ABSTRAK 1 PENDAHULUAN
|
|
- Leony Hartono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 IMPLEMENTASI METODE KLASIFIKASI FUZZY C-MEANS MENGGUNAKAN ALGOITMA MULTISCALE DIFFUSION FILTEING Fitri Primayunita 1, Agus Zainal Arifin 2, Anny Yuniarti Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember fee3primayunita@gmail.com 1, agusza@cs.its.ac.id 2, anny@if.its.ac.id 3 3 ABSTAK Hasil dari pengolahan citra dapat bermanfaat dalam berbagai bidang, misalnya dalam bidang kesehatan. Dan pengklasifikasian merupakan langkah penting dalam pengolahan citra untuk menganalisis citra secara kuantitatif dengan tujuan untuk mendeteksi penyakit atau mengkuantifikasi respon penyakit terhadap terapi. Pada makalah ini diimplementasikan sebuah metode klasifikasi fuzzy c-means menggunakan algoritma multiscale diffusion filtering. Penyaringan difusi dingunakan untuk memproses citra dan membangun seri citra multiskala. Metode multiscale fuzzy c-means (MsFCM) diaplikasikan ke semua skala citra mulai yang paling kasar hingga yang paling halus. Fungsi objektif pada fuzzy c-means (FCM) konvensional dimodifikasi untuk memungkinkan proses multiskala dimana hasil dari klasifikasi citra skala kasar dapat digunakan untuk memperbaiki klasifikasi citra skala berikutnya. Dari percobaan yang dilakukan, metode ini mampu melakukan klasifikasi dengan cukup baik. Penyaringan difusi terhadap citra multiskala yang digunakan pada metode ini menjadikannya tahan terhadap noise dan kontras yang rendah. Kata kunci: Klasifikasi citra, Fuzzy C-Means, K-Means, Penyaringan difusi multiskala 1 PENDAHULUAN Hasil dari pengolahan citra dapat bermanfaat dalam berbagai bidang, misalnya dalam bidang bioteknologi untuk merancang obat-obatan, dalam bidang kesehatan untuk mengklarifikasi mammogram, MI, dan citra medis lainnya, dalam bidang ilmu lingkungan untuk penentu pola cuaca, dan dalam bidang seni untuk pembuatan citra digital film. Dan pengklasifikasian merupakan langkah penting dalam pengolahan citra, misalnya pada bidang kesehatan untuk menganalisis citra secara kuantitatif dengan tujuan untuk mendeteksi patologi atau mengkuantifikasi respon penyakit terhadap terapi. Klasifikasi citra merupakan proses untuk mempartisi sebuah gambar kedalam himpunan dari kelas-kelas yang berbeda dengan atribut-atribut yang seragam atau homogen, seperti tekstur atau intensitas. Tantangan dalam pengklasifikasian citra terletak pada adanya pengaruh beberapa faktor seperti noise, kontras yang rendah, intensitas yang tidak seragam, atau partial volume effect (efek volume sebagian) pada citra sehingga menyulitkan proses pengklasifikasian. Metode-metode klasifikasi konvensional yang bersifat keras membatasi setiap piksel secara eksklusif menjadi milik satu kelas sehingga metode tersebut tidak dapat menyelesaikan permasalahan yang disebabkan oleh faktor-faktor seperti yang disebutkan di atas. Sebaliknya, metode klasifikasi fuzzy atau segmentasi yang bersifat lunak dapat digunakan untuk menyelesaikan permasalahan tersebut karena dalam metode ini setiap piksel dapat diklasifikasikan ke dalam beberapa kelas. Metode klasifikasi Fuzzy C-Means (FCM) menggunakan partisi fuzzy dan memungkinkan satu piksel menjadi milik beberapa jenis jaringan dengan keanggotaan yang berbeda dinilai antara 0 dan 1 [2]. FCM merupakan algoritma unsupervised yang memungkinkan pengelompokan yang bersifat lunak dari setiap piksel yang mungkin terdiri dari beberapa jenis jaringan yang berbeda [5]. Sebuah metode yang berbeda, FCM yang telah dimodifikasi diusulkan sebagai kompensasi dalam bidang keberagaman M dan untuk menggabungkan informasi ruang yang dapat megatasi kendala-kendala kesinambungan ruang melalui pengolahan lanjutan hasil yang diperoleh dari klasifikasi FCM konvensional dimana seperangkat aturan menggambarkan keseragaman daerah yang diterapkan untuk memperbarui keanggotaan fuzzy [6]. Sebuah metode geometry-guided FCM (GC-FCM) metode diusulkan, dimana informasi tetangga lokal dimasukkan ke dalam proses optimasi [4]. Baru-baru ini, beberapa pendekatan langsung menambahkan pedoman regularisasi pada fungsi objektif, sehingga menunjukkan peningkatan ketahanan dari klasifikasi terhadap citra ber-noise. Sebuah pedoman regularisasi telah diperkenalkan dalam fungsi cost FCM konvensional untuk memaksakan pengaruh neighborhood (tetangga) [1]. Sebuah piksel mungkin berada dalam kelas yang sama jika mayoritas piksel disekitarnya berada dalam satu kelas. Dengan cara ini, solusi akhir ini diarahkan pada klasifikasi piece-wisehomogeneous. Metode ini telah didemonstrasikan pada citra M yang rusak oleh salt and pepper noise. Terinspirasi oleh Markov andom Field dan algoritma expectation-maximation [7], berbagai modifikasi dari metode FCM diusulkan dengan menggabungkan regularisasi pedoman-pedoman yang berbeda untuk mengatasi sensitivitas FCM terhadap noise [3]. Makalah ini membahas tentang implementasi pengembangan metode klasifikasi menggunakan algoritma Multiscale Fuzzy C-Means (MsFCM). Pada algoritma ini digunakan penyaringan difusi anisotropik untuk menigkatkan kehalusan citra dan untuk membangun citra multiskala. Metode klasifikasi 1
