Implementasi Evaluasi Performa Struktural Algoritma Deteksi Struktur Garis Lengkung
|
|
- Sugiarto Kusumo
- 7 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2014) ISSN: ( Print) 1 Imlementasi Evaluasi Performa Struktural Algoritma Deteksi Struktur Garis Lengkung Mujaahidah As Sayfullooh, Anny Yuniarti, dan Agus Zainal Arifin Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Seuluh Noember (ITS) Jl. Arief Rahman Hakim, Surabaya anny@if.its.ac.id, agusza@cs.its.ac.id Abstrak Struktur garis lengkung adalah fitur yang berguna dalam berbagai alikasi, terutama dalam analisis citra medis. Metode evaluasi erforma algoritma deteksi struktur garis lengkung sangat dibutuhkan untuk mengukur akurasi dari hasil deteksi garis lengkung. Oleh karena itu, telah dibangun sistem engukur erforma algoritma deteksi struktur garis lengkung dengan metode evaluasi erforma struktural ada kasus segmentasi embuluh darah retina. Metode evaluasi erforma struktural adalah metode evaluasi berdasarkan erbandingan struktur dari hasil segmentasi garis lengkung dengan ground truth melalui roses oint matching. Metode ini terdiri dari lima roses yaitu melakukan ekstraksi struktur dengan skeletonisasi, emilihan kandidat match berdasarkan jarak Euclidean dan selisih lebar struktur, enghitungan cost dari kandidat match, enghitungan otimal structural matching, dan engukuran kualitas deteksi yang menghasilkan dua asek erforma yaitu nilai akurasi dan akurasi deteksi. Metode berhasil mengukur erforma algoritma dengan baik dan menghasilkan informasi karakteristik dari struktur garis lengkung yang dideteksi. Kata Kunci Evaluasi erforma, Image matching, Segmentasi struktur garis lengkung, Skeletonisasi. E I. PENDAHULUAN VALUASI erforma algoritma adalah salah satu ermasalahan yang enting dalam engenalan ola [1]. Penelitian yang ekstensif telah banyak dilakukan ada bidang evaluasi erforma algoritma deteksi tei dan region, sedangkan enelitian ada evaluasi algoritma deteksi struktur garis lengkung (curvilinear) lebih sedikit sehingga bereluang untuk diekslorasi lebih luas. Struktur garis lengkung adalah garis atau lengkungan ada citra dengan lebar yang bervariasi. Struktur garis lengkung adalah fitur yang berguna dalam berbagai alikasi misalnya untuk menemukan jalan atau sungai ada citra udara, mendeteksi jalur lalu lintas, dan lain-lain. Struktur garis lengkung juga menjadi fitur yang banyak diamati ada citra medis, misalnya embuluh darah, rongga udara, tulang, dan struktur tiis lainnya [2]. Salah satu struktur garis lengkung yang banyak diteliti adalah embuluh darah retina yang meruakan indikator enting mendiagnosis enyakit diabetes, hiertensi, dan arteriosclerosis. Sebagian besar algoritma deteksi embuluh darah retina menggunakan evaluasi erforma berbasis ground truth dengan erbandingan iksel objek hasil segmentasi dengan ground truth, dimana ground truth adalah citra referensi dari hasil yang diharakan. Evaluasi ini disebut dengan evaluasi ixel-wise. Setelah mendaatkan citra hasil segmentasi/machinesegmented (MS), maka evaluasi dimulai dengan mencari jumlah iksel embuluh ada MS dan ground truth (GT) yang dihitung sebagai true ositive (). Piksel yang ditandai sebagai embuluh di MS tetai bukan embuluh ada GT dihitung sebagai false ositive (FP). True Positive Rate (R) adalah embagian dengan total iksel embuluh GT. Sedangkan False Positive Rate (FPR) adalah embagian FP dengan total iksel yang bukan embuluh ada GT. Sebagai alternatif, FPR juga daat dihitung berdasarkan jumlah iksel bukan embuluh yang berada dalam lingkaran yang tamak, field of view (FOV) [3]. Setelah mendaatkan nilai R dan FPR, erforma sistem daat diteliti dengan menggunakan kurva receiver oerating curves (ROC). Jika nilai yang dihasilkan semakin mendekati sudut kiri atas kurva (R = 100% dan FPR = 0%), maka erforma sistem semakin baik [2]. Metode evaluasi ixel-wise digunakan untuk mengevaluasi metode binarisasi [4]. Selain itu, juga digunakan untuk mengekstraksi bangunan ada citra udara [5]. Metode ini teat digunakan untuk region yang besar, tetai alikasinya ada struktur garis lengkung yang meruakan region tiis dan terulur anjang daat diertimbangkan kembali. Hal ini dibuktikan dari nilai R dan FPR emat citra sintetis MS yang meruakan modifikasi dari sebuah citra GT STARE yang ditamilkan ada Gambar 1 (c) (f) [2]. Gambar 1. (a) Citra retina STARE; (b) GT; (c) MS thin: GT yang dierosi; (d) MS del: GT dengan sejumlah iksel yang dihaus; (e) MS ex: GT yang didilasi; (f) MS ins: GT dengan sejumlah iksel yang disisikan [2]
2 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2014) ISSN: ( Print) 2 Dengan metode evaluasi ixel-wise, MS thin dan MS del menghasilkan nilai R dan FPR yang sama yaitu 85,1% dan 0% adahal dua citra MS ini memiliki bentuk yang berbeda. Kejadian yang serua juga terjadi ada citra MS ex dan MS ins yang menghasilkan nilai yang sama untuk R = 100% dan FPR = 1,7% adahal keduanya juga memiliki bentuk berbeda yang memungkinkan untuk menghasilkan nilai evaluasi yang berbeda. Contoh di atas menunjukkan kekurangan dari evaluasi ixel-wise untuk mengevaluasi erforma algoritma deteksi struktur garis lengkung yaitu menghasilkan evaluasi yang belum cuku objektif selain itu, juga tidak daat menghasilkan informasi karakteristik struktur dari hasil segmentasi yaitu hasil segmentasi lebih tebal atau tiis dari ground truth. Evaluasi erforma lain juga telah digunakan ada citra dengan kontras yang tinggi tetai tidak daat menghasilkan informasi karakteristik dari hasil deteksi [6]. Pada metode lainnya, tidak daat mengevaluasi struktur garis lengkung dengan tebal yang bervariasi [7]. Sistem