Penyusun Tugas Akhir : Ivan Hardiyanto (NRP : ) Dosen Pembimbing : Yudhi Purwananto, S.Kom, M.Kom Rully Soelaiman, S.Kom, M.

Ukuran: px

Mulai penontonan dengan halaman:

Download "Penyusun Tugas Akhir : Ivan Hardiyanto (NRP : ) Dosen Pembimbing : Yudhi Purwananto, S.Kom, M.Kom Rully Soelaiman, S.Kom, M."

Handoko Susman
7 tahun lalu
Tontonan:

1 PRESENTASI TUGAS AKHIR KI IMPLEMENTASI SEGMENTASI CITRA DENGAN MENGGUNAKAN METODE GENERALIZED FUZZY C- MEANS CLUSTERING ALGORITHM WITH IMPROVED FUZZY PARTITIONS (Kata kunci: Algoritma Fuzzy Clustering, Fuzzy Partitions, Membership constraint function, Segmentasi Citra) Penyusun Tugas Akhir : Ivan Hardiyanto (NRP : ) Dosen Pembimbing : Yudhi Purwananto, S.Kom, M.Kom Rully Soelaiman, S.Kom, M.Kom 11 Juni 2012 Tugas Akhir KI

2 OUTLINE PRESENTASI Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Gambaran Umum Aplikasi Metode Uji Coba dan Hasil Kesimpulan Saran

3 LATAR BELAKANG 1. Segmentasi merupakan proses yang sering digunakan dalam pemilahan citra dan telah menjadi subyek kegiatan penelitian selama beberapa tahun terakhir. 2. Fuzzy C-Means (FCM) adalah salah satu algoritma segmentasi yang banyak digunakan dan memiliki banyak varian dari hasil pengembangan metode tersebut. 3. Diperlukan metode yang tahan dalam mengatasi noise dan meningkatkan konvergensi dari proses segmentasi. 3

4 RUMUSAN MASALAH 1. Bagaimana memahami metodologi segmentasi menggunakan Generalized Fuzzy C-Means Clustering Algorithm with Improved Fuzzy Partitions (GIFP FCM) untuk segmentasi citra grayscale? 2. Bagaimana menyusun suatu algoritma segmentasi citra dan merancang system yang sesuai dengan metode yang digunakan? 3. Bagaimana menyusun skenario uji coba terhadap system yang telah dibuat, mengamati kinerja system yang telah dibuat dan mengidentifikasi kendala yang mungkin timbul? 4

5 BATASAN MASALAH 1. Implementasi dan Simulasi eksperimen dilakukan menggunakan Matlab Uji coba dengan membandingkan adalah hasil segmentasi dengan Fuzzy C-Means (FCM) dan Generalized Fuzzy C-Means Clustering Algorithm with Improved Fuzzy Partitions (GIFP FCM). 5

6 TUJUAN 1. Membangun aplikasi dengan menggunakan matlab yang mengimplementasikan metode Generalized Fuzzy C-Means Clustering Algorithm with Improved Fuzzy Partition (GIFP FCM). 2. Meningkatkan akurasi hasil segmentasi citra dan mengatasi noise pada citra. 3. Mendapatkan informasi penting yang terdapat pada daerah yang telah ditemukan dalam citra grayscale. 6

7 GAMBARAN UMUM APLIKASI 2 buah citra grayscale yang telah diberikan noise Proses Segmentasi Citra hasil Citra hasil 7

8 Metode(1) 1. Dalam Tugas Akhir ini diusulkan alternatif penyelesaian segmentasi citra dengan menerapkan metode pengembangan dari FCM yaitu Generalized Fuzzy C-Means Clustering Algorithm with Improved Fuzzy Partitions (GIFP FCM) 2. GIFP FCM adalah sebuah algoritma fuzzy clustering dengan sebuah membership constraint yang baru diperkenalkan ke fungsi obyektif dari FCM untuk mendapatkan partisi yang lebih jelas. Sehingga lebih efektif dan tahan dalam mengatasi noise 3. Dengan memperkenalkan membership constraint yang baru maka didapatkan fungsi keanggotaan dan fungsi obyektif yang baru sehingga meningkatkan konvergensi 8

9 Metode(2) Metode FCM menggunakan fungsi obyektif:...(1) Untuk memperbarui nilai keanggotaan data digunakan rumus:...(2) Sedangkan untuk memperbarui pusat cluster digunakan rumus:...(3) 9