2 Multiscale Fuzzy C-Means diterapkan di sepanjang skala dari tingkat halus yang merupakan citra hasil dari penyaringan difusi anisotropik ke tingkat kasar atau citra asli. Fungsi objektif dari FCM konvensional dimodifikasi untuk memungkinkan pengolahan klasifikasi multiskala dimana hasil klasifikasi awal akan mengawasi klasifikasi pada skala halus berikutnya. 2 METODE KLASIFIKASI 2.1 Anisotropic Diffusion Filter Penyaringan citra masukan dilakukan dengan menggunakan algoritma Anisotropic Diffusion Filtering yang secara matematis dapat didefinisikan sebagai: x(i,t) t = div c(x i, t) x(i, t) (1) dimana x i adalah intensitas gambar pada posisi i, x(i, t) adalah intensitas gambar pada posisi i dan pada saat t atau pada tingkat skala t; dan div merupakan gradien dan operator divergen. c(x i, t) adalah koefisien difusi. c 1 (x i, t) = e ( x(i,t) /κ)2 (2) Konstanta difusi κ dipilih berdasarkan tingkatan noise dan ketebalan edge. Dan flow merupakan fungsi dari difusi konstan yang didefinisikan sebagai: Φ(x i, t) = c(x i, t) x(x i, t) (3) Maksimal flow dihasilkan pada lokasi-lokasi dimana gradien sama dengan konstanta difusi ( x κ). Ketika gradien berada dibawah κ, flow menurun menuju nilai nol karena daerah tersebut merupakan daerah-daerah yang homogen. Pada saat gradien berada diatas κ fungsi flow juga menurun menuju nilai nol, proses difusi dihentikan pada lokasi-lokasi dengan gradien yang besar. Dengan kata lain proses difusi memperhalus daerah-daerah homogen (dimana x κ) dan mempertahankan daerahdaerah tepi (dimana x κ). Pendekatan multi skala yang digunakan pada proses filtering ini menghasilkan serangkaian citra dengan level resolusi spasial yang berbeda-beda. Informasi umum diekstrak dan dipertahankan pada citra-citra dengan skala yang besar. Dan pada citra-citra dengan skala kecil terdapat lebih banyak informasi lokal jaringan. Dengan kata lain, semakin tinggi skala, detail citra semakin menghilang. Pendekatan multi skala dapat secara efektif meningkatkan kecepatan pengklasifikasian dan dapat menghindari perangkap local solution. t dianggap sebagai skala atau level. Ketika skala meningkat, citra menjadi kabur dan berisi lebih banyak informasi umum. Gambar 1 menunjukkan scale space yang dihasilkan oleh anisotropic diffusion filtering dimana t = 0 adalah citra asli. Semakin besar tingkat skala, informasi lokal yang tampak akan semakin berkurang. Gambar 1 Scale space yang dibangun oleh anisotropic diffusion. 2.2 K-Means K-Means adalah salah satu algoritma unsupervised learning klustering yang secara partitioning memisahkan data ke dalam kelompok yang berbeda. Dengan partitioning secara iteratif, K-Means mampu meminimalkan rata-rata jarak setiap data ke klasternya. Penerapan algoritma K-Means pada citra dengan level tertinggi yang merupakan hasil penyaringan Anisotropic Diffusion Filtering digunakan untuk melakukan proses pengklusteran awal dengan tujuan untuk memperkirakan kelas-kelas awal. Dengan demikian dapat meningkatkan kecepatan dan ketepatan proses klasifikasi tahap berikutnya. 2.3 Multiscale Fuzzy C-Means (MsFCM) Metode klasifikasi Multiscale Fuzzy C-Means (MsFCM) merupakan pengembangan metode klusterisasi Fuzzy C-Means (FCM) dan Modified Fuzzy C-Means (MFCM). Dalam algoritma ini digunakan filter difusi untuk memproses dan membangun serangkaian citra multiskala. Metode klasifikasi Multiscale Fuzzy C-Means diterapkan secara keseluruhan dari citra skala kasar hingga citra skala halus. Fungsi objektif pada Fuzzy C- Means (FCM) konfensional dimodifikasi sehingga memungkinkan terjadinya proses klasifikasi secara bertingkat (multiscale), dimana hasil dari skala kasar akan mendasari proses klasifikasi dalam skala halus berikutnya. Metode ini tahan terhadap noise dan kontras yang rendah pada citra. Hal ini dikarenakan adanya difusi multiskala dalam skema penyaringan. Tahap awal algoritma Multiscale Fuzzy C-Means (MsFCM) adalah proses penyaringan difusi anisotropik pada citra, setelah itu dilakukan klasifikasi dari skala yang paling kasar ke skala paling baik, yaitu citra asli. Hasil klasifikasi pada level yang lebih kasar t + 1 digunakan untuk menginisialisasi klasifikasi pada skala yang lebih tinggi yaitu level t. Klasifikasi akhir adalah hasil pada skala dengan level 0. Dalam proses klasifikasi pada level t + 1, piksel dengan derajat keanggotaan tertinggi yang melebihi atas ambang batas diidentifikasi dan dikelompokkan dalam kelas yang sesuai. Pikselpiksel ini digunakan sebagai training data untuk tingkat berikutnya yaitu level t. Fungsi obyektif MsFCM pada level t adalah J MsFCM = c (u ik ) p x i v k 2 k=1 N i=1 + α c N k=1 i=1 x r N i + (u N ik ) p x r v k 2 β c N u ik u ik p i=1 x i v k 2 k=1 (4) 2