evaluasi erforma struktural algoritma deteksi struktur garis lengkung yang dibangun menggunakan masukan citra GT dan MS dan keluaran berua dua asek erforma yaitu nilai deteksi (beraa banyak struktur garis lengkung yang dideteksi) dan akurasi deteksi (bagaimana keteatan dari struktur garis lengkung yang dideteksi dengan ground truth). Sehingga didaatkan hasil evaluasi yang bernilai cuku objektif dan daat menghasilkan informasi karakteristik dari struktur garis lengkung. A. Ekstraksi Struktur II. METODOLOGI Masukan citra GT dan MS dikonstruksi menjadi citra skeleton GT t dan MS t untuk mendaatkan structure oint untuk GT t dan q untuk MS t. Setelah didaatkan structure oint dan q, maka dihitung jarak Euclidean d dan dq dari masing-masing structure oint dan q ke iksel backgroundnya yang terdekat. Setelah itu, ditentukan lebar w untuk setia structure oint dan q dimana w adalah 2d. B. Pemilihan Kandidat Match Match adalah himunan asangan structure oint dan q. Structural matching adalah match dimana setia satu structure oint hanya berasangan dengan satu q, begituun sebaliknya. Pembentukan matching GT t dan MS t dilakukan dengan memasangkan setia structure oint dengan q. Tidak setia asangan (, adalah kandidat match. Syarat asangan (, meruakan kandidat match adalah: Jarak Euclidean antara dan q tidak terlalu jauh. Selisih lebar dan q tidak terlalu besar. Sebuah asangan (, adalah kandidat match jika dan hanya jika d(, d w w w (1), max q max dimana d(, adalah jarak Euclidean antara dan q, d max adalah jarak Euclidean maksimum, w danw q adalah lebar structure oint dan q, dan w max adalah selisih lebar maksimum dari asangan structure oint yang meruakan erkalian dari arameter cw dengan structure oint yang memiliki nilai lebar yang aling besar. w cw max w max GT t (2), dimana cw (coefficient width) adalah bobot nilai untuk menetakan jarak Euclidean dan selisih lebar maksimum dari asangan kandidat match structure oint GT t dan MS t. Parameter cw memengaruhi jumlah kandidat match otimal yang terilih. Nilai cw didaatkan melalui taha uji coba training. Kemudian untuk d max, maka nilainya sama dengan w max. C. Penghitungan Cost Kandidat Match Untuk setia kandidat match (,, GT t dan q MS t, maka cost yang dibutuhkan adalah d(, w (, ) 1 1 wq c q 1 d max wmax 0,1 (3), dimana c(, adalah cost kandidat match. Semakin baik sebuah kandidat match (, maka memiliki jarak Euclidean dan selisih lebar yang kecil, sehingga menghasilkan cost yang kecil juga. Cost minimum adalah 0, yang didaatkan dari kandidat match yang semurna (erfect match). Berdasarkan cost dari setia kandidat match yang lolos sebagai structural matching, maka total cost dari structural matching adalah C( M ) (4), c(, 0, M (, M dimana M adalah structural matrching dan C(M) adalah cost total dari structural matrching. D. Penghitungan Otimal Structural Matching Langkah ertama yang dilakukan untuk mendaatkan otimal structural matching adalah encarian erfect match (,, yaitu asangan (, yang memiliki cost = 0 di dalam kandidat match. Setelah mendaatkan erfect match, selanjutnya dilakukan encarian asangan (, yang masih memenuhi syarat di bawah batas jarak Euclidean dan selisih lebar maksimum serta memenuhi definisi structural matching untuk ditambahkan ke dalam himunan structural matching yang masih berisi asangan erfect match. Jumlah dari keduanya disebut dengan otimal structural matching. E. Pengukuran Kualitas Deteksi Pengukuran kualitas deteksi dilakukan untuk menghasilkan nilai erforma dari evaluasi struktural yang terdiri dari dua asek erforma yaitu nilai deteksi dan akurasi deteksi. 1. Nilai Deteksi Nilai deteksi adalah asek erforma untuk mengetahui beraa banyak struktur garis lengkung yang berhasil terdeteksi
3 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2014) ISSN: ( Print) 3 ada roses segmentasi. Pengukuran kualitas deteksi didefinisikan dengan (5), dimana adalah jumlah structure oint MS t yang match dengan structure oint GT t dan meruakan otimal structural matching. R (6), dimana R adalah bobot keberhasilan dari structure oint GT t yang berhasil dideteksi oleh MS t. q FP (7), dimana FP adalah jumlah structure oint MS t yang tidak memiliki asangan ada GT t. FP FPR (8), dimana FPR adalah bobot kesalahan MS t dalam mendeteksi structure oint dengan adalah iksel yang bukan structure oint. q FN (9), dimana False negative (FN) adalah jumlah structure oint di GT t yang tidak memiliki asangan di MS t. FN FNR (10), dimana False negative rate (FNR) adalah bobot yang mengindikasikan structure oint GT t yang hilang dalam roses segmentasi. 2. Akurasi Deteksi Akurasi deteksi adalah asek erforma untuk mengetahui bagaimana keteatan dari struktur garis lengkung yang terdeteksi dengan ground truth sehingga didaatkan informasi karakteristik dari hasil segmentasi. Akurasi deteksi ini mengukur kualitas matching berdasarkan nilai detection error (DE). C( ) DE 0,1 (11), dimana DE adalah nilai yang mendeteksi kesalahan ada matching MS t dan GT t. Jika nilai DE adalah 0, mengindikasikan best case untuk matching MS t dan GT t, yang artinya MS miri dengan GT. Deteksi kesalahan daat diisah menjadi deteksi kesalahan osisi dan lebar struktur. 