan oleh softwarematlab yaitu menggunakan fungsi bwmorph
20 1.Inisialisasi ROI sebesar ukuran gambar, maxepoch dan maxiterasi IRHT 2.Mengambil semua piksel obyek dalam ROI dan menyimpannya di daftar piksel. Membersihkan accumulator, dan bestellipse. Inkremen epoch 3.Memilih secara acak 4 piksel dalam daftar piksel. Inkremen I. 4.Menemukan parameter elips dengan persamaan (1), (2), (3), (4), (5), (6) Tidak Apakah merupakan elips? Ya 5.Tambahkan ke accumulator Tidak Tidak Apakah iterasi = maxiterasi? Ya 6.Mendeteksi bestellipse berdasarkan parameter di accumulator yang memiliki skor terbanyak. Update ROI selanjutnya berdasarkan bestellpse Tidak Apakah epoch = maxepoch? Ya 7.Verifikasi elips yang ditemukan
21 Antarmuka preproses Antarmuka sub aplikasi preproses
22 Antarmuka deteksi Antarmuka sub aplikasi deteksi elip
23 Uji Coba Lingkungan uji coba : Perangkat Perangkat Keras Spesifikasi Prosesor : Intel (R) Core (TM) 2 Duo CPU Memori : 2,00 GB Perangkat Sistem Operasi : Windows Vista Home Basic 32-bit Lunak Perangkat Pengembang : Matlab 7.1, Photoshop CS 2 Skenario uji coba : 1. mengetahui pengaruh parameter ukuran window pada metode FCM dengan informasi spasial 2. membandingkan hasil output segmentasi citra USG kepala janin antara metode K-means dengan metode FCM berdasarkan informasi spasial 3. membandingkan akurasi deteksi elips dari hasil segmentasi menggunakan
24 Data uji coba 1. BPD51mm.jpg 2. BPD63mmjpg 3. BPD69mm.jpg 4. BPD72mm.jpg 5. BPD77mm.jpg 6. BPD82.jpg 7. BPD90,2mm.jpg 8. BPD90mm.jpg
25 Hasil Uji Coba Skenario 1 o. Citra Inputan Ukuran Window Jumlah Partisi Waktu Eksekusi (detik) 1. BPD51mm.jpg 3 x x BPD63mm.jpg 3 x x BPD69mm.jpg 3 x x BPD 72.mm.jpg 3 x x BPD77mm.jpg 3 x x BPD82mm.jpg 3 x x BPD90,2mm.jpg 3 x x BPD90mm.jpg 3 x x
26 Hasil Uji Coba Skenario 2 o. Citra Inputan Metode Jumlah Waktu Partisi Eksekusi (detik) 1. BPD51mm.jpg K-means FCM dengan informasi spasial BPD63mm.jpg K-means FCM dengan informasi spasial BPD69mm.jpg K-means FCM dengan informasi spasial BPD 72.mm.jpg K-means FCM dengan informasi spasial BPD77mm.jpg K-means FCM dengan informasi spasial BPD82mm.jpg K-means FCM dengan informasi spasial BPD90,2mm.jpg K-means FCM dengan informasi spasial BPD90mm.jpg K-means FCM dengan informasi spasial
27 Hasil uji coba skenario 3 Citra Uji BPD (mm) BPD Sistem Pada Uji Coba ke-(mm) Rata-Rata BPD Sistem (mm) Akurasi (%) Kmeans_BPD51mm.jpg ,75 77,50 55,00 125,00 107,50 100,00 57,50 52,50 97,50 37,50 82,88 20 Kmeans_BPD63mm.jpg 63 73,75 7,50 10,00 11,25 17,50 107,50 90,00 86,25 22,50 76,25 50,25 0 Kmeans_BPD69mm.jpg 69 68,75 67,50 70,00 71,25 71,25 13,75 63,75 32,50 6,25 13,75 47,88 60 Kmeans_BPD72mm.jpg 72 76,25 68,75 72,50 76,25 75,00 80,00 73,75 83,75 77,50 87,50 77,13 60 Kmeans_BPD77mm.jpg 77 57,50 82,00 101,25 53,75 86,25 75,00 41,25 106,25 98,75 66,25 76,83 20 Kmeans_BPD82mm.jpg 82 25,00 8,75 11,25 105,00 38,75 13,75 90,00 36,25 80,00 16,25 42,50 10 Kmeans_BPD90,2mm.jpg 90,2 73,75 81,25 58,75 77,50 88,75 47,50 107,50 97,50 100,00 97,50 83,00 10 Kmeans_BPD90mm.jpg 90 50,00 27,50 81,25 40,00 38,75 108,75 40,00 56,25 17,50 22,50 48,25 0 FCM_BPD51mm.jpg 51 51,25 51,25 51,25 52,50 51,25 51,25 48,75 53,75 47,50 46,25 50, FCM_BPD63mm.jpg 63 66,25 62,50 63,75 62,50 63,75 66,25 68,75 63,75 63,75 62,50 64,38 90 FCM_BPD69mm.jpg 69 68,75 71,25 68,75 77,50 70,00 72,50 71,25 70,00 70,00 68,75 70,88 90 FCM_BPD72mm.jpg 72 81,25 77,50 76,25 77,50 76,25 77,50 83,75 73,75 75,00 78,75 77,75 70 FCM_BPD77mm.jpg 77 86,25 85,00 80,00 93,75 90,00 82,50 90,00 75,00 92,50 73,00 91,13 30 FCM_BPD82mm.jpg 82 20,00 30,00 18,75 27,50 80,00 78,00 25,00 37,50 30,00 81,25 42,80 30 FCM_BPD90,2mm.jpg 90,2 93,75 100,00 98,75 105,00 102,50 92,50 90,00 101,25 106, ,00 30 FCM_BPD90mm.jpg 90 18,75 94,00 100,00 101,25 17,50 113,75 111,25 86,00 88,00 110,00 84,05 30