3 dimana u ik adalah derajat keanggotaan piksel i pada kelas k, dan v k adalah vektor dari pusat kelas k, x i merupakan intensitas piksel i, N i adalah piksel-piksel tetangga yang berada disekeliling piksel i. Fungsi obyektif ini merupakan jumlah dari tiga suku di mana α dan β adalah scaling factor yang menentukan pengaruh setiap suku. Suku pertama adalah fungsi obyektif yang digunakan pada metode FCM konvensional, yang memberikan derajat keanggotaan tertinggi pada piksel yang intensitasnya dekat dengan pusat kelas. Suku kedua memungkinkan neighborhood piksel untuk mengatur klasifikasi dengan pelabelan piecewise-homogeneous. Suku ketiga digunakan untuk menggabungkan informasi yang didapat dari klasifikasi dari skala sebelumnya. u ik adalah derajat keanggotaan yang diperoleh dari klasifikasi dalam skala sebelumnya. u ik ditentukan sebagai u ik = u ik, max k (u t+1 ik ) > κ 0, otherwise dimana κ adalah ambang batas untuk menentukan piksel dengan kelas yang dikenal dalam klasifikasi skala berikutnya dan ditetapkan sebagai 0.85 dalam implementasi makalah ini. Fungsi obyektif J MsFCM dapat diminimalisasi melalui turunan pertama fungsi obyektif J MsFCM terhadap u ik yang dapat diselesaikan dengan menggunakan Lagrange multiplier. F MsFCM = c (u ik ) p x i v k 2 k=1 N i=1 + α c N k=1 i=1 x r N i + (5) (u N ik ) p x r v k 2 β c u ik u ik p k=1 N i=1 x i v k 2 + λ(1 c k=1 u ik ) (6) Pada algoritma MsFCM, parameter p ditetapkan sebagai 2 δf MsFCM = 2u δu ik x i v k 2 + 2α u ik N ik x x r r N i v k 2 + 2β u ik u ik x i v k 2 λ = 0 (7) uik=u ik sehingga diperoleh u ik u ik = λ 2 +βu ik x i v k 2 (1+β) x i v k 2 + α (8) x N xr N r v k 2 i Pusat kluster v k di-update menggunakan turunan pertama F MsFCM terhadap v k yang hasilnya diatur sama dengan 0 N i=1(u ik ) 2 x i v k N i=1 (u ik ) 2 + (u ik ) 2 α xr N i αv k (u ik ) 2 N i=1 N x r N i=1 + N β u ik u ik 2 i=1 x i v k N i=1 β u ik u ik = 0 (10) sehingga diperoleh v k N v k = i=1 (u ik )2 2 x i + α N x x r r N i +β N u ik u ik 2 i=1 x i (1+α) N i=1 (u ik ) 2 +β N u ik u ik 2 i=1 (11) 2.4 Confussion Table Confusion table atau confusion matrix berisi informasi tentang klasifikasi aktual dan klasifikasi prediksi, hasil dari sistem klasifikasi [9]. Kinerja sistem klasifikasi biasanya dievaluasi dengan menggunakan data dalam matriks. Accuracy (AC) adalah proporsi dari total jumlah prediksi yang benar. AC dapat didefinisikan dalam persamaan AC = a+d a+b+c+d (12) dimana, a adalah jumlah prediksi yang benar dalam memprediksikan bahwa suatu hal adalah negatif b adalah jumlah prediksi yang salah dalam memprediksikan bahwa suatu hal adalah positif c adalah jumlah prediksi yang salah dalam memprediksikan bahwa suatu hal adalah negative d adalah jumlah prediksi yang benar dalam memprediksikan bahwa suatu hal adalah positif 3 UJI COBA DAN PEMBAHASAN 3.1 Uji Coba Tingkat 1 Pada uji coba tingkat akurasi 1 ini dilakukan penghitungan nilai akurasi hasil klasifikasi terhadap citra sintetis dengan cara membandingkannya dengan citra ground truth. pengklasifikasian dilakukan terhadap 5 citra sintetis. Citra hasil klasifikasi akan dihitung akurasinya terhadap citra ground truth sesuai dengan Persamaan (12). Uji coba dilakukan dengan mengambil hasil terbaik. Oleh karena c j=1 u ij = 1 i derajat keanggotaan didefinisikan ulang sebagai u ik = u ij x i v j 2 +u ik x i v k 2 1+β c j=1 (1+β) x i v j 2 + α xr v N j 2 xr N i (1+β) x i v k 2 + α N xr N xr v k 2 c i j=1 (1+β) x i v j 2 + α xr v N j 2 xr N i (9) Gambar 2 Uji coba tingkat akurasi 1 pada Citra Sintetis 5 3
4 Nama Citra Tabel 1 Hasil Uji Coba Tingkat 1 Kelas Kelas Tingkat pada Terklasifikasi Citra Sintetis Sintetis Sintetis Sintetis Sintetis FCM MsFCM Gambar 2 menunjukkan citra masukan dan citra hasil klasifikasi. Dari gambar tersebut dapat dilihat bahwa algoritma dapat melakukan klasifikasi dengan baik. Pada citra Sintetis 5 terdapat 5 kelas, dari tingkatan warna putih sampai hitam, yang semuanya berhasil terklasifikasi. Dari Tabel 1 dapat dilihat bahwa hasil uji coba menunjukkan bahwa algoritma yang diterapkan dapat menghasilkan rata-rata tingkat akurasi klasifikasi yang sangat tinggi, yaitu 99.14% dengan rata-rata waktu proses pengklasifikasian selama 4.8 detik. Dari lima citra sintetis yang diuji, objek pada masing-masing citra berhasil diklasifikasikan atau dikelompokkan dengan baik sehingga tidak ada objek citra yang terlewatkan. Pada uji coba citra Sintetis 5 terjadi peningkatan waktu yang signifikan. Hal ini disebabkan semakin banyaknya jumlah kelas, akibatnya meningkatkan waktu proses pengklasifikasian. 3.2 Uji Coba Tingkat 2 Pada uji coba tingkat akurasi 2 ini dilakukan perbandingan nilai akurasi hasil klasifikasi Multiscale Fuzzy C-Means terhadap hasil klasifikasi metode lain, yaitu Konvensional Fuzzy C-Means. Tabel 2 merupakan tabel data uji coba tingkat akurasi metode klasifikasi Konvensional Fuzzy C-Means dan Multiscale Fuzzy C-Means. pengklasifikasian dilakukan terhadap 5 citra sintetis. Dan Gambar 3 merupakan grafik yang dibentuk dari data pengklasifikasian pada tabel 2. Dari Tabel 2 dan Gambar 3 dapat diketahui bahwa pengklasifikasian dengan menggunakan metode Multiscale Fuzzy C-Means menghasilkan tingkat akurasi yang lebih baik, yaitu rata-rata 99.14%, sedangkan metode Konvensional Fuzzy C-Means hanya menghasilkan tingkat akurasi rata-rata sebesar 90.86%. Tabel 2 Hasil Uji Coba Tingkat 2 Nama Citra Tingkat FCM Tingkat MsFCM Sintetis % 99.56% Sintetis % 99.55% Sintetis 3 100% 99.44% Sintetis 4 100% 98.68% Sintetis % 98.45% Gambar 3 Grafik uji coba tingkat akurasi Uji Coba Parameter 1 Uji coba parameter 1 ini akan menitikberatkan pada pencarian nilai akurasi terbaik dari parameter alpha (α). pengklasifikasian dilakukan terhadap citra sintetis 1 dan citra sintetis 3. Noise yang akan ditambahkan pada citra masukan berjenis salt and pepper noise dengan tingkatan sebesar 0.5%, 1%, dan 3%. Dan nilai parameter betha (β) yang digunakan sebesar Gambar 4 menunjukkan citra masukan, yaitu citra Sintetis 3 dengan penambahan noise sebesar 3%. Nilai parameter alpha (α) dan betha (β) yang digunakan sebesar 0.95 dan Tingkat keakuratan yang dicapai oleh contoh uji coba pada Gambar 4 adalah sebesar 98.80% dengan waktu proses yang diperlukan selama 6.57 detik. Parameter dan tingkatan noise yang sama diterapkan pada citra real 1 dan diperoleh hasil seperti pada Gambar 5(b) dalam waktu 8.01 detik. Dari Tabel 3 tentang hasil uji coba parameter alpha (α) pada citra Sintetis 1 dan citra Sintetis 3, Gambar 4 Uji coba parameter 1 pada citra Sintetis 3 Gambar 5 Uji coba parameter 1 pada Citra eal 1 4