10 Metode(3) Dimana: Uij = nilai keanggotaan untuk center ke-i dan pixel ke-j Xj = pixel ke-j Vi = pusat cluster ke-i m = nilai eksponensial (m = 2) Dalam tahap ini akan dibatasi nilai maksimum jumlah iterasi adalah 2500, epsilon(ε) = , nilai expo(m) = 2, dan jumlah cluster_n diubah-ubah dari n=3, n=4, dan n=5. Nilai keanggotaan yang baru, disimpan dalam variabel U dan nilai pusat cluster yang baru disimpan dalam variabel center, lalu dicek apakah perubahan pusat cluster antar 2 iterasi yang berdekatan saat ini kurang dari epsilon (ε), jika kurang dari epsilon (ε) atau iterasi telah mencapai jumlah iterasi maksimum maka iterasi berhenti. 10

11 Metode(4) Start Inputan Citra dan jumlah cluster Inisialisasi membership function awal tidak Hitung cluster center Hitung perubahan membership function Memenuhi jumlah iterasi maksimum tidak Nilai epsilon memenuhi Hitung objective function ya ya Nilai membership function dan posisi cluster center Finish 11

12 Metode(5) Sedangkan pada metode GIFP FCM terdapat perubahan pada fungsi obyektif dengan penambahan parameter...(4) Untuk memperbarui nilai keanggotaan data juga dimodifikasi dengan ditambahkan parameter...(5) Rumus untuk memperbarui pusat cluster tidak berubah, tetap seperti pada FCM...(6) 12

13 Metode(6) Karena rumus update nilai keanggotaan telah ditambahkan parameter maka nilai Uij akan berubah setiap kali iterasi, untuk menjadikan 0 < Uij < 1, maka...(7) dimana parameter α (0 < α < 1) yang mengontrol kecepatan konvergensi dari GIFP FCM. Nilai aj akan bergantung pada inputan nilai α. 13

14 Metode(7) Segmentasi pada metode ini ditambahkan parameter aj pada fungsi obyektif dan fungsi nilai keanggotaan (membership function). Dalam tahap ini akan dimasukkan nilai α = 0.99, maksimum jumlah iterasi adalah 2500, epsilon(ε) = , nilai expo(m) = 2, dan jumlah cluster_n diubah-ubah dari n=3, n=4, dan n=5. Nilai keanggotaan yang baru, disimpan dalam variabel U baru dan nilai pusat cluster yang baru disimpan dalam variabel center, dan dilihat apakah perubahan pusat cluster antar 2 iterasi yang berdekatan saat ini kurang dari epsilon (ε), jika kurang dari epsilon (ε) atau iterasi telah mencapai jumlah iterasi maksimum maka iterasi berhenti. 14

15 Metode(8) Start Inputan Citra, jumlah cluster dan nilai alpha = 0.99 Inisialisasi membership function awal tidak Hitung cluster center Hitung perubahan membership function dengan parameter aj yang diperoleh dari alpha = 0.99 Memenuhi jumlah iterasi maksimum tidak Nilai epsilon memenuhi Hitung objective function yang telah ditambahkan parameter aj ya ya Nilai membership function dan posisi cluster center Finish 15

16 EVALUASI KINERJA METODE(1) 1. Fungsi validitas adalah fungsi yang dihitung untuk menilai secara kuantitatif dan mengevaluasi hasil kerja clustering. Fungsi representasi untuk partisi fuzzy adalah koefisien partisi (Vpc) dan entropi partisi (Vpe) yang didefinisikan sebagai:... (8)... (9) dimana Vpc : koefisien partisi Vpe : entropi partisi Uij : Nilai keanggotaan dari fuzzy untuk cluster ke-i dan data ke-j n : Total jumlah pixel pada citra 16

17 EVALUASI KINERJA METODE(2) 2. Gagasan kedua fungsi validitas tersebut adalah bahwa partisi dengan ketidakteraturan (fuziness) yang kurang, berarti menunjukkan kinerja yang lebih baik. Jadi segmentasi terbaik dicapai bila Vpc maksimal dan Vpe minimal 3. 0 < Vpc < 1 dan 0 < Vpe < 1 17

18 SKENARIO UJI COBA(1) Uji coba terhadap sistem untuk melakukan proses segmentasi citra dengan menggunakan metode Fuzzy C-Means (FCM) dan GIFP FCM. Uji coba dengan memasukkan 2 buah citra grayscale yang di dalamnya diberikan noise. Kemudian dilakukan proses segmentasi sehingga dapat dihasilkan citra yang tersegmentasi yang nantinya akan dibandingkan nilai Vpc dan Vpe nya. (a)citra house 256x256 pixel (b)citra house yang telah diberikan gaussian noise (0, 0.006) (c)citra blood 272x265 pixel (d)citra blood yang telah diberikan gaussian noise (0, 0.025) 18