28 Hasil Uji Coba Skenario 3 o. Citra Inputan Kebenaran Deteksi (%) Rata-Rata Waktu Eksekusi (detik) 1. Kmeans_BPD51mm.jpg Kmeans_BPD63mm.jpg Kmeans_BPD69mm.jpg Kmeans_BPD 72.mm.jpg Kmeans_BPD77mm.jpg Kmeans_BPD82mm.jpg Kmeans_BPD90,2mm.jpg Kmeans_BPD90mm.jpg FCM_BPD51mm.jpg FCM_BPD63mm.jpg FCM_BPD69mm.jpg FCM_BPD 72.mm.jpg FCM_BPD77mm.jpg FCM_BPD82mm.jpg FCM_BPD90,2mm.jpg FCM_BPD90mm.jpg
29 Kesimpulan Hasil segmentasi pada gambar USG kepala janin menggunakan metode FCM dengan informasi spasial lebih baik dibandingkan dengan menggunakan metode K-means. Dengan menggunakan metode FCM berdasarkan informasi spasial dan IRHT, mampu meningkatkan keberhasilan deteksi kepala janin dibandingkan dengan menggunakan metode K-means dan IRHT. Dengan kata lain meningkatnya hasil segmentasi dapat meningkatkan akurasi deteksi. Dengan deteksi elips yang diasumsikan sebagai kepala janin menggunakan metode FCM berdasarkan informasi spasial dan IRHT, dapat menghasilkan BPD dan HC kepala janin secara otomatis
30 Saran Pada penelitian ini waktu eksekusi proses segmentasi relatif lama, dengan demikian permasalahan untuk mempercepat waktu eksekusi dapat digunakan sebahai bahan penelitian lebih lanjut
31 Daftar Pustaka 1. Lu, W., Jinglu Tan, (2008), Detection of incomplete ellipse in images with strong noise by Iterative Randomized Hough transform (IRHT), Journal of Pattern Recognition 41 pp Elsivier Science Ltd 2. Xu, L., Oja, E., (1990), A new curve detection method : Randomized Hough Transform (RHT), Journal of Pattern Recognition Letter North-Holland Elsivier Science Ltd 3. Wang, X-Y., J.Bu., (2010), A fast and robust image segmentation using FCM with spatial information, Journal of Digital Signal Processing Elsivier Science Ltd 4. Xu, L., Oja, E., (2009), Randomized Hough Transform, Encyclopedia of Artificial Intelligence, IGI Global publishing company 5. J. C. Bezdek,(1981), "Pattern Recognition with Fuzzy Objective Function Algoritms", Plenum Press, New York 6. J. B. MacQueen, (1967), "Some Methods for classification and Analysis of Multivariate Observations, Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, University of California Press, 1: Gonzalez. R.C, (2007), Digital Image Processing Chapter 10 Image Representation and Description, Prentice Hall 8. Leavers, V.F., (1992), The Dynamic Generalized Hough Transform: Its Relationship to the Probabilistic Hough Transforms and an Application to the Concurrent Detection of Circles and Ellipses, CVGIP:Image Understanding
32
33 Citra hasil uji coba skenario 1 Gambar asli FCM dg window 3x3 FCM dg window 5x5
34 Citra hasil uji coba skenario 2 Gambar asli K-means FCM dg window 5x5
Deteksi Kepala Janin Pada Gambar USG Menggunakan Fuzzy C-Means (FCM) Dengan Informasi Spasial Dan Iterative Randomized Hough Transform (IRHT)
Deteksi Kepala Janin Pada Gambar USG Menggunakan Fuzzy C-Means (FCM) Dengan Informasi Spasial Dan Iterative Randomized Hough Transform (IRHT) Dwi Puspitasari 1 *, Handayani Tjandrasa 2 Jurusan Teknik Elektro,
Lebih terperinciPerancangan Deteksi Citra USG Kepala Janin untuk mencari Biparetal Diameter dan Head Circumference
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Deteksi Citra USG Kepala Janin untuk mencari Biparetal Diameter dan Head Circumference Putu Desiana Wulaning