5 Nama Citra Tabel 3 Hasil Uji Coba Parameter 1 (bagian 1) Tingkatan Tingkat Alpha Noise (α) Sintetis Sintetis Nama Citra Tabel 4 Hasil Uji Coba Parameter 1 (bagian 2) Tingkatan Tingkat Alpha Noise (α) Sintetis 3 1 Sintetis untuk tingkatan noise yang sama yaitu sebesar 0.5% tingkat akurasi tertinggi dicapai ketika parameter alpha (α) bernilai Dengan rata-rata akurasi sebesar 99.24% dan rata-rata waktu pemrosesan selama 7.04 detik. Tabel 4 merupakan hasil uji coba yang dilakukan terhadap citra Sintetis 3 pada tingkatan noise 1% dan 3%. Dapat dilihat bahwa tingkat akurasi hasil klasifikasi tertinggi rata-rata sebesar 98.98% dan rata-rata waktu pemrosesan selama 6.67 detik dicapai pada nilai parameter alpha (α) sebesar Hasil uji coba menunjukkan bahwa metode klasifikasi Multiscale Fuzzy C-Means dapat mengatasi masalah noise dengan baik tanpa memerlukan waktu yang lama dalam pemrosesan. 3.4 Uji Coba Parameter 2 Uji coba parameter 2 ini akan menitikberatkan pada pencarian nilai akurasi terbaik dari parameter betha (β). pengklasifikasian dilakukan terhadap citra sintetis 2 dan citra sintetis 4. Noise yang akan ditambahkan pada citra masukan berjenis salt and pepper noise dengan tingkatan sebesar 0.5%, 1%, dan 3%. Dan nilai parameter alpha (α) yang digunakan sebesar Gambar 6 adalah citra Sintetis 4 sebagai citra masukan dengan penambahan noise sebesar 3%. Nilai parameter alpha (α) dan betha (β) yang digunakan sebesar 0.95 dan Dari Tabel 5 tentang hasil uji coba parameter betha (β) pada citra Sintetis 2 dan citra Sintetis 4, untuk tingkatan noise yang sama yaitu sebesar 3% dengan Gambar 6 Uji coba parameter 2 pada citra Sintetis 4 Betha (β) Tabel 5 Hasil Uji Coba Parameter 2 Tingkat ata-rata Tingkat Sintetis Sintetis menggunakan nilai maksimum alpha (α) 0.95 tingkat akurasi tertinggi dicapai ketika parameter betha (β) bernilai ata-rata akurasi sebesar 97.99% dan ratarata waktu pemrosesan selama detik. 3.5 Uji Coba Parameter 3 Uji coba parameter 3 merupakan uji coba terhadap skema multiskala pada algoritma Anisotropic Diffusion Filtering. Uji coba ini dilakukan untuk mengetahui pengaruh skema multiskala dalam mengatasi masalah noise pada citra masukan. Uji coba dilakukan pada citra Sintetis 5 dengan menambahkan noise sebesar 5% dan 7%. Gambar 7 merupakan citra sintetis 5 yang ditambahkan 5% noise kedalamnya. Filter level yang digunakan adalah 10. Tingkat akurasi yang dihasilkan adalah sebesar 96.95% dengan waktu proses selama detik. Tabel 6 merupakan data lengkap hasil uji coba parameter 3. Dapat dilihat untuk masing-masing filter level, rata-rata tingkat akurasinya adalah 89.19%, 91.54%, dan 95.68% dengan rata-rata waktu proses selama 12.34, 15.26, dan detik. yang diperlukan meningkat seiring dengan meningkatnya filter level yang juga menyebabkan peningkatan tingkat akurasi hasil klasifikasi. Gambar 7 Uji coba parameter 3 pada citra Sintetis 5 5
6 Tingkatan Noise 5 7 Tabel 6 Hasil Uji Coba Parameter 3 Tingkat Filter Level Dengan adanya hasil klasifikasi dari citra skala sebelumnya yang dapat dijadikan sebagai training data untuk proses klasifikasi citra skala berikutnya, metode klasifikasi Fuzzy C-Means menggunakan algoritma Multiscale Diffusion Filtering mampu secara cepat dan tepat mengklasifikasi citra. Metode Multiscale Fuzzy C-Means ini menghasilkan tingkat akurasi yang lebih baik daripada metode Konvensional Fuzzy C-Means. 5 SAAN Adapun saran yang disampaikan untuk pengembangan lebih lanjut antara lain: 1. Perlu dilakukan pengimplementasian mengenai metode klasifikasi fuzzy c-means menggunakan algoritma multiscale diffusion filtering untuk jenis citra yang lebih beragam. 2. Perlu dilakukan skenario uji coba yang lebih variatif dan mendalam untuk menguji kehandalan dan tingkat akurasi algoritma klasifikasi ini. Gambar 8 Uji coba parameter 3 pada citra eal 2 (a) Citra Masukan; (b) dan (c) Citra Hasil Klasifikasiasi Gambar 8(a) merupakan citra real 2 yang ditambahkan noise sebesar 10%. Gambar 8(b) merupakan hasil klasifikasi MsFCM dengan filter level yang digunakan adalah 5 dan Gambar 8(c) merupakan hasil klasifikasi MsFCM dengan filter level yang digunakan adalah 20. Tampak bahwa hasil klasifikasi pada Gambar 8(c) jauh lebih baik daripada hasil klasifikasi pada Gambar 8(b). Hal ini menunjukkan bahwa peningkatan filter level adalah cara yang efektif untuk mengatasi masalah noise pada citra masukan. 4 SIMPULAN Dari uji coba yang telah dilakukan dan setelah melakukan analisis hasil pengujian terhadap implementasi metode klasifikasi Fuzzy C-Means menggunakan algoritma Multiscale Diffusion Filtering ini dapat diambil beberapa simpulan, antara lain: 1. Filter level akan digunakan untuk menentukan jumlah skala dari seri citra multiskala yang akan dibangun pada proses filtering dengan menggunakan Anisotropic Diffusion. Penentuan filter level yang tepat dapat mengatasi permasalahan noise pada citra masukan tanpa membuat tepi-tepi citra menjadi kabur. 