19 70 Cluster=3 α = 0.1 Cluster=3 α = 0.3 Cluster=3 α = 0.5

20 71 Cluster=3 α = 0.7 Cluster=3 α = 0.9 Cluster=3 α = 0.99

21 72 Gaussian noise =(0, 0.025) Cluster=3 α = 0.99 Cluster=4 α = 0.99 Gaussian noise =(0, 0.025) Cluster=4 α = 0.99

22 73 Cluster=5 α = 0.99 Gaussian noise =(0, 0.025) Cluster=5 α = 0.99 Tabel A.6 Hasil output segmentasi citra lena Citra Input

23 74 Metode = FCM Cluster=3 Metode = FCM Gaussian noise =(0, 0.025) Cluster=3 Metode = FCM Cluster=4

24 75 Metode = FCM Gaussian noise =(0, 0.025) Cluster=4 Metode = FCM Cluster=5 Metode = FCM Gaussian noise =(0, 0.025) Cluster=5

25 76 Cluster=3 α = 0.99 Gaussian noise =(0, 0.025) Cluster=3 α = 0.99 Cluster=4 α = 0.99

26 77 Gaussian noise =(0, 0.025) Cluster=4 α = 0.99 Cluster=5 α = 0.99 Gaussian noise =(0, 0.012) Cluster=5 α = 0.99

27 78 Gaussian noise =(0, 0.018) Cluster=5 α = 0.99 Gaussian noise =(0, 0.025) Cluster=5 α = 0.99 Tabel A.7 Hasil output segmentasi citra rice Citra Input

28 79 Metode = FCM Cluster=3 Metode = FCM Cluster=4 Metode = FCM Cluster=5

29 80 Cluster=3 α = 0.99 Cluster=4 α = 0.99 Cluster=5 α = 0.99

30 81 Tabel A.8 Hasil output segmentasi citra boat Citra Input Metode = FCM Cluster=3 Metode = FCM Cluster=4

31 82 Metode = FCM Cluster=5 Cluster=3 α = 0.99 Cluster=4 α = 0.99

32 83 Cluster=4 α = 0.1 Cluster=4 α = 0.3 Cluster=4 α = 0.5

33 84 Cluster=4 α = 0.7 Cluster=4 α = 0.9 Cluster=5 α = 0.99

34 Diagram Perbandingan nilai Vpc pada metode FCM dan GIFP FCM Vpc sebanding dengan jumlah cluster 28

35 Diagram Perbandingan nilai Vpe pada metode FCM dan GIFP FCM Vpe sebanding dengan jumlah cluster 29

36 Diagram Perbandingan jumlah iterasi pada metode FCM dan GIFP FCM Jumlah iterasi tidak berbanding lurus dengan jumlah cluster 30

37 Analisa Nilai Vpc dan Vpe pada kedua metode sebanding dengan jumlah cluster Nilai Vpc dan Vpe yang dihasilkan metode GIFP FCM lebih baik Dengan jumlah cluster yang sama, metode GIFP FCM membutuhkan lebih sedikit iterasi dibandingkan dengan metode FCM Dalam 1 metode, jumlah iterasi tidak berbanding lurus dengan jumlah cluster 31

38 Kesimpulan 1 Metode GIFP FCM memiliki nilai koefisien partisi (Vpc) dan nilai entropi partisi (Vpe) lebih baik dibandingkan metode FCM. 2 Jumlah iterasi yang dibutuhkan pada metode GIFP FCM lebih sedikit dibandingkan metode FCM. 3 Jumlah cluster yang diinputkan mempengaruhi hasil segmentasi dibuktikan dengan jika inputan cluster semakin besar semakin kecil nilai Vpc dan semakin besar nilai Vpe. 32

39 Saran 1 Perlu dikembangkan lagi untuk perbaikan metode GIFP FCM agar dapat menentukan jumlah cluster secara otomatis. 2 Perlu dikembangkan lagi untuk perbaikan metode GIFP FCM agar dapat menentukan nilai parameter α secara tepat karena masih menginputkan nilai α secara manual. 33

40 Terima Kasih 34

dokumen-dokumen yang mirip

Implementasi 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,