Lebih terperinciSegmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan
Segmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan Septi Wulansari (5109100175) Pembimbing I: Prof. Ir. Handayani Tjandrasa, M.Sc.,
Lebih terperinciPerbandingan Kinerja Fuzzy C-Means dan DBSCAN Dalam Segmentasi Citra USG Kepala Janin
JURNAL SISTEM DAN INFORMATIKA Perbandingan Kinerja Fuzzy C-Means dan DBSCAN Dalam Segmentasi Citra USG Kepala Janin Putu Desiana Wulaning Ayu STMIK STIKOM Bali Jl. Raya Puputan no.86 Renon Denpasar e-mail:
Lebih terperinciAnalisis Perbandingan Algoritma Fuzzy C-Means dan K-Means
Analisis Perbandingan Algoritma Fuzzy C-Means dan K-Means Yohannes Teknik Informatika STMIK GI MDD Palembang, Indonesia Abstrak Klasterisasi merupakan teknik pengelompokkan data berdasarkan kemiripan data.
Lebih terperinciBAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan pada
BAB III METODOLOGI PENELITIAN 1.1. Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan pada proses pengenalan huruf tulisan tangan Katakana menggunakan metode Fuzzy Feature Extraction
Lebih terperinciSegmentasi Kepala Janin Pada Citra USG Dalam Ruang Warna RGB dengan Metode Fuzzy C-Means
D-004 Prosiding Conference on Smart-Green Technologyin Electrical and Information Systems Segmentasi Kepala Janin Pada Citra USG Dalam Ruang Warna RGB dengan Metode Fuzzy C-Means Putu Desiana Wulaning
Lebih terperinciBAB III METODE PENELITIAN. tangan dengan menggunakan metode Support Vector Machine (SVM).
BAB III METODE PENELITIAN 3.1 Desain Penelitian Di dalam desain penelitian ini akan menggambarkan proses pengenalan tulisan tangan dengan menggunakan metode Support Vector Machine (SVM). Praproses Input
Lebih terperinciBAB III METODOLOGI PENELITIAN. Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem
21 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem pengenalan wajah ini yaitu input, proses dan output. Dengan input bahan penelitian
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan metode penelitian sebagai berikut: 1) Pengumpulan Data Tahap ini dilakukan sebagai langkah awal dari suatu penelitian. Mencari
Lebih terperinciBAB 5 UJI COBA DAN ANALISA HASIL
BAB 5 UJI COBA DAN ANALISA HASIL Pada bab ini diuraikan mengenai lingkungan uji coba, hasil uji coba serta analisa hasil uji coba dari perangkat lunak. 5.1 Lingkungan Lingkungan uji coba merupakan komputer
Lebih terperinci100% Akurasi = (11) Lingkungan Pengembangan
Algoritme Dekomposisi Wavelet Dekomposisi wavelet Haar dapat dijelaskan sebagai berikut : 1 Transformasi linear digunakan untuk mengubah ruang warna secara linear menjadi warna dasar. Karena citra yang
Lebih terperincioleh: M BAHARUDIN GHANIY NRP
oleh: M BAHARUDIN GHANIY NRP. 1202 109 022 Teknologi fotografi pada era sekarang ini berkembang sangat pesat. Hal ini terbukti dengan adanya kamera digital. Bentuk dari kamera digital pada umumnya kecil,
Lebih terperinciSEGMENTASI CITRA DIGITAL DENGAN MENGGUNAKAN ALGORITMA WATERSHED DAN LOWPASS FILTER SEBAGAI PROSES AWAL ( November, 2013 )
SEGMENTASI CITRA DIGITAL DENGAN MENGGUNAKAN ALGORITMA WATERSHED DAN LOWPASS FILTER SEBAGAI PROSES AWAL ( November, 2013 ) Pramuda Akariusta Cahyan, Muhammad Aswin, Ir., MT., Ali Mustofa, ST., MT. Jurusan
Lebih terperinciImplementasi Segmentasi Citra dengan Menggunakan Metode Generalized Fuzzy C- Means Clustering Algorithm with Improved Fuzzy Partitions
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1 Implementasi Segmentasi Citra dengan Menggunakan Metode Generalized Fuzzy C- Means Clustering Algorithm with Improved Fuzzy Partitions Ivan Hardiyanto,