2. Penentuan nilai parameter alpha (α) dan betha (β) dengan tepat juga dapat meningkatkan keakuratan proses klasifikasi. EFEENSI [1] Ahmed, M.N., Yamany, S.M., Mohamed, N., Farag, A.A., Moriarty, T., 2002, A modified fuzzy c-means algorithm for bias field estimation and segmentation of MI data, IEEE Trans, Med. Imag. 21 (3), [2] Bezdek, J., A convergence theorem for the fuzzy ISODATA clustering algorithms. IEEE Trans. Pattern Anal. Mach. Intell. (2), 1 8. [3] Chen, S., Zhang, D., obust image segmentation using FCM with spatial constraints based on new kernelinduced distance measure. IEEE Trans. Syst. Man Cybern. B 34 (4), [4] Noordam, J.C., Van den broek, W.H.A.M., Buydens, L.M.C., Geometrically guidedd fuzzy C-means clustering for multivariate image segmentation. In: Proceedings of the International Conference on Pattern ecognition, vol. 1, pp [5] Pham, D.L., Prince, J.L., Adaptive fuzzy segmentation of magnetic resonance images. IEEE Trans. Med. Imaging 18 (9), [6] Tolias, Y.A., Panas, S.M., On applying spatial constraints in fuzzy image clustering using a fuzzy rulebased system. IEEE Signal Process. Lett. 5, [7] Zhang, Y., Brady, M., Smith, S., Segmentation of brain M images through a hidden Markov random field model and the expectation-maximization algorithm. IEEE Trans. Med. Imaging 20 (1),
BAB 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 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 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 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Selama lebih dari dua puluh tahun terakhir, penelitian tentang tumor otak yang dilakukan oleh National Cancer Institute Statistics (NCIS) menyebutkan penyakit tumor
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 LANDASAN TEORI. 3.1 Metode GLCM ( Gray Level Co-Occurrence Matrix)
BAB III LANDASAN TEORI 3.1 Metode GLCM ( Gray Level Co-Occurrence Matrix) Metode GLCM menurut Xie dkk (2010) merupakan suatu metode yang melakukan analisis terhadap suatu piksel pada citra dan mengetahui
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 terperinciPERBAIKAN CITRA BER-NOISE MENGGUNAKAN SWITCHING MEDIAN FILTER DAN BOUNDARY DISCRIMINATIVE NOISE DETECTION
PERBAIKAN CITRA BER-NOISE MENGGUNAKAN SWITCHING MEDIAN FILTER DAN BOUNDARY DISCRIMINATIVE NOISE DETECTION Ahmad Saikhu, Nanik Suciati, Widhiantantri S. Jurusan Teknik Informatika, Fakultas Teknologi Informasi,
Lebih terperinciBAB 3 ANALISIS DAN PENGEMBANGAN ALGORITMA. ketidakpastian. Citra tersebut terkadang belum tentu dapat diketahui objeknya,
BAB 3 ANALISIS DAN PENGEMBANGAN ALGORITMA 3.1 Analisis Permasalahan Pengolahan citra merupakan sebuah proses yang memiliki banyak faktor ketidakpastian. Citra tersebut terkadang belum tentu dapat diketahui
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 I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Menginterprestasi sebuah citra untuk memperoleh diskripsi tentang citra tersebut melalui beberapa proses antara lain preprocessing, segmentasi citra, analisis
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 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 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 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 terperinciModifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-5 1 Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram Shabrina Mardhi Dalila, Handayani Tjandrasa, dan Nanik
Lebih terperinciDeteksi 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 terperinciANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR
ANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR Gibtha Fitri Laxmi 1, Puspa Eosina 2, Fety Fatimah 3 1,2,3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas
Lebih terperinciPENGHAPUSAN NOISE PADA CITRA DENGAN FILTER ADAPTIVE- HIERARCHICAL
MAKALAH SEMINAR TUGAS AKHIR PERIODE JUNI-JULI PENGHAPUSAN NOISE PADA CITRA DENGAN FILTER ADAPTIVE- HIERARCHICAL Ana Wahyu Hakim 1, Handayani Tjandrasa 2, Bilqis Amalia 3 Teknik Informatika, Fakultas Teknologi
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciBAB I PENDAHULUAN. organ dalam tubuh seperti Computed Tomography (CT) scan, Digital
BAB I PENDAHULUAN A. Latar Belakang Perkembangan jaman menghantarkan masyarakat dunia masuk ke era globalisasi dimana tidak ada keterbatasan ruang dan waktu yang melingkupi berbagai aspek. Kemajuan teknologi
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra digital merupakan sebuah fungsi intensitas cahaya, dimana harga x dan y merupakan koordinat spasial dan harga fungsi f tersebut pada setiap titik merupakan
Lebih terperinciImplementasi Algoritma Fuzzy C Means dan Stastitical Region Merging Pada Segmentasi Citra
EKSPLORA INFORMATIKA 179 Implementasi Algoritma Fuzzy C Means dan Stastitical Region Merging Pada Segmentasi Citra I Made Budi Adnyana STMIK STIKOM Bali Jln. Raya Puputan No.86, Renon, Denpasar e-mail:
Lebih terperinciTESIS DETEKSI KEPALA JANIN PADA GAMBAR USG MENGGUNAKAN FUZZY C-MEANS (FCM) DENGAN INFORMASI SPASIAL & ITERATIVE RANDOMIZED HOUGH TRANSFORM (IRHT)
TESIS DETEKSI KEPALA JANIN PADA GAMBAR USG MENGGUNAKAN FUZZY C-MEANS (FCM) DENGAN INFORMASI SPASIAL & ITERATIVE RANDOMIZED HOUGH TRANSFORM (IRHT) Oleh : Dwi puspitasari - 5109201026 Dosen Pembimbing :