1 PE, q d, q (12) Position error (PE) adalah nilai deteksi kesalahan osisi dari asangan structure oint GT t dan MS t. Jika nilai PE adalah 0, maka setia structure oint di MS t berada ada osisi yang sama dengan GT t. 1 WE, q w w q (13) Width error (WE) adalah nilai deteksi kesalahan lebar dari asangan structure oint GT t dan MS t. Jika nilai WE adalah 0, maka setia structure oint di MS t memiliki lebar yang sama dengan GT t. Jika WE > 0, maka structure oint GT t lebih tebal dari MS t, dan sebaliknya, WE < 0, structure oint GT lebih tiis dari MS. Semakin kecil nilai DE, PE, dan WE yaitu mendekati 0 maka semakin tinggi akurasi dari algoritma segmentasi struktur garis lengkung, dengan kata lain hasil segmentasi semakin miri dengan ground truth. III. UJI COBA A. Data Uji Coba Data yang digunakan adalah sebuah citra GT STARE dan emat citra sintetis GT tersebut dengan ukuran 700 x 650 iksel [8]. Kemudian 20 citra firsthand labelling, 10 citra secondhand labelling DRIVE berukuran 565 x 564 iksel [9]. Terakhir, 10 citra hasil segmentasi yang menggunakan data DRIVE. B. Proses Uji Coba Uji coba sistem ini dilakukan dengan tiga roses yang berbeda yaitu: 1. Proses uji coba embuktian kekurangan evaluasi ixelwise menggunakan sebuah citra GT dan emat citra sintetis STARE. 2. Proses uji coba training menggunakan data DRIVE untuk mendaatkan nilai arameter cw. 3. Proses uji coba testing menggunakan data DRIVE untuk menilai erforma algoritma segmentasi struktur garis lengkung dari TA salah satu mahasiswa Teknik Informatika ITS yang berjudul, Imlementasi Segmentasi Pembuluh Darah Retina ada Citra Fundus Mata Menggunakan Tekstur, Thresholding, dan Oerasi Morfologi [10]. C. Hasil Uji Coba Pembuktian Kekurangan Evaluasi Pixelwise Sistem dijalankan dengan data sintetis STARE untuk
4 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2014) ISSN: ( Print) 4 membuktikan kekurangan dari evaluasi ixel-wise ada engukuran erforma algoritma deteksi struktur garis lengkung. Pada Gambar 2, berdasarkan metode evaluasi ixel-wise dieroleh citra MS thin dan MS del menghasilkan nilai yang sama untuk R = 85,0972% dan FPR = 0%. Citra MS ex menghasilkan nilai R = 100% dan R MS ins = 99,997%, sedangkan untuk nilai FPR ada MS ex dan MS ins memiliki nilai yang sama yaitu 1,20708%. Karena evaluasi ixel-wise belum cuku objektif selain itu tidak daat menambahkan informasi karakteristik dari MS, maka dilakukan evaluasi struktural dengan hasil yang ditamilkan ada Tabel 1. Evaluasi struktural terdiri dari dua asek erforma yaitu nilai deteksi dan akurasi seteksi. Nilai R dan FPR meruakan bagian dari nilai deteksi. Emat citra sintetis berasal dari sebuah citra GT yang dimodifikasi menjadi emat citra yang berbeda, MS thin adalah citra GT yang dierosi, MS del adalah citra GT dengan iksel objek bagian tengah yang dihaus, MS ex adalah citra GT yang didilasi ada embuluh bagian atas. Sedangkan citra MS ins adalah citra GT yang ditambahkan sejumlah iksel bukan embuluh. Berdasarkan kondisi nyata maka karakter struktur embuluh yang sangat miri dengan GT adalah MS ins sehingga nilai DE yang dihasilkan seharusnya sama dengan 0. Untuk membuktikan hiotesa tersebut maka dilakukan enghitungan akurasi deteksi. Untuk analisis awal dilakukan ada nilai deteksi yaitu nilai R dan FPR. Nilai R MS thin dan MS del adalah 99,6330% dan 77,2972%, nilai FPR 0,005% dan 0,0012%. Berdasarkan nilai R, ada MS del lebih banyak struktur embuluh yang hilang sehingga mengakibatkan sedikitnya jumlah asangan structure oint MS del dengan GT yang berakibat jumlah otimal structure oint berkurang dan nilai R menjadi rendah. Untuk nilai FPR, jika dilakukan embulatan nilai maka mencaai 0% yang mengindikasikan hamir tidak ada objek bukan embuluh yang terdeteksi. Pada MS ex dan MS ins dieroleh nilai R yang juga berbeda yaitu 99,5019% dan 99,9738%, sedangkan untuk nilai FPR 0,0043% dan 0,0943%. Berdasarkan nilai FPR, ada MS ins objek tambahan yang bukan embuluh menyebabkan erubahan struktur jaringan embuluh dari MS ins, sehingga banyak structure oint ada MS ins yang tidak memiliki asangan dengan GT dibandingkan dengan MS ex yang berakibat bertambahnya nilai FPR ada MS ins. Analisis selanjutnya berdasarkan asek erforma akurasi deteksi yaitu dengan nilai DE, PE, dan WE yang dihasilkan oleh keemat citra sintetis. Hasil terbaik dieroleh dari MS ins dimana nilai DE adalah 0, yang artinya semua struktur GT memiliki asangan ada MS ins walauun ada objek bukan embuluh yang disisikan, selain itu struktur GT dan MS ins tidak memiliki erbedaan osisi dan lebar sehingga nilai PE dan WE menjadi 0. Nilai DE dari MS ins membuktikan hiotesa awal sebelum uji coba dilakukan adalah benar, sehingga daat dibuktikan bahwa evaluasi struktural daat menghasilkan informasi karakteristik dari hasil deteksi struktur garis lengkung. (a) Citra MS thin (b) Citra MS del (c) Citra MS ex (d) Citra MS ins Gambar 2. Hasil uji coba embuktian kekurangan evaluasi ixel-wise dengan data STARE Tabel 1. Hasil enghitungan evaluasi struktural data STARE Nilai MS thin MS del MS ex MS ins R 99, , , ,9738 FPR 0,0050 0,0012 0,0043 0,0943 DE 0,0412 0,0013 0, WE 0,0583 0,0019 0, PE Untuk MS thin, MS del, dan MS ex menghasilkan nilai DE yang besar dari 0 yaitu: 0,0412, 0,0013, dan 0,0325 yang mengindikasikan bahwa roses erosi, enghausan iksel, dan dilasi mengakibatkan kehilangan sejumlah kandidat erfect match dari ketiga MS sintetis tersebut dan digantikan kandidat match lain yang memiliki erbedaan osisi dengan GT. Kesalahan osisi juga dibuktikan dengan nilai WE dari ketiga citra adalah 0 yang artinya semua structure oint MS memiliki lebar yang sama dengan GT. D. Hasil Uji Coba Training Sistem dijalankan dengan data DRIVE menggunakan variasi nilai cw mulai dari [0,3-0,7]. Performa nilai R dan FPR yang baik dieroleh ketika menggunakan nilai cw antara [0,4-0,7] yang ditamilkan ada grafik Gambar 3. Oleh karena itu, dilakukan evaluasi sekali lagi untuk mencari nilai cw yang aling otimal berdasarkan erforma DE dan WE, maka nilai 0,5 adalah nilai yang aling bagus. Hasil uji coba ditamilkan ada Tabel 2.
5 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2014) ISSN: ( Print) 5 True Prositive Rate _GT 05_GT 07_GT 09_GT 14_GT 16_GT 17_GT 18_GT 19_GT 20_GT False Positive Rate cw = 0,3 cw = 0,35 cw = 0,4 cw = 0,45 cw = 0,5 cw = 0,55 cw = 0,6 cw = 0,65 cw = 0,7 Gambar 3.Grafik engukuran erforma dari variasi nilai cw berdasarkan nilai R dan FPR Tabel 2. Nilai DE dan WE dari variasi nilai cw Nilai cw Citra 0,4 0,45 0,5 0,55 0,6 0,65 0,7 DE WE DE WE DE WE DE WE DE WE DE WE DE WE 03_GT 0,43 0 0,38 0 0,34 0 0,36 0 0,33 0 0,30 0 0, _GT 0,42 0 0,37 0 0,33 0 0,34 0, ,31 0, ,27 0, ,27 0, _GT 0,39 0 0,35 0 0,31 0 0,31 0, ,29 0, ,26 0, ,25 0, _GT ,45 0 0,38 0 0,38 0 0,35 0 0, _GT 0,41 0 0,37 0 0,33 0 0,31 0 0,31 0 0,28 0 0, _GT 0,38 0 0,34 0 0,31 0 0,30 0, ,28 0, ,26 0, ,24 0, _GT 0,32 0 0,29 0 0,26 0 0,23 0 0,23 0 0,21 0 0, _GT 0,40 0 0,40 0 0,32 0 0,32 0 0,29 0 0,27 0 0, _GT 0,38 0, ,34 0, ,31 0, ,30-0,0001 0,30-0,0001 0,26-0,0001 0,24-0, _GT 0,41 0, ,37 0, ,33 0, ,33-0, ,31-0, ,28-0, ,26-0,00034 Tabel 3. Hasil evaluasi erforma struktural data DRIVE Citra R FP FPR FN DE PE WE , , ,32 0, , , ,34 0, , , ,32 0,45 0, , , ,31 0, , , ,31 0, , , ,30 0, , , ,32 0, , , ,43 0, , , ,31 0,44 0, , , ,31 0,44 0 E. Hasil Uji Coba Testing Sistem dijalankan untuk menghasilkan nilai evaluasi erforma struktural dari hasil segmentasi algoritma deteksi struktur embuluh darah retina dari TA salah satu mahasiswa Teknik Informatika ITS yang menggunakan data DRIVE sebagai data uji cobanya. Tabel 3 menamilkan hasil evaluasi struktural yang meliuti nilai deteksi:, R, FP, FPR, dan FN; dan akurasi deteksi: DE, PE, dan WE. Dengan menggunakan evaluasi struktural didaatkan keutusan bahwa algoritma segmentasi yang digunakan ada TA tersebut memiliki erforma yang rendah berdasarkan nilai R tertinggi hanya mencaai 61.51%. Sedangkan untuk akurasi deteksi, hasil segmentasi menghasilkan embuluh yang memiliki erbedaan osisi struktur dengan GT berdasarkan nilai PE yang besar dari 0. IV. KESIMPULAN DAN SARAN A. Kesimulan Evaluasi erforma struktural cuku objektif untuk mengukur erforma algoritma deteksi struktur garis lengkung,
6 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2014) ISSN: ( Print) 6 selain itu daat menghasilkan informasi karakteristik dari hasil deteksi struktur garis lengkung. Untuk mendaatkan otimal structural matchingi maka nilai threshold (nilai batas) yang aling bagus untuk arameter cw adalah 0,5. B. Saran Metode ekstraksi struktur erlu dikembangkan untuk mendaatkan struktur garis lengkung yang lebih baik. Perlu adanya riset yang lebih mendalam untuk metode enghitungan otimal structural matching untuk mendaatkan nilai evaluasi erforma algoritma deteksi struktur garis lengkung yang lebih akurat. DAFTAR PUSTAKA [1] Bharkad and Kokare, "Performance evaluation of distance metrics," Pattern Recognation Artificial Intelligent, vol. 25, no. 6, , [2] X. Jiang, M. Lambers, and H. Bunke, "Structural Performance Evaluation of Curvilinear Structure Detection Algorithms," Pattern Recognition Letters, vol. 33, no. 15, , Nov [3] Niemeijer, B. v. Ginnecken, and C. M.J., "Retinoathy online challenge: Automatic detection of microaneurysms in digital color fundus hotograhs," IEEE Transaction Medical Image, vol. 29, no. 1, , [4] S. U. Lee, S. Y. Chung, and R. H. Park, "A comarative erformance study of several global thresholding techniques for segmentation," Comuter Vision, Grahics,and Image Processing, no. 52, , [5] S. J.A, "Performance evaluation and analysis of monocular building extraction from aerial imagery," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 21, no. 4, , [6] B. Fang, X. You, Y. Y. Tang, and W. S. Chen, "Morhological structure reconstruction of retinal vessels in fundus images," International Journal Pattern Recognation Artificial Intelligent, vol. 19, no. 7, , [7] M.Niemeijer, J. J. Staal, B. v. Ginneken, M. Loog, and M. D. Abramoff, "Comarative study of retinal vessel segmentation methods on a new ubliclyavailable database," Fitzatrick, J., Sonka, M. (Eds.), SPIE Medical Imaging, vol. 5370, [8] M. D.,. Michael Goldbaum. (2013, Jan.) STructured Analysis of the Retina. [Online]. htt:// [9] I. S. Institute. (2013, Nov.) Image Sciences Institute. [Online]. htt:// [10] M. R. Kurnia, "Imlementasi Segmentasi Pembuluh Darah Retina ada Citra Fundus Mata Menggunakan Tekstur, Thresholding. dan Oerasi Morfologi," Institut Teknologi Seuluh Noember Tugas Akhir KI091391, 2012.
Pendahuluan. Desain & Implementasi. Uji coba & Evaluasi. Kesimpulan
1 Pendahuluan Desain & Implementasi Uji coba & Evaluasi Kesimpulan 2 Latar Belakang Evaluasi performa: Mengukur kualitas algoritma Evaluasi algoritma deteksi struktur garis lengkung 3 Struktur garis lengkung
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Persoalan jalur terendek (Shortest Path) meruakan suatu jaringan engarahan erjalanan dimana seseorang engarah jalan ingin menentukan jalur terendek antara dua kota
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 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 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 terperinciOleh: Riza Prasetya Wicaksana
Oleh: Riza Prasetya Wicaksana 2209 105 042 Pembimbing I : Dr. I Ketut Eddy Purnama, ST., MT. NIP. 196907301995121001 Pembimbing II : Muhtadin, ST., MT. NIP. 198106092009121003 Latar belakang Banyaknya
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 terperinciDETEKSI DAN SEGMENTASI OTOMATIS DERET PADA CITRA METERAN AIR
DETEKSI DAN SEGMENTASI OTOMATIS DERET PADA CITRA METERAN AIR Naser Jawas STIKOM Bali Jl. Raya Puputan, No.86, Renon, Denpasar, Bali Email: naser.jawas@gmail.com ABSTRAK Meter air adalah sebuah alat yang
Lebih terperinciSEGMENTASI PEMBULUH DARAH PADA CITRA RETINA MENGGUNAKAN MAX-TREE DAN ATTRIBUTE FILTERING
SEGMENTASI PEMBULUH DARAH PADA CITRA RETINA MENGGUNAKAN MAX-TREE DAN ATTRIBUTE FILTERING Kadek Yota Ernanda Aryanto 1,2, I Ketut Eddy Purnama 1 1 Jurusan Teknik Elektro ITS Surabaya, Jawa Timur 2 Universitas
Lebih terperinciSegmentasi Dan Pelabelan Pada Citra Panoramik Gigi
Segmentasi Dan Pelabelan Pada Citra Panoramik Gigi Nur Nafi iyah 1, Yuliana Melita, S.Kom, M.Kom 2 Program Pascasarjana Sekolah Tinggi Teknik Surabaya Email: nafik_unisla26@yahoo.co.id 1, ymp@stts.edu
Lebih terperinciKompleksitas Algoritma Quick Sort
Komleksitas Algoritma Quick Sort Fachrie Lantera NIM: 130099 Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung Jln. Ganesha 10, Bandung E-mail : if099@students.if.itb.ac.id
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciIMPLEMENTASI EKSTRAKSI PEMBULUH RETINA DENGAN METODE MATCHED FILTER DAN FIRST-ORDER DERIVATIVE OF GAUSSIAN
IMPLEMENTASI EKSTRAKSI PEMBULUH RETINA DENGAN METODE MATCHED FILTER DAN FIRST-ORDER DERIVATIVE OF GAUSSIAN Firda Nur Safira 1, Handayani Tjandrasa 2, Arya Yudhi Wijaya 3 Jurusan Teknik Informatika, Fakultas
Lebih terperinciJURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 1
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Pengklasifikasi Segmen Vaskular Retina Mata dengan Metode M-Mediods Multivariat Wilda Imama Sabilla, Chastine
Lebih terperinciJURNAL TEKNOLOGI TECHNOSCIENTIA ISSN: Vol. 7 No. 2 Februari 2015
IMPLEMENTASI SEGMENTASI PEMBULUH DARAH RETINA PADA CITRA FUNDUS MATA BERBASIS HISTOGRAM EQUALIZATION DAN 2D-GABOR FILTER Fahmi Arya Wicaksono 1 Program Studi Teknik Informatika, Universitas Trunojoyo Madura
Lebih terperinciImplementasi Segmentasi Pembuluh Darah Retina Pada Citra Fundus Mata Menggunakan Tekstur, Thresholding dan Operasi Morfologi
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 Implementasi Segmentasi Pembuluh Darah Retina Pada Citra Fundus Mata Menggunakan Tekstur, Thresholding dan Operasi Morfologi M. Riza Kurnia,Handayani Tjandrasa,
Lebih terperinciDeteksi Citra Objek Lingkaran Dengan Menggunkan Metode Ekstraksi Bentuk Circularity
54 Integer Journal, Vol 1, No 1, Maret 2016: 54-59 Deteksi Citra Objek Lingkaran Dengan Menggunkan Metode Ekstraksi Bentuk Circularity Hendro Nugroho Teknik Informatika, Fakultas Teknologi Informasi, Institut
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 terperinciAPLIKASI DISCOUNTED CASH FLOW PADA KONTROL INVENTORY DENGAN BEBERAPA MACAM KREDIT PEMBAYARAN SUPPLIER
Program Studi MMT-ITS, Surabaya Agustus 9 APLIKASI ISOUNTE ASH FLOW PAA KONTROL INVENTORY ENGAN BEBERAPA MAAM KREIT PEMBAYARAN SUPPLIER Hansi Aditya, Rully Soelaiman Manajemen Teknologi Informasi MMT -
Lebih terperinciMetode Klasifikasi Digital untuk Citra Satelit Beresolusi Tinggi WorldView-2 pada Unit Pengembangan Kertajaya dan Dharmahusada Surabaya
JURNAL TEKNIK POMITS Vol. X, No. X, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Metode Klasifikasi Digital untuk Citra Satelit Beresolusi Tinggi WorldView-2 pada Unit Pengembangan Kertajaya dan Dharmahusada
Lebih terperinciSEGMENTASI CITRA PANORAMIK GIGI MENGGUNAKAN SIMILARITAS ANTAR GRAY LEVEL BERDASARKAN INDEX OF FUZZINESS
Pratamasunu, Arifin, Yuniarti, Wijaya, Khotimah, dan Navastara Segmentasi Citra Panoramik Gigi Menggunakan Similaritas antar Gray Level erdasarkan Index of Fuzziness SEGMENTASI CITRA PANORAMIK GIGI MENGGUNAKAN
Lebih terperinciImplementasi Sistem Pendeteksi Gerakan dengan Motion Detection pada Kamera Video Menggunakan AForge.NET
JURNAL TEKNIK POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Sistem Pendeteksi Gerakan dengan Motion Detection pada Kamera Video Menggunakan AForge.NET Muhammad Redha, Dwi
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 terperinciPengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2)
Pengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2) ISSN : 1693 1173 Abstrak Pengenalan obyek pada citra merupakan penelitian yang banyak dikembangkan. Salah satunya pengenalan
Lebih terperinciTemu Kembali Citra Makanan Menggunakan Representasi Multi Texton Histogram
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-368 Temu Kembali Citra Makanan Menggunakan Representasi Multi Texton Histogram Imagine Clara Arabella, Nanik Suciati, dan Dini
Lebih terperinciSegmentasi Tulang Kortikal pada Citra Dental Panoramic Radiograph
IJEIS, Vol.6, No.1, April 2016, pp. 37~46 ISSN: 2088-3714 37 Segmentasi Tulang Kortikal pada Citra Dental Panoramic Radiograph Thohiroh Agus Kumala* 1, Agus Harjoko 2 1 Prodi S2/S3 Ilmu Komputer, FMIPA
Lebih terperinciImplementasi Metode Watershed Transformation Dalam Segmentasi Tulisan Aksara Bali Berbasis Histogram
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Implementasi Metode Watershed Transformation Dalam Segmentasi Tulisan Aksara Bali Berbasis Histogram Komang Budiarta,
Lebih terperinciIMPLEMENTASI SEGMENTASI PEMBULUH DARAH RETINA PADA CITRA FUNDUS MATA BERWARNA MENGGUNAKAN PENDEKATAN MORFOLOGI ADAPTIF
IMPLEMENTASI SEGMENTASI PEMBULUH DARAH RETINA PADA CITRA FUNDUS MATA BERWARNA MENGGUNAKAN PENDEKATAN MORFOLOGI ADAPTIF Dini Nuzulia Rahmah 1, Handayani Tjandrasa 2, Anny Yuniarti 3 Teknik Informatika,
Lebih terperinciBAB 3 PENGEMBANGAN TEOREMA DAN PERANCANGAN PROGRAM
BAB 3 PENGEMBANGAN TEOREMA DAN PERANCANGAN PROGRAM 3.1. Pengembangan Teorema Dalam enelitian dan erancangan algoritma ini, akan dibahas mengenai beberaa teorema uji rimalitas yang terbaru. Teorema-teorema
Lebih terperinciIMPLEMENTASI DETEKSI TITIK POTONG PEMBULUH DARAH PADA CITRA FUNDUS RETINA MENGGUNAKAN ALGORITMA COMBINED CROSS POINT NUMBER
IMPLEMENTASI DETEKSI TITIK POTONG PEMBULUH DARAH PADA CITRA FUNDUS RETINA MENGGUNAKAN ALGORITMA COMBINED CROSS POINT NUMBER Sanny Hikmawati 1, Handayani Tjandrasa 2, Nanik Suciati 3 Teknik Informatika,
Lebih terperinciIntegral dan Persamaan Diferensial
Sudaryatno Sudirham Studi Mandiri Integral dan Persamaan Diferensial ii Darublic BAB 3 Integral (3) (Integral Tentu) 3.. Luas Sebagai Suatu Integral. Integral Tentu Integral tentu meruakan integral yang
Lebih terperinciImplementasi Deteksi Mata Otomatis Menggunakan Pemfilteran Intensitas dan K-Means Clustering
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Deteksi Mata Otomatis Menggunakan Pemfilteran Intensitas dan K-Means Clustering Ahmad Kadiq, Arya Yudhi Wijaya,
Lebih terperinciIDENTIFIKASI PENYAKIT LEUKIMIA AKUT PADA CITRA DARAH MIKROSKOPIS
ORBITH VOL. 12 NO. 1 MARET 2016 : 29 34 IDENTIFIKASI PENYAKIT LEUKIMIA AKUT PADA CITRA DARAH MIKROSKOPIS Oleh: Indah Susilawati Staf Pengajar Program Studi Teknik Informatika Universitas Mercu Buana Yogyakarta
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman
BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian
Lebih terperinciPENCARIAN ISI CITRA MENGGUNAKAN METODE MINKOWSKI DISTANCE
PENCARIAN ISI CITRA MENGGUNAKAN METODE MINKOWSKI DISTANCE Budi Hartono 1, Veronica Lusiana 2 Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Stikubank Semarang Jl Tri Lomba
Lebih terperinciPENERAPAN REGRESI COX DAN REGRESI PARAMETRIK UNTUK ANALISIS SURVIVAL PASIEN JANTUNG MENGGUNAKAN R SOFTWARE
PENERAPAN REGRESI COX DAN REGRESI PARAMETRIK UNTUK ANALISIS SURVIVAL PASIEN JANTUNG MENGGUNAKAN R SOFTWARE Diah Ayu Novitasari *) *) Jurusan Manajemen, Fakultas Ekonomi Universitas Islam Lamongan Email
Lebih terperinciPENERAPAN REGRESI COX DAN REGRESI PARAMETRIK UNTUK ANALISIS SURVIVAL PASIEN JANTUNG MENGGUNAKAN R SOFTWARE
PENERAPAN REGRESI COX DAN REGRESI PARAMETRIK UNTUK ANALISIS SURVIVAL PASIEN JANTUNG MENGGUNAKAN R SOFTWARE Diah Ayu Novitasari * * Jurusan Manajemen, Fakultas Ekonomi Universitas Islam Lamongan Email :
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 terperinciPENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM)
PENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM) Rima Tri Wahyuningrum *) Program Studi Teknik Informatika,
Lebih terperinciDETEKSI NOMINAL MATA UANG DENGAN JARAK EUCLIDEAN DAN KOEFISIEN KORELASI
DETEKSI NOMINAL MATA UANG DENGAN JARAK EUCLIDEAN DAN KOEFISIEN KORELASI Marina Gracecia1, ShintaEstriWahyuningrum2 Program Studi Teknik Informatika Universitas Katolik Soegijapranata 1 esthergracecia@gmail.com,
Lebih terperinciDeteksi Microaneurysms Pada Citra Retina Mata Menggunakan Matched Filter
Santoso, Deteksi Microaneurysms Pada Citra Retina Mata Menggunakan Matched Filter 59 Deteksi Microaneurysms Pada Citra Retina Mata Menggunakan Matched Filter Muhammad Santoso 1, Tutuk Indriyani 2, Ricky
Lebih terperinciTraffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel
1 Traffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel Andi Muhammad Ali Mahdi Akbar, Arief Kurniawan, Ahmad Zaini Jurusan Teknik Elektro, Fakultas Teknik Industri Institut
Lebih terperinciPENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA
PENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA Dina Indarti Pusat Studi Komputasi Matematika, Universitas Gunadarma Jl. Margonda Raya no. 100, Depok 16424, Jawa Barat
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1. Hasil Penelitian Kurva ID anteseden menampilkan model ambang hujan dan persamaan empirik yang disajikan pada Gambar 4.1. Model ambang hujan pada penelitian yang
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 terperinciEkstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Ekstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered- Based Retrieval of Images (CLUE) I Gusti Rai Agung Sugiartha
Lebih terperinciUJIAN TENGAH SEMESTER KALKULUS I Senin, 5 Maret 1999 Waktu : 2,5 jam
UJIAN TENGAH SEMESTER KALKULUS I Senin, 5 Maret 999 Waktu :,5 jam SETIAP NOMOR MEMPUNYAI BOBOT 0. Misalkan diketahui fungsi f dengan ; 0 f() = ; < 0 Gunakan de nisi turunan untuk memeriksa aakah f 0 (0)
Lebih terperinciII. TINJAUAN PUSTAKA
II. TIJAUA PUSTAKA Portofolio Saham Portofolio berarti sekumulan investasi, untuk kasus saham, berarti sekumulan investasi dalam bentuk saham. Proses embentukan orfolio saham terdiri dari mengidentifikasi
Lebih terperinciJURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: ( Print) A-664
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-664 Rancang Bangun Pixel Art Converter Menggunakan Segmentasi berbasis K-means Clustering Yuna Sugianela, Nanik Suciati, dan
Lebih terperinciPengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN)
Pengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN) Iman Ilmawan Muharam Manajemen Sistem Informasi Universitas Gunadarma Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat ilmawan@sta.gunadarma.ac.id
Lebih terperinciBAB 1 PENDAHULUAN. keakuratan dari penglihatan mesin membuka bagian baru dari aplikasi komputer.