Lebih terperinciTugas Akhir Pengembangan Perangkat Lunak Berbasis Suara Ucapan untuk Membuka dan Mencetak Dokumen
Tugas Akhir Pengembangan Perangkat Lunak Berbasis Suara Ucapan untuk Membuka dan Mencetak Dokumen Oleh: Abd. Wahab 1208100064 Pembimbing: Drs. Nurul Hidayat, M.Kom 19630404 198903 1 002 BAB1 Pendahuluan
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN. simulasi untuk mengetahui bagaimana performanya dan berapa besar memori
BAB IV IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Algoritma yang telah dirancang, akan diimplementasikan dalam program simulasi untuk mengetahui bagaimana performanya dan berapa besar memori yang dibutuhkan
Lebih terperinciPENERAPAN ALGORITMA EFFICIENT RANDOMIZED UNTUK MENGHITUNG JUMLAH KOIN DAN BOLA ABSTRAK
PENERAPAN ALGORITMA EFFICIENT RANDOMIZED UNTUK MENGHITUNG JUMLAH KOIN DAN BOLA Yuliana Melita Pranoto 1, Endang Setyati 2 1) Teknik Informatika, Sekolah Tinggi Teknik Surabaya Jl. Ngagel Jaya Tengah 73-77
Lebih terperinciHASIL DAN PEMBAHASAN. Generalisasi =
6 Kelas Target Sidik jari individu 5 0000100000 Sidik jari individu 6 0000010000 Sidik jari individu 7 0000001000 Sidik jari individu 8 0000000100 Sidik jari individu 9 0000000010 Sidik jari individu 10
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
Lebih terperinciSEGMENTASI AREA MAKULA PADA CITRA FUNDUS RETINA DENGAN OPERASI MORFOLOGI (Kata kunci: segmentasi makula, operasi morfologi, citra fundus retina)
PRESENTASI TUGAS AKHIR KI091391 SEGMENTASI AREA MAKULA PADA CITRA FUNDUS RETINA DENGAN OPERASI MORFOLOGI (Kata kunci: segmentasi makula, operasi morfologi, citra fundus retina) Penyusun Tugas Akhir : Diandra
Lebih terperinciPenyusun Tugas Akhir : Ivan Hardiyanto (NRP : ) Dosen Pembimbing : Yudhi Purwananto, S.Kom, M.Kom Rully Soelaiman, S.Kom, M.
PRESENTASI TUGAS AKHIR KI091391 IMPLEMENTASI SEGMENTASI CITRA DENGAN MENGGUNAKAN METODE GENERALIZED FUZZY C- MEANS CLUSTERING ALGORITHM WITH IMPROVED FUZZY PARTITIONS (Kata kunci: Algoritma Fuzzy Clustering,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pengolahan citra pada masa sekarang mempunyai suatu aplikasi yang sangat luas dalam berbagai bidang antara lain bidang teknologi informasi, arkeologi, astronomi, biomedis,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Tujuan Penelitian
BAB I PENDAHULUAN 1.1 Latar Belakang Pada sebuah citra, sangat dimungkinkan terdapat berbagai macam objek. Objek yang ada pun bisa terdiri dari berbagai bentuk dan ukuran. Salah satu objek yang mungkin
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2006/2007 SEGMENTASI CITRA SPOT DENGAN MENGGUNAKAN PENDEKATAN FUZZY C-MEANS Jimmy Johan / 0700708953
Lebih terperinciDeteksi Lingkar Citra USG Perut Janin Menggunakan Algoritma Fuzzy C Means (FCM)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Deteksi Lingkar Citra USG Perut Janin Menggunakan Algoritma Fuzzy C Means (FCM) Gede Angga Pradipta 1), Putu Desiana Wulaning
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Pada penelitian tugas akhir ini ada beberapa tahapan penelitian yang akan dilakukan seperti yang terlihat pada gambar 3.1 : Mulai Pengumpulan Data Analisa
Lebih terperinciGeneralisasi rata-rata (%)
Lingkungan Pengembangan Sistem Sistem dikembangkan menggunakan kompiler Matlab R2008b dan sistem operasi Windows 7. Spesifikasi hardware komputer yang digunakan adalah Processor Intel (R) Atom (TM) CPU
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
Lebih terperinciGambar 15 Contoh pembagian citra di dalam sistem segmentasi.