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih terperinciSEGMENTASI CITRA. thresholding
SEGMENTASI CITRA Dalam visi komputer, Segmentasi adalah proses mempartisi citra digital menjadi beberapa segmen (set piksel, juga dikenal sebagai superpixels). Tujuan dari segmentasi adalah untuk menyederhanakan
Lebih terperinciPERBANDINGAN RUANG WARNA PADA PENGOLAHAN INFORMASI WARNA UNTUK SEGMENTASI CITRA MENGGUNAKAN NEUTROSOPHIC SET
PERBANDINGAN RUANG WARNA PADA PENGOLAHAN INFORMASI WARNA UNTUK SEGMENTASI CITRA MENGGUNAKAN NEUTROSOPHIC SET Monica Widiasri Teknik Informatika, Fakultas Teknik, Universitas Surabaya monica@ubaya.ac.id
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 terperinciIMPLEMENTASI METODE BERBASIS MULTISCALE FEATURE EXTRACTION UNTUK SEGMENTASI PEMBULUH DARAH CITRA RETINA RED-FREE DAN FLUORESCEIN
IMPLEMENTASI METODE BERBASIS MULTISCALE FEATURE EXTRACTION UNTUK SEGMENTASI PEMBULUH DARAH CITRA RETINA RED-FREE DAN FLUORESCEIN Dosen Pembimbing Dr. Agus Zainal Arifin, S.Kom., M.Kom. Dosen Pembimbing
Lebih terperinciSEGMENTASI CITRA MEDIK MRI (MAGNETIC RESONANCE IMAGING) MENGGUNAKAN METODE REGION THRESHOLD
SEGMENTASI CITRA MEDIK MRI (MAGNETIC RESONANCE IMAGING) MENGGUNAKAN METODE REGION THRESHOLD Murinto, Resa Fitria Rahmawati Program Studi Teknik Informatika Fakultas Teknologi Industri Universitas Ahmad
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 terperinciDETEKSI TEPI MENGGUNAKAN OPERATOR ISOTROPIK DENGAN PENGOLAHAN AWAL MENGGUNAKAN PENGATURAN INTENSITAS
MAKALAH SEMINAR TUGAS AKHIR DETEKSI TEPI MENGGUNAKAN OPERATOR ISOTROPIK DENGAN PENGOLAHAN AWAL MENGGUNAKAN PENGATURAN INTENSITAS Sulistono*, Achmad Hidayatno**, R. Rizal Isnanto** Abstrak Kadangkala hasil
Lebih terperinciOleh Yuli Wijayanti. Dosen Pembimbing : 1. Bilqis Amaliah, S.Kom, M.Kom 2. Anny Yuniarti, S.Kom, M.Com.Sc
Oleh Yuli Wijayanti Dosen Pembimbing : 1. Bilqis Amaliah, S.Kom, M.Kom 2. Anny Yuniarti, S.Kom, M.Com.Sc TEKNIK INFORMATIKA-ITS 26 JULI 2010 Latar Belakang Segmentasi gambar merupakan salah satu faktor
Lebih terperinciSegmentasi Citra berbasis Informasi Warna dan Tekstur menggunakan Neutrosophic Set
Segmentasi Citra berbasis Informasi Warna dan Tekstur menggunakan Neutrosophic Set Monica Widiasri, S.Kom. 1 *, Dr. Ir. R. V. Hari Ginardi, M.Sc. 2, Rully Soelaiman, S.Kom., M.Kom. 3 Teknik Informatika,
Lebih terperinciDeteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna
F7 bentuk [5]. Pendekatan berbasis bentuk bibir menggunakan Deteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna Shinta Puspasari, STMIK lobal Informatika MDP Abstrak Metode yang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Digital Istilah citra biasanya digunakan dalam bidang pengolahan citra yang berarti gambar. Suatu citra dapat didefinisikan sebagai fungsi dua dimensi, di mana dan adalah
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 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 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 terperinciPengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector Quantization
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3, Maret 2018, hlm. 1313-1317 http://j-ptiik.ub.ac.id Pengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector
Lebih terperinciReview Paper. Image segmentation by histogram thresholding using hierarchical cluster analysis
Review Paper Image segmentation by histogram thresholding using hierarchical cluster analysis Agus Zainal Arifin a,*, Akira Asano b a Graduate School of Engineering, Hiroshima University, 1-4-1 Kagamiyama,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Era teknologi informasi saat ini tidak dapat dipisahkan dari multimedia. Data atau informasi yang terdapat pada multimedia tidak hanya disajikan dalam bentuk teks,
Lebih terperinciKLUSTERING BERBASIS PROTOTIPE DENGAN METODE FUZZY C-MEANS
JURNAL LOGIC. VOL.15. NO.1 MARET 015 51 KLUSTERING BERBASIS PROTOTIPE DENGAN METODE FUZZY C-MEANS Putu Manik Prihatini Jurusan Teknik Elektro, Politeknik Negeri Bali Bukit Jimbaran, P.O.Box 1064 Tuban
Lebih terperinciSegmentasi Citra menggunakan Support Vector Machine (SVM) dan Ellipsoid Region Search Strategy (ERSS) Arimoto Entropy berdasarkan Ciri Warna dan Tekstur Lukman Hakim 1, Siti Mutrofin 2, Evy Kamilah Ratnasari
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 terperinciPENGELOMPOKAN GAMBAR BERDASARKAN WARNA DAN BENTUK MENGGUNAKAN FGKA (FAST GENETIC KMEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR
PENGELOMPOKAN GAMBAR BERDASARKAN WARNA DAN BENTUK MENGGUNAKAN FGKA (FAST GENETIC KMEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR Farah Zakiyah Rahmanti 1, Entin Martiana K. 2, S.Kom, M.Kom, Nana Ramadijanti
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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Citra Citra menurut kamus Webster adalah suatu representasi atau gambaran, kemiripan, atau imitasi dari suatu objek atau benda, contohnya yaitu foto seseorang dari kamera yang
Lebih terperinciPERBANDINGAN METODE PENDETEKSI TEPI STUDI KASUS : CITRA USG JANIN
PERBANDINGAN METODE PENDETEKSI TEPI STUDI KASUS : CITRA USG JANIN 1) Merly Indira 2) Eva Yuliana 3) Wahyu Suprihatin 4) Bertalya Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma Jl.