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Melihat perkembangan teknologi sekarang ini, penggunaan komputer sudah hampir menjadi sebuah bagian dari kehidupan harian kita. Semakin banyak muncul peralatan-peralatan
Lebih terperinciImplementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector Machine
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-346 Implementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support 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 III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciBAB 4 UJI COBA DAN EVALUASI
BAB 4 UJI COBA DAN EVALUASI 4.1 Data dan Metode Pengujian Pada bagian ini akan dijelaskan mengenai data yang digunakan dalam proses penelitian yang dilakukan oleh penulis. Selain itu, akan dilakukan juga
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 terperinciANALISA HASIL PERBANDINGAN IDENTIFIKASI CORE POINT PADA SIDIK JARI MENGGUNAKAN METODE DIRECTION OF CURVATURE DAN POINCARE INDEX
ANALISA HASIL PERBANDINGAN IDENTIFIKASI CORE POINT PADA SIDIK JARI MENGGUNAKAN METODE DIRECTION OF CURVATURE DAN POINCARE INDEX Mohammad imron (1), Yuliana Melita (2), Megister Teknologi Informasi Institusi
Lebih terperinciKlasifikasi Tingkat Keparahan Non- ProliferativeI Diabetic Retinopathy Bedarsarkan Hard Exudate Menggunakan Extreme Learning Machine
JURNAL SAINS DAN SENI POMITS Vol. 6, No.2, (2017) 2337-3520 (2301-928X Print) A 89 Klasifikasi Tingkat Keparahan Non- ProliferativeI Diabetic Retinopathy Bedarsarkan Hard Exudate Menggunakan Extreme Learning
Lebih terperinciBAB III METODOLOGI DAN PERBANDINGAN METODA
BAB III METODOLOGI DAN PERBANDINGAN METODA Melalui enjelasan konse jaringan grah, dalam menelusuri rute menuntut adanya enggunaan metoda yang teat. Merunut ada tinjauan ustaka, setidaknya akan digunakan
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 IMPLEMENTASI DETEKSI TITIK POTONG PEMBULUH DARAH PADA CITRA FUNDUS RETINA MENGGUNAKAN ALGORITMA COMBINED CROSS POINT NUMBER Kata Kunci: Citra Fundus Retina, Segmentasi Citra,
Lebih terperinciSISTEM PELACAKAN WAJAH METODE HAAR
SISTEM PELACAKAN WAJAH METODE HAAR Endah Sudarmilah Jurusan Teknik Informatika, Fakultas Komunikasi dan Informatika, Universitas Muhammadiyah Surakarta Email : endah_te@yahoo.com Abstrak. Penelitian deteksi
Lebih terperinciPengaruh Riwayat Pemberian ASI Terhadap Perkembangan Anak Usia Prasekolah di TK Kristen Imanuel Surakarta
Pengaruh Riwayat Terhada Perkembangan Anak Usia Prasekolah di TK Kristen Imanuel Surakarta 1 2 srilestarijs@yahoo.com 1 2 AKPER Insan Husada Surakarta Breast milk is the most erfect food for baby. Giving
Lebih terperinciSEGMENTASI CITRA CT SCAN TUMOR OTAK MENGGUNAKAN MATEMATIKA MORFOLOGI (WATERSHED) DENGAN FLOOD MINIMUM OPTIMAL
SEGMENTASI CITRA CT SCAN TUMOR OTAK MENGGUNAKAN MATEMATIKA MORFOLOGI (WATERSHED) DENGAN FLOOD MINIMUM OPTIMAL Andi Hendra 1 1 Jurusan Matematika MIPA Universitas Tadulako ABSTRAK Penelitian pengolahan
Lebih terperinciIMPLEMENTASI PENTERJEMAH KODE ISYARAT TANGAN MENGGUNAKAN ANALISIS DETEKSI TEPI PADA ARM 11 OK6410B
IMPLEMENTASI PENTERJEMAH KODE ISYARAT TANGAN MENGGUNAKAN ANALISIS DETEKSI TEPI PADA ARM 11 OK6410B Heri Setiawan, Iwan Setyawan, Saptadi Nugroho IMPLEMENTASI PENTERJEMAH KODE ISYARAT TANGAN MENGGUNAKAN
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciDika Dwi Muharahman*, Nurul Gusriani, Elis Hertini. Departemen Matematika, Universitas Padjadjaran *E mail:
Perubahan Perilaku Pengguna nstant Messenger dengan Menggunakan Analisis Koresondensi Bersama (Studi Kasus Mahasiswa di Program Studi S-1 Matematika FMPA Unad) Dika Dwi Muharahman*, Nurul Gusriani, Elis
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK PENDUGAAN MUTU. Sandra 1)
Alikasi Jaringan Syaraf Tiruan (Sandra) APLIKASI JARINGAN SYARAF TIRUAN UNTUK PENDUGAAN MUTU MANGGA SEGAR SECARA NON-DESTRUKTIF Sandra 1) 1) Staf Pengajar Fakultas Pertanian, Universitas Andalas Padang
Lebih terperinciRancang Bangun Sistem Pengujian Distorsi Menggunakan Concentric Circle Method Pada Kaca Spion Kendaraan Bermotor Kategori L3 Berbasis Edge Detection
JURNAL TEKNIK POMITS Vol., No., (22) -6 Rancang Bangun Sistem Pengujian Distorsi Menggunakan Concentric Circle Method Pada Kaca Spion Kendaraan Bermotor Kategori L3 Berbasis Edge Detection Muji Tri Nurismu
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL
1 SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (Human Face Detection System on Digital Images) Setyo Nugroho 1, Agus Harjoko 2 Program Studi Ilmu Komputer Program Pascasarjana Universitas Gadjah
Lebih terperinci1. PENDAHULUAN Bidang perindustrian merupakan salah satu bidang yang juga banyak menggunakan kecanggihan teknologi, walaupun pada beberapa bagian, mas
PENGKLASIFIKASIAN KUALITAS KERAMIK BERDASARKAN EKSTRAKSI FITUR TEKSTUR STATISTIK Yogi Febrianto yoefanto@gmail.com Jurusan Teknik Informatika Fakultas Teknologi Industri Universitas Gunadarma Jl. Margonda
Lebih terperinciBAB I PENDAHULUAN. telinga, wajah, infrared, gaya berjalan, geometri tangan, telapak tangan, retina,
BAB I PENDAHULUAN 1.1 Latar Belakang Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia. Sidik jari, tanda tangan, DNA, telinga, wajah, infrared,
Lebih terperinciJURNAL PENGENALAN POLA KAKI O DAN KAKI X MENGGUNAKAN METODE BRAY-CURTIS DISTANCE
JURNAL PENGENALAN POLA KAKI O DAN KAKI X MENGGUNAKAN METODE BRAY-CURTIS DISTANCE Recognition pattern of foot o and foot x using method bray-curtis distance Oleh: FATHUL MU ARIF 12.1.03.02.0091 Dibimbing
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Meteran Air Meteran air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor, unit penghitung,
Lebih terperinciSeminar Nasional Inovasi Dan Aplikasi Teknologi Di Industri 2017 ISSN ITN Malang, 4 Pebruari 2017
Seminar Nasional Inovasi Dan Alikasi Teknologi Di Industri 207 ISSN 2085-428 ITN Malang, 4 Pebruari 207 ANALISA PEMILIHAN ALTERNATIF EKSEKUSI PROYEK PENINGKATAN KINERJA FASILTAS PENGUJIAN SUMUR MINYAK
Lebih terperinciBAB 3 METODOLOGI. 3.1 Kerangka Pikir
BAB 3 METODOLOGI 3.1 Kerangka Pikir Pengenalan sidik jari merupakan salah satu metode yang diterapkan pada teknologi yang digunakan manusia seperti pada mesin absensi, alat pengamanan pada brankas dan
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1. Evaluasi Pada penelitian ini, algoritma untuk identifikasi sidik jari tersusun dari 3 tahapan proses yakni tahap preprocessing fingerprint image, minutiae extraction, dan
Lebih terperinciJUDUL THRESHOLDING DENGAN PEMILIHAN WINDOW SECARA ADAPTIVE BERBASIS PENGUKURAN TINGKAT KETAJAMAN CITRA
PRESENTASI TESIS JUDUL THRESHOLDING DENGAN PEMILIHAN WINDOW SECARA ADAPTIVE BERBASIS PENGUKURAN TINGKAT KETAJAMAN CITRA OLEH I Made Darma Susila 5108.201.014 PEMBIMBING Dr. Agus Zainal, SKom., M.Kom. Isye
Lebih terperinciHasil Kali Dalam Berbobot pada Ruang L p (X)
Hasil Kali Dalam Berbobot ada Ruang L () Muhammad Jakfar, Hendra Gunawan, Mochammad Idris 3 Universitas Negeri Surabaya, muhammadjakfar@unesa.ac.id Institut Teknologi Bandung, hgunawan@math.itb.ac.id 3
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 terperinciKLASIFIKASI CITRA ADENIUM MENGGUNAKAN LEARNING VECTOR QUANTIZATION
KLASIFIKASI CITRA ADENIUM MENGGUNAKAN LEARNING VECTOR QUANTIZATION Resty Wulanningrum 1), Bagus Fadzerie Robby 2) 1), 2) Teknik Informatika, Fakultas Teknik Universitas Nusantara PGRI Kediri Kampus 2 Universitas
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 terperinciSILABUS MATAKULIAH. Indikator Pokok Bahasan/Materi Aktifitas Pembelajaran
SILABUS MATAKULIAH Revisi : - Tanggal Berlaku : September 2014 A. Identitas 1. Nama Matakuliah : A11. 54521 / Pengolahan Citra Digital 2. Program Studi : Teknik Informatika-S1 3. Fakultas : Ilmu Komputer
Lebih terperinciImplementasi Circular Hough Transform untuk Deteksi Kemunculan Bulan Sabit
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1 Implementasi Circular Hough Transform untuk Deteksi Kemunculan Bulan Sabit Ike Mardiya Sari, Agus Zainal Arifin, dan Anny Yuniarti Teknik Informatika, Fakultas
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 terperinciPENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH
PENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH Rikko Ismail Hardianzah 1), Bambang Hidayat 2), Suhardjo 3) 1),2) Fakultas Teknik
Lebih terperinciSistem Deteksi Wajah Dengan Modifikasi Metode Viola Jones
Jurnal Emitor Vol.17 No. 01 ISSN 1411-8890 Sistem Deteksi Wajah Dengan Modifikasi Metode Viola Jones Adinda Rizkita Syafira Program Studi Informatika Universitas Muhammadiyah Surakarta (UMS) Surakarta,
Lebih terperinciSEGMENTASI CITRA X-RAY DARI CITRA CT MENGGUNAKAN ACTIVE CONTOUR
SEGMENTASI CITRA X-RAY DARI CITRA CT MENGGUNAKAN ACTIVE CONTOUR Indrawati Program Studi Teknik Informatika Jurusan Teknik Elektro, Politeknik Negeri Lhokseumawe Jln. Banda Aceh Medan Km. 80.5 Buketrata
Lebih terperinciIdentifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur
Identifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur Cahya Hijriansyah 1, Achmad Solichin 2 1,2 Program Studi Teknik Informatika
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
Lebih terperinciSKRIPSI SEGMENTASI PEMBULUH DARAH PADA CITRA FUNDUS RETINA MATA DENGAN ALGORITMA FILTER GABOR. Oleh: NUR AHMAD FAUZAN
SKRIPSI SEGMENTASI PEMBULUH DARAH PADA CITRA FUNDUS RETINA MATA DENGAN ALGORITMA FILTER GABOR Oleh: NUR AHMAD FAUZAN 2011-51-084 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT UNTUK MEMPEROLEH GELAR SARJANA
Lebih terperinciSISTEM KONTROL GERAK SEDERHANA PADA ROBOT PENGHINDAR HALANGAN BERBASIS KAMERA DAN PENGOLAHAN CITRA
SISTEM KONTROL GERAK SEDERHANA PADA ROBOT PENGHINDAR HALANGAN BERBASIS KAMERA DAN PENGOLAHAN CITRA Dirvi Eko Juliando Sudirman 1) 1) Teknik Komputer Kontrol Politeknik Negeri Madiun Jl Serayu No. 84, Madiun,
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 terperinciSKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN
SKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN Oleh : Rengganis L. N. R 302 00 046 PENDAHULUAN Latar Belakang Penduduk
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN
Jurnal Teknik Informatika Vol. 1 September 2012 1 PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN Wahyu Saputra Wibawa 1, Juni Nurma Sari 2, Ananda 3 Program Studi
Lebih terperinciPERBAIKAN CITRA RETINA DENGAN TRANSFORMASI CONTOURLET DAN ESTIMASI STANDAR DEVIASI NOISE
PERBAIKAN CITRA RETINA DENGAN TRANSFORMASI CONTOURLET DAN ESTIMASI STANDAR DEVIASI NOISE Ekky Natalia W. 1, Dr. Agus Zainial Arifin, S.Kom,M.Kom 2, Bilqis Amaliah, S.Kom, M.Kom 3 Teknik Informatika, Fakultas
Lebih terperinciPREDIKSI OUTLIER MENGGUNAKAN DATA TEPI CLUSTER UNTUK MENINGKATKAN KUALITAS PENGETAHUAN HASIL DATA MINING
PREDIKSI OUTLIER MENGGUNAKAN DATA TEPI CLUSTER UNTUK MENINGKATKAN KUALITAS PENGETAHUAN HASIL DATA MINING Barry Nuqoba, Arif Djunaidy Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi
Lebih terperinciPENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PULPITIS MENGGUNAKAN METODE WATERSHED
PENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PULPITIS MENGGUNAKAN METODE WATERSHED Imam Abdul Hakim 1), Bambang Hidayat 2), Suhardjo 3) 1),2) Fakultas Teknik Elektro, Universitas Telkom Jl. Telekomunikasi
Lebih terperinci