dalam contoh ini variance bernilai 2000 I p I t 2 = (200-150) 2 + (150-180) 2 + (250-120) I p I t 2 = 28400. D p (t) = exp(-28400/2*2000) D p (t) = 8.251 x 10-4. Untuk bobot t-link {p, t} dengan p merupakan
Lebih terperinciBulu mata. Generalisasi= Jumlah pola dikenali dengan benar x 100% Jumlah total pola
Generalisasi Hasil penelitian ini diukur menggunakan nilai konvergen dan generalisasi. Nilai konvergen adalah tingkat kecepatan jaringan untuk mempelajari pola input yang dinyatakan dalam satuan iterasi
Lebih terperinciBAB IV DESAI SISTEM. Tabel 4.1 Lingkungan Desain Perangkat Lunak Prosesor : Core 2 Duo, 2 GHz Memori : 2 GB
BAB IV DESAI SISTEM Pada bab ini akan dibahas mengenai perancangan dan pembuatan aplikasi perangkat lunak. Perangkat lunak yang akan dibuat pada tugas akhir ini adalah aplikasi HVF Pada perancangan sistem
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Nama Mahasiswa : Gigih Prasetyo Cahyono NRP : 1206 100 067 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Prof.
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
Lebih terperinciImplementasi Algoritma Fuzzy C Means Dan Statistical Region Merging Pada Segmentasi Citra
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Implementasi Algoritma Fuzzy C Means Dan Statistical Region Merging Pada Segmentasi Citra I Made Budi Adnyana STMIK STIKOM
Lebih terperincipbab 4 IMPLEMENTASI DAN EVALUASI PROGRAM APLIKASI uji coba terhadap program aplikasi pengenalan plat nomor kendaraan roda empat ini,
pbab 4 IMPLEMENTASI DAN EVALUASI PROGRAM APLIKASI Bab ini berisi penjelasan tentang implementasi sistem meliputi kebutuhan perangkat lunak dan perangkat keras yang digunakan untuk melakukan perancangan
Lebih terperinciBAB III K-MEANS CLUSTERING. Analisis klaster merupakan salah satu teknik multivariat metode
BAB III K-MEANS CLUSTERING 3.1 Analisis Klaster Analisis klaster merupakan salah satu teknik multivariat metode interdependensi (saling ketergantungan). Oleh karena itu, dalam analisis klaster tidak ada
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan penelitian yang dilaksanakan ditunjukan pada Gambar 6. Akusisi Citra INPUT Citra Query Preprocessing Citra Pre processing Citra Ekstraksi Fitur
Lebih terperinciAnalisa Perbandingan Metode Edge Detection Roberts Dan Prewitt
Analisa Perbandingan Metode Edge Detection Roberts Dan Prewitt Romindo Polikteknik Ganesha Medan Jl. Veteran No. 190 Pasar VI Manunggal romindo4@gmail.com Nurul Khairina Polikteknik Ganesha Medan Jl. Veteran
Lebih terperinciMATHunesa Jurnal Ilmiah Matematika Volume 2 No.6 Tahun 2017 ISSN
MATHunesa Jurnal Ilmiah Matematika Volume 2 No.6 Tahun 2017 ISSN 2301-9115 SEGMENTASI CITRA MAGNETIC RESONANCE IMAGING (MRI) MENGGUNAKAN FUZZY C- MEANS (FCM) Erva Ani Dwi Katwarti 1) Jurusan Matematika,
Lebih terperinciKLASIFIKASI USAHA KECIL DAN MENENGAH (UKM) SEKTOR INDUSTRI DENGAN METODE FUZZY C-MEANS CLUSTERING WILAYAH KOTA CILEGON
Seminar Nasional IENACO 213 ISSN: 2337-39 KLASIFIKASI USAHA KECIL DAN MENENGAH (UKM) SEKTOR INDUSTRI DENGAN METODE FUZZY C-MEANS CLUSTERING WILAYAH KOTA CILEGON Ratna Ekawati 1),Nurul Yulis 2) 1) Jurusan
Lebih terperinciImplementasi Metode Hough Transform Pada Citra Skeletonisasi Dengan Menggunakan MATLAB 7.6. Intan Nur Lestari
Implementasi Metode Hough Transform Pada Citra Skeletonisasi Dengan Menggunakan MATLAB 7.6 Intan Nur Lestari Fakultas Teknologi Industri Universitas Gunadarma Jl. Margonda Raya, 100, Pondok Cina, Depok
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Segmentasi citra (image segmentation) merupakan langkah awal pada proses analisa citra yang bertujuan untuk mengambil informasi yang terdapat di dalam suatu citra.