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 terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA A. Temu Kembali Citra Temu kembali citra adalah salah satu metodologi untuk penemuan kembali citra berdasarkan isi (content) citra. Citra memiliki informasi karakteristik visual berupa
Lebih terperinciPerancangan Sistem Pengujian Distorsi Kaca Spion Menggunakan Metode Radial Line
JURNAL TEKNIK POMITS Vol. 2, No. 2, (2013) ISSN: 2301-9271 A-207 Perancangan Sistem Pengujian Distorsi Kaca Spion Menggunakan Metode Radial Line Fitri Rahmah, Apriani Kusumawardhani, Heru Setijono Department
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 terperinciAPLIKASI TRANSFORMASI WATERSHED UNTUK SEGMENTASI CITRA DENGAN SPATIAL FILTER SEBAGAI PEMROSES AWAL
APLIKASI TRANSFORMASI WATERSHED UNTUK SEGMENTASI CITRA DENGAN SPATIAL FILTER SEBAGAI PEMROSES AWAL Murien Nugraheni Prodi Teknik Informatika Fak FTI UAD Jl. Prof. Dr. Soepomo, Janturan, Yogyakarta 55164,
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 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 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 terperinciSegmentasi Motif Batik Menggunakan Metode Fuzzy C-Means
Segmentasi Motif Batik Menggunakan Metode Fuzzy C-Means Miftahul Walid Fakultas Teknik, Program Studi Teknik Informatika, Universitas Islam Madura, Pamekasan Email : miftahwalid@ft.uimadura.ac.id Terima
Lebih terperinciPERANGKAT LUNAK SEGMENTASI CITRA DENGAN METODE WATERSHED
PERANGKAT LUNAK SEGMENTASI CITRA DENGAN METODE WATERSHED Gunawan 1, Fandi Halim 1, Erni Wijaya 2 STMIK Mikroskil Jl. Thamrin No. 112, 124, 140 Medan 20212 1 gunawan@mikroskil.ac.id, 1 fandi@mikroskil.ac.id,
Lebih terperinciKOMBINASI METODE MORPHOLOGICAL GRADIENT DAN TRANSFORMASI WATERSHED PADA PROSES SEGMENTASI CITRA DIGITAL
KOMBINASI METODE MORPHOLOGICAL GRADIENT DAN TRANSFORMASI WATERSHED PADA PROSES SEGMENTASI CITRA DIGITAL Rudy Adipranata Universitas Kristen Petra Jl. Siwalankerto 121-131, Surabaya. Telp. (031) 8439040
Lebih terperinciFUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ)
BAB 2 FUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ) Bab ini akan menjelaskan algoritma pembelajaran FNLVQ konvensional yang dipelajari dari berbagai sumber referensi. Pada bab ini dijelaskan pula eksperimen
Lebih terperinciBAB II DASAR TEORI. 2.1 Meter Air. Gambar 2.1 Meter Air. Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus
BAB II DASAR TEORI 2.1 Meter Air Gambar 2.1 Meter Air Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor,
Lebih terperinciBAB I PENDAHULUAN. atau yang disebut dengan cardiomegaly. Pemantauan pembesaran jantung
BAB I PENDAHULUAN 1.1 Latar Belakang Penyakit jantung merupakan pembunuh yang paling berbahaya saat ini yang menjadikannya sebagai penyebab kematian nomor satu di dunia (WHO, 2012). Salah satu tanda penyakit
Lebih terperinciSegmentasi Gambar Berwarna menggunakan Metode Hibrida Modifikasi Sauvola dan Fuccy C-Means (SMFCM)
Segmentasi Gambar Berwarna menggunakan Metode Hibrida Modifikasi Sauvola dan Fuccy C-Means (SMFCM) Irawan Dwi Wahyono 1, Gilang Bayu Adhi 2 1 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Brawijaya
Lebih terperinciPENGGUNAAN PERSAMAAN DIFUSI NONLINIER DAN DETEKSI TEPI CANNY UNTUK SEGMENTASI CITRA MELANOMA
Seminar Sistem Informasi Indonesia (SESINDO2010) ITS, Surabaya 4 Desember 2010 PENGGUNAAN PERSAMAAN DIFUSI NONLINIER DAN DETEKSI TEPI CANNY UNTUK SEGMENTASI CITRA MELANOMA Bilqis Amaliah 1, Dwi Lailatul
Lebih terperinciPengukuran Performansi Hasil Segmentasi Citra dengan Metoda Level Set Terhadap Variansi Noise
97 ISSN 1979-2867 (print) Electrical Engineering Journal Vol. 1 (2011) No. 2, pp. 97-110 Pengukuran Performansi Hasil Segmentasi Citra dengan Metoda Level Set Terhadap Variansi Noise Roy Pramono Adhie
Lebih terperinciAnalisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital
Analisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital Nurul Fuad 1, Yuliana Melita 2 Magister Teknologi Informasi Institut Saint Terapan & Teknologi
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 terperinciImplementasi Deteksi Copy-move Forgery pada Citra menggunakan Metode Histogram of Oriented Gradients (HOG)
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Deteksi Copy-move Forgery pada Citra menggunakan Metode Histogram of Oriented Gradients (HOG) Ni Luh Made Asri Mulyasari,
Lebih terperinciPENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Citra merupakan hasil representasi atau duplikasi dari sebuah objek ataupun imitasi dari sebuah objek atau benda. Citra memiliki beberapa karateristik yang menjadikan
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 terperinciDETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL
DETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL Muhammad Affandes* 1, Afdi Ramadani 2 1,2 Teknik Informatika UIN Sultan Syarif Kasim Riau Kontak Person : Muhammad
Lebih terperinciBAB 3 IMPLEMENTASI SISTEM
BAB 3 IMPLEMENTASI SISTEM Bab ini akan membahas mengenai proses implementasi dari metode pendeteksian paranodus yang digunakan dalam penelitian ini. Bab ini terbagai menjadi empat bagian, bagian 3.1 menjelaskan
Lebih terperinciBAB 1 PENDAHULUAN. ambang batas (thresholding), berbasis tepi (edge-base) dan berbasis region (regionbased).
BAB 1 PENDAHULUAN 1.1 Latar Belakang Segmentasi obyek pada citra dapat dilakukan dengan tiga metode yaitu ambang batas (thresholding), berbasis tepi (edge-base) dan berbasis region (regionbased). Metode
Lebih terperinciKlasifikasi Mutu Buah Manggis Berdasarkan Warna Berbasis Fuzzy C Means dan Template Matching
Klasifikasi Mutu Buah Manggis Berdasarkan Warna Berbasis Fuzzy C Means dan Template Matching Octa Heriana 1, Risanuri Hidayat 2 1,2 Jurusan Teknik Elektro FT UGM Jln. Grafika 2 Yogyakarta 55281 INDONESIA
Lebih terperinciSegmentasi Citra dengan Menggunakan Modifikasi Robust Fuzzy C-Means
Segmentasi Citra dengan Menggunakan Modifikasi Robust Fuzzy C-Means Charista Christie Tjokrowidjaya 1, Zuherman Rustam 2 1,2 Departemen Matematika, Fakultas Matematika Ilmu Pengetahuan Alam Universitas
Lebih terperinciPenerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop)
157 Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop) Elly Muningsih AMIK BSI Yogyakarta E-Mail : elly.emh@bsi.ac.id Abstrak Berkembangnya
Lebih terperinciSegmentasi Gambar Warna Menggunakan Sauvola Modifikasi Fuzzy C-Means (SMFCM)
Segmentasi Gambar Warna Menggunakan Sauvola Modifikasi Fuzzy C-Means (SMFCM) Gilang Bayu Adhi 1, Irawan Dwi Wahyono 2 Institut Teknologi Sepuluh Nopember Jalan ITS Raya 60111, Surabaya e-mail: gilangbayu.adhi@gmail.com
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinu menjadi gambar diskrit melalui proses sampling. Gambar analog dibagi
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. 1 Tinjauan Studi Berbagai penelitian telah dilakukan untuk menunjukkan betapa pentingnya suatu edge detection dalam perkembangan pengolahan suatu citra, berikut
Lebih terperinciPERBAIKAN CITRA UNTUK PENGENALAN WAJAH PADA CITRA WAJAH DENGAN PENCAHAYAAN TIDAK MERATA
PERBAIKAN CITRA UNTUK PENGENALAN WAJAH PADA CITRA WAJAH DENGAN PENCAHAYAAN TIDAK MERATA Naser Jawas STMIK STIKOM Bali Jl Raya Puputan no.86, Renon, Denpasar 80226 Email : naser.jawas@stikom-bali.ac.id1)
Lebih terperinciPENGHAPUSAN NOISE PADA CITRA DENGAN FILTER ADAPTIVE-HIERARCHICAL
PENGHAPUSAN NOISE PADA CITRA DENGAN FILTER ADAPTIVE-HIERARCHICAL Kata Kunci : Noise Removal, Edge Detection, impuls noise, Oleh : ANA WAHYU HAKIM Dosen pembimbing I: Prof. Dr. Ir. Handayani Tjandrasa M.Sc
Lebih terperinciANALISIS PENGARUH EXPOSURE TERHADAP PERFORMA ALGORITMA SIFT UNTUK IMAGE MATCHING PADA UNDERWATER IMAGE
ANALISIS PENGARUH EXPOSURE TERHADAP PERFORMA ALGORITMA SIFT UNTUK IMAGE MATCHING PADA UNDERWATER IMAGE HANANTO DHEWANGKORO A11.2009.04783 Universitas Dian Nuswantoro. Semarang, Indonesia Email: hanantodhewangkoro@gmail.com
Lebih terperinciPENERAPAN SEGMENTASI MULTI KANAL DALAM MENDETEKSI SEL PARASIT PLASMODIUM SP. I Made Agus Wirahadi Putra 1, I Made Satria Wibawa 2 ABSTRAK
Jurnal Dinamika, April 2017, halaman 18-29 P-ISSN: 2087-889 E-ISSN: 2503-4863 Vol. 08. No.1 PENERAPAN SEGMENTASI MULTI KANAL DALAM MENDETEKSI SEL PARASIT PLASMODIUM SP. I Made Agus Wirahadi Putra 1, I
Lebih terperinciLAPORAN SKRIPSI PERBANDINGAN DETEKSI TEPI (PREWITT DAN SOBEL) PADA CITRA DAUN TEMBAKAU BERDASARKAN PERBAIKAN KUALITAS CITRA
LAPORAN SKRIPSI PERBANDINGAN DETEKSI TEPI (PREWITT DAN SOBEL) PADA CITRA DAUN TEMBAKAU BERDASARKAN PERBAIKAN KUALITAS CITRA Oleh : NOVITA RUKMI 2010-51-078 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT UNTUK
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 terperinciPENINGKATAN KUALITAS CITRA DENGAN METODE FUZZY POSSIBILITY DISTRIBUTION
PENINGKATAN KUALITAS CITRA DENGAN METODE FUZZY POSSIBILITY DISTRIBUTION Sugiarti sugiarti_fikumi@ymail.com Universitas Muslim Indonesia Abstrak Peningkatan kualitas citra merupakan salah satu proses awal
Lebih terperinciIMPLEMENTASI DETEKSI OUTLIER PADA ALGORITMA HIERARCHICAL CLUSTERING
IMPLEMENTASI DETEKSI OUTLIER PADA ALGORITMA HIERARCHICAL CLUSTERING Yoga Bhagawad Gita 1, Ahmad Saikhu 2 1,2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember
Lebih terperinciKlasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt
Klasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt Ardi Satrya Afandi Fakultas Teknologi Industri Universitas Gunadarma Depok, Indonesia art_dhi@yahoo.com Prihandoko,
Lebih terperinciBAB 1 PENDAHULUAN. Perkembangan pengetahuan dibidang kecerdasan buatan sedemikian
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan pengetahuan dibidang kecerdasan buatan sedemikian pesatnya, seperti penelitian segmentasi dokumen. Segmentasi dokumen membuat pengguna menjadi mudah
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Indonesia merupakan negara tropis yang memiliki + 30.000 spesies tumbuh-tumbuhan ([Depkes] 2007). Tumbuh-tumbuhan tersebut banyak yang dibudidayakan sebagai tanaman hias. Seiring
Lebih terperinciJURNAL KLASIFIKASI JENIS TANAMAN MANGGA BERDASARKAN TULANG DAUN MENGGUNAKAN METODE K-MEANS
JURNAL KLASIFIKASI JENIS TANAMAN MANGGA BERDASARKAN TULANG DAUN MENGGUNAKAN METODE K-MEANS Oleh: Ina Dewi Safitri 12.1.03.02.0275 Dibimbing oleh : 1. Rini Indrianti, M.Kom 2. Resty Wulanningrum, M.Kom
Lebih terperinciAPLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira 50408896 Dr. Karmilasari Kanker Latar Belakang Kanker
Lebih terperinciANALISA DIGITAL FILTER UNTUK MENGURANGI IMPULSE NOISE PADA CITRA DIGITAL
ANALISA DIGITAL FILTER UNTUK MENGURANGI IMPULSE NOISE PADA CITRA DIGITAL I Komang Somawirata [1], M. Ibrahim Ashari [2], Teguh Herbasuki [3] Jurusan Teknik Elektro, Fakultas Teknologi Industri, ITN Malang
Lebih terperinciPENGELOMPOKAN GAMBAR BERDASARKAN FITUR WARNA DAN TEKSTUR DENGAN FGKA CLUSTERING (FAST GENETICS K-MEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR
PENGELOMPOKAN GAMBAR BERDASARKAN FITUR WARNA DAN TEKSTUR DENGAN FGKA CLUSTERING (FAST GENETICS K-MEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR Dewi Wulansari, S.ST 1, Entin Martiana K, M.Kom 2, Nana Ramadijanti,
Lebih terperinci