Segmentasi Citra berbasis Informasi Warna dan Tekstur menggunakan Neutrosophic Set
|
|
- Hartanti Agusalim
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS), Surabaya, Indonesia 1* monicawidiasri@yahoo.com Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS), Surabaya, Indonesia 2 Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS), Surabaya, Indonesia 3 Abstrak Segmentasi citra adalah proses membagi citra ke beberapa region, sehingga setiap region bersifat homogen. Citra natural umumnya berisi kombinasi informasi warna dan tekstur. Oleh karena itu, metode segmentasi citra yang menggunakan informasi warna dan tekstur akan dapat menghasilkan kemampuan yang lebih baik dalam membedakan region. Pada teori neutrosophy, setiap entitas tidak hanya mempunyai nilai kebenaran, namun juga mempunyai nilai kesalahan dan nilai ketidakpastian. Neutrosophic set (NS), merupakan generalisasi dari fuzzy set, yang berdasarkan neutrosophy. NS dapat digunakan untuk menyelesaikan permasalahan yang berkaitan dengan ketidakpastian, seperti sistem basis data relasional, semantic web services, deteksi dataset keuangan, analisa perkembangan ekonomi, serta pengolahan citra. Pada penelitian ini, kombinasi ekstraksi informasi warna pada ruang warna L*u*v dan ekstraksi informasi tekstur menggunakan transformasi Gabor wavelet, ditransformasikan pada domain NS. Operasi -mean dan -enhancement dilakukan untuk mengurangi ketidakpastian pada citra neutrosophic berdasarkan nilai entropy citra. Selanjutnya dilakukan proses segmentasi menggunakan -K-means clustering. Hasil uji coba menunjukkan bahwa metode yang diusulkan dapat melakukan segmentasi citra tekstur berwarna dengan baik. Segmentasi citra dengan metode clustering yang menggunakan NS terbukti lebih baik dibandingkan metode clustering yang tidak menggunakan NS. Keberhasilan penerapan indeks validitas dalam penentuan jumlah cluster optimal otomatis mencapai kesesuaian hasil dengan F-measure terbaik sebesar 70%. Katakunci: Gabor wavelet, Neutrosophic Set, Ruang Warna L*u*v, -K-Means Clustering 1. Pendahuluan Segmentasi citra adalah proses membagi citra ke dalam beberapa region, sehingga setiap region bersifat homogen, tapi gabungan dari dua region yang berdekatan tidak homogen. Metode segmentasi citra terutama yang hanya menggunakan informasi warna atau tekstur saja telah banyak dikembangkan. Padahal, citra natural umumnya berisi kombinasi warna dan tekstur. Sehingga, segmentasi citra yang menggunakan kombinasi informasi warna dan tekstur tentunya akan menghasilkan kemampuan membedakan region yang lebih baik. Oleh karena itu, diperlukan metode segmentasi citra yang tepat pada segmentasi citra menggunakan kombinasi tekstur dan warna. Chen dkk. (2005) melakukan segmentasi citra menggunakan algoritma multigrid region growing berdasarkan komposisi warna lokal dari warna dominan dan karakteristik spasial dari komponen grayscale tekstur secara spatially adaptive. Ozden dan Polat (2007) menambahkan informasi tekstur yang didekomposisikan dengan discrete wavelet frames pada algoritma meanshift filtering standar yang menggunakan informasi warna dan spasial, dan menghasilkan kinerja segmentasi citra menjadi lebih baik. Wan dkk. (2007) melakukan ekstraksi dan segmentasi tekstur mengunakan dekomposisi Gabor, dilanjutkan dengan segmentasi multiskala untuk ekstraksi warna dan deteksi batas region, dan digunakan adaptive region merging untuk menyempurnakan hasil segmentasi. Neutrosophic set (NS), generalisasi dari fuzzy set, merupakan himpunan dengan keanggotaan himpunan berdasarkan teori neutrosophy (Smarandache, 2005). Pada teori neutrosophy, setiap entitas tidak hanya mempunyai nilai kebenaran tertentu, tetapi juga mempunyai nilai kesalahan dan sekaligus nilai ketidakpastian, dimana ketiganya bebas satu sama lain. Permasalahan yang tidak dapat diselesaikan dengan menggunakan logika fuzzy yang berkaitan dengan masalah ketidakpastian dapat diselesaikan dengan NS. NS mulai banyak dikembangkan untuk berbagai aplikasi, seperti sistem basis data relasional, semantic web services, deteksi dataset keuangan, analisa perkembangan ekonomi, serta pengolahan citra (Guo dan Cheng, 2009). Oleh karena itu, penelitian ini mengintegrasikan kombinasi informasi warna dan tekstur dengan NS untuk segmentasi citra. Informasi warna diperoleh dari transformasi ruang warna RGB ke
2 ruang warna L*u*v, sedangkan informasi tekstur didapatkan menggunakan transformasi Gabor wavelet. Kombinasi informasi tersebut ditransformasikan ke domain NS sebelum dilakukan proses -K-means clustering. Makalah ini disusun dengan struktur sebagai berikut: bagian 2 membahas tentang neutrosophic set, ruang warna L*u*v dan transformasi Gabor wavelet. Bagian 3 membahas mengenai skema sistem, yaitu, citra neutrosophic, dan -K-means clustering. Uji coba dan pembahasan diulas pada bagian 4, sedangkan kesimpulan dibahas pada bagian Dasar Teori Teori yang digunakan pada penelitian ini adalah neutrosophic set, ruang warna dan transformasi Gabor wavelet. Masing-masing teori dijelaskan pada pembahasan berikut ini. 2.1 Neutrosophic Set Florentin Smarandache pada tahun 1980, memperkenalkan neutrosophy sebagai cabang dari filsafat, yang merupakan pengetahuan tentang pemikiran netral. Neutrosophy mempertimbangkan proposisi, teori, kejadian, konsep ide, pernyataan atau entitas yaitu <A>, berelasi dengan lawannya <Anti-A> dan hal yang menetralkan keduanya <Neut-A> (Smarandache, 2005). Komponen neutrosophy set (NS) adalah T, I, dan F, yang merepresentasikan <A>, <Neut-A> dan <Anti-A>. Neutrosophy memperkenalkan konsep baru yang disebut <Neut-A> yang merepresentasikan ketidakpastian. Konsep baru ini dapat menyelesaikan permasalahan tertentu yang tidak dapat diselesaikan oleh logika fuzzy. NS dapat diterapkan pada pemrosesan citra. Sebuah citra ditransformasikan ke dalam domain NS dengan merepresentasikan sebuah piksel