Lebih terperinciPerancangan Perangkat Lunak untuk Ekstraksi Ciri dan Klasifikasi Pola Batik
JURNAL ILMIAH SEMESTA TEKNIKA Vol. 17, No. 2, 157-165, Nov 2014 157 Perancangan Perangkat Lunak untuk Ekstraksi Ciri dan Klasifikasi Pola Batik (Software Design for Feature Extraction and Classification
Lebih terperinciRepresentasi Citra. Bertalya. Universitas Gunadarma
Representasi Citra Bertalya Universitas Gunadarma 2005 Pengertian Citra Digital Ada 2 citra, yakni : citra kontinu dan citra diskrit (citra digital) Citra kontinu diperoleh dari sistem optik yg menerima
Lebih terperinciPERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA
PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA Naser Jawas Sistem Komputer STMIK STIKOM Bali Jl Raya Puputan No.86 Renon, Denpasar, Bali 80226
Lebih terperinciBAB III METODE ROBERTS DAN SOBEL DALAM MENDETEKSI TEPI SUATU CITRA DIGITAL
BAB III METODE ROBERTS DAN SOBEL DALAM MENDETEKSI TEPI SUATU CITRA DIGITAL 3.1 Tepi Objek Pertemuan antara bagian obyek dan bagian latar belakang disebut tepi obyek. Dalam pengolahan citra, tepi obyek
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN PENGHAPUSAN TEKSTUR DAN K-MEANS DENGAN BATASAN RUANG
SEGMENTASI CITRA MENGGUNAKAN PENGHAPUSAN TEKSTUR DAN K-MEANS DENGAN BATASAN RUANG Gama Wisnu Fajarianto 1, Handayani Tjandrasa 2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi
Lebih terperinciPENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2016, pp. 590~595 PENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION 590 Indra Gunawan
Lebih terperinciAkurasi. Perangkat Lunak: Sistem operasi: Windows Vista Home Premium Aplikasi pemrograman: Matlab 7.0
Tabel 1 Dimensi citra di tiap level Level transformasi Dimensi citra 1 46 56 2 23 28 3 12 14 4 6 7 5 3 4 6 2 2 Pada Gambar 5 disajikan visualisasi transformasi wavelet hingga level 3. Deskripsi citra dekomposisi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA 2.1 Dasar Teori Citra Digital
4 BAB 2 TINJAUAN PUSTAKA 2.1 Dasar Teori Bab ini berisi tentang teori yang mendasari penelitian ini. Terdapat beberapa dasar teori yang digunakan dan akan diuraikan sebagai berikut. 2.1.1 Citra Digital
Lebih terperinciHASIL DAN PEMBAHASAN. 4. Menghitung fungsi objektif pada iterasi ke-t, 5. Meng-update derajat keanggotaan. 6. Mengecek kondisi berhenti:
2. v kj merupakan centroid term ke-j terhadap cluster ke-k 3. μ ik merupakan derajat keanggotaan dokumen ke-i terhadap cluster ke-k 4. i adalah indeks dokumen 5. j adalah indeks term 6. k adalah indeks
Lebih terperinci3.2.1 Flowchart Secara Umum
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui dan memahami permasalahan dari suatu sistem yang akan dibuat. Dalam aplikasi menghilangkan derau
Lebih terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih terperinciHardisk 80 GB Perangkat lunak Window XP Profesional MATLAB 7.0.1
Hardisk 8 GB Perangkat lunak Window XP Profesional MATLAB 7..1 HASIL DAN PEMBAHASAN Percobaan yang dilakukan pada penelitian ini terdiri atas dua macam, yaitu citra yang akan mengalami proses pengenalan
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI
84 BAB IV IMPLEMENTASI DAN EVALUASI Pada bab ini akan dibahas mengenai implementasi sistem yaitu spesifikasi sistem dan cara menggunakan aplikasi segmentasi citra dengan menggunakan metode Fuzzy C- Means
Lebih terperinciPerancangan dan Pembuatan Aplikasi Skeletonization
Perancangan dan Pembuatan Aplikasi Skeletonization Gideon Simon 1, Liliana 2, Kartika Gunadi 3 Fakultas Teknologi Industri Program Studi Teknik Informatika, Universitas Kristen Petra Jl. Siwalankerto 121-131,
Lebih terperinciDETEKSI MARKA JALAN DAN ESTIMASI POSISI MENGGUNAKAN MULTIRESOLUTION HOUGH TRANSFORM
DETEKSI MARKA JALAN DAN ESTIMASI POSISI MENGGUNAKAN MULTIRESOLUTION HOUGH TRANSFORM Charles Edison Chandra; Herland Jufry; Sofyan Tan Computer Engineering Department, Faculty of Engineering, Binus University
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih terperinciIMPLEMENTASI THRESHOLDING CITRA MENGGUNAKAN ALGORITMA HYBRID OPTIMAL ESTIMATION
IMPLEMENTASI THRESHOLDING CITRA MENGGUNAKAN ALGORITMA HYBRID OPTIMAL ESTIMATION M Hafidh Fauzi 1, Prof.Ir.Handayani Tjandrasa, M.Sc., Ph.D 2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut
Lebih terperinciBAB III METODOLOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah:
BAB III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: PC dengan spesifikasi: a. Sistem Operasi : Microsoft Windows 10 Enterprise 64-bit
Lebih terperinciArga Wahyumianto Pembimbing : 1. Dr. I Ketut Eddy Purnama, ST., MT 2. Christyowidiasmoro, ST., MT
IDENTIFIKASI DAUN BERDASARKAN FITUR TULANG DAUN MENGGUNAKAN ALGORITMA EKSTRAKSI MINUTIAE Arga Wahyumianto 2209 105 047 Pembimbing : 1. Dr. I Ketut Eddy Purnama, ST., MT 2. Christyowidiasmoro, ST., MT LATAR
Lebih terperinciGambar 3.1 Desain Penelitian
METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Permalan Time Series, Harga Minyak Bumi, Jaringan Syaraf Tiruan, Backpropagation Pengumpulan Data Harga Minyak Bumi di Indonesia Perancangan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui dan memahami permasalahan dari suatu sistem yang akan dibuat. Dalam implementasi persamaan Pulse
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
Lebih terperinciTujuan Penelitian Tujuan penelitian ini adalah untuk melakukan deteksi penyakit pada daun rose dengan menggunakan metode ANN.
Laporan Akhir Projek PPCD Deteksi Penyakit Daun Menggunakan Artificial Neural Network (ANN) TRI SONY(G64130020), GISHELLA ERDYANING (G64130040), AMALIYA SUKMA RAGIL PRISTIYANTO (G64130044), MUHAMMAD RIZQI
Lebih terperinci1. Pendahuluan 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Saat ini, kebutuhan manusia akan teknologi semakin meningkat karena tidak bisa dipungkiri bahwa teknologi tersebut dapat meringankan pekerjaan manusia. Hal ini juga diimbangi
Lebih terperinciAhmad Mauliyadi M, Hizir Sofyan, dan Muhammad Subianto. Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Syiah Kuala
Tersedia di www.fmipa.unsyiah.ac.id Jurnal Matematika 00 (2013) 01 05 PERBANDINGAN METODE FUZZY C-MEANS (FCM) DAN FUZZY GUSTAFSON-KESSEL (FGK) MENGGUNAKAN DATA CITRA SATELIT QUICKBIRD (Studi Kasus Desa
Lebih terperinciPengolahan Citra Digital FAJAR ASTUTI H, S.KOM., M.KOM
Pengolahan Citra Digital FAJAR ASTUTI H, S.KOM., M.KOM PENILAIAN TUGAS : 30% UTS : 30% UAS : 40% REFERENSI Slides & Hand outs; Digital Image Processing; Rafael C. Gonzalez & Richard E Woods; Addison Wesley
Lebih terperincidengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan
dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan.
Lebih terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
Lebih terperinciTEKNIK PEMOTONGAN CITRA KROMOSOM TUMPANG TINDIH ATAU BERSENTUHAN
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN: 107-5022 TEKNIK PEMOTONGAN CITRA KROMOSOM TUMPANG TINDIH ATAU BERSENTUHAN Moechammad Sarosa Teknik Elektro, Politeknik Negeri Malang
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi Penelitian merupakan acuan dalam pelaksanaan sebuah penelitian. Metodologi penelitian berisi rencana kerja yang berurutan agar hasil yang didapatkan sesuai dengan
Lebih terperinciLeast Square Estimation
Least Square Estimation Untuk menyelesaikan koefisien proyeksi di posisi output, pendekatan Least-Squares pada fungsi aplikabel di ditulis dengan persamaan berikut: dimana sinyal kepastian c menetapkan
Lebih terperinciDeteksi Tepi pada Citra Digital menggunakan Metode Kirsch dan Robinson
Deteksi Tepi pada Citra Digital menggunakan Metode Kirsch dan Robinson Veronica Lusiana Program Studi Teknik Informatika, Universitas Stikubank email: verolusiana@yahoo.com Abstrak Segmentasi citra sebagai
Lebih terperinci(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST
(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST 1Nor Indah FitriyaNingrum, 2 Suwanda, 3 Anna Chadidjah 1Mahasiswa JurusanStatistika FMIPA UniversitasPadjadjaran 2Jurusan Statistika FMIPA Universitas
Lebih terperinciFAKULTAS TEKNIK (FT) PROGRAM TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI 2016
DETEKSI KEMUNCULAN BULAN SABIT MENGGUNAKAN METODE CIRCULAR HOUGH TRANSFORM ARTIKEL Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah
BAB 3 METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Prosesor Intel (R) Atom (TM) CPU N550
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dental radiology memiliki peranan yang penting dalam menentukan perawatan dan diagnosa gigi. Penggunaan sinar rontgen telah lama di kenal sebagai suatu alat dalam bidang
Lebih terperinciImplementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari)
Implementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari) Amalfi Yusri Darusman Jurusan Teknik Informatika Institut Teknologi Bandung, jalan Ganesha 10 Bandung, email : if17023@students.if.itb.a.c.id
Lebih terperinciSegmentasi Citra Berbasis Clustering Menggunakan Algoritma Fuzzy C-Means
JURNAL TEKNOLOGI ELEKTRO, VOL.14, NO.1, JANUARI-JUNI 2015 16 Segmentasi Berbasis Clustering Menggunakan Algoritma Fuzzy C-Means I Made Budi Adnyana, I Ketut Gede Darma Putra, dan I Putu Agung Bayupati
Lebih terperincii. Perangkat Keras Prosesor Intel Pentium(R) Dual-Core CPU 2.20 GHz
Data yang pada awalnya berupa chanel stereo diubah ke dalam chanel mono. Kemudian data tersebut disimpan dengan file berekstensi WAV. Praproses Pada tahap ini dilakukan ekstraksi ciri menggunakan metode
Lebih terperinciAPLIKASI KOMPRESI CITRA BERBASIS ROUGH FUZZY SET
APLIKASI KOMPRESI CITRA BERBASIS ROUGH FUZZY SET Anny Yuniarti 1), Nadya Anisa Syafa 2), Handayani Tjandrasa 3) 1,2,3) Jurusan Teknik Informatika Institut Teknologi Sepuluh Nopember (ITS) Surabaya Surabaya
Lebih terperinciPresentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ. Muhammad Reza Budiman
Presentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ Muhammad Reza Budiman 5209100075 Jurusan Sistem Informasi Fakultas Teknologi Informasi
Lebih terperinciPENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN NEURAL NETWORK DAN PEMROSESAN AWAL THINNING ZHANG SUEN
PENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN NEURAL NETWORK DAN PEMROSESAN AWAL THINNING ZHANG SUEN Chairisni Lubis 1) Yuliana Soegianto 2) 1) Fakultas Teknologi Informasi Universitas Tarumanagara Jl. S.Parman
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Alur Metodologi Penelitian Berikut adalah alur metodologi penelitian yang akan digunakan dalam menyelesaikan penelitian tugas akhir ini : 3.2 Pengumpulan Data Gambar 3.1
Lebih terperinciKLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS
KLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS Nunik Mariastuti Wijilestari, Moch. Hariadi Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 60
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada saat sekarang ini teknologi komputer telah berkembang pesat. Teknologi komputer ini pada mulanya hanya berkembang dalam teknologi pengolahan data saja. Namun seiring
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan
1 BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Indonesia merupakan negara berkembang yang memiliki jumlah penduduk yang cukup banyak. Menurut hasil sensus penduduk tahun 2010 yang dikeluarkan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
61 BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis 3.1.1 Analisis Permasalahan Proses Segmentasi citra dapat dilakukan dengan berbagai cara, antara lain dengan metode konvensional secara statistik maupun
Lebih terperinciDETEKSI KEPALA JANIN PADA CITRA USG DENGAN RUANG WARNA RGB, CIEL*a*b, FUZZY C-MEANS DAN ITERATIVE RANDOMIZED HOUGH TRANSFORM
TESIS DETEKSI KEPALA JANIN PADA CITRA USG DENGAN RUANG WARNA RGB, CIEL*a*b, FUZZY C-MEANS DAN ITERATIVE RANDOMIZED HOUGH TRANSFORM PUTU DESIANA WULANING AYU NIM 1191761009 PROGRAM MAGISTER PROGRAM STUDI
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 STUDI KINERJA PENINGKATAN KEAMANAN INFORMASI BERBASIS PENYISIPAN INFORMASI DENGAN MENGGUNAKAN STEGANOGRAFI (Kata kunci: deteksi tepi fuzzy, deteksi tepi hybrid, metode High
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan Sebuah aplikasi berupa Sistem Pendukung Keputusan (Decision Support System) mulai dikembangkan pada tahun 1970. Decision Support Sistem (DSS) dengan
Lebih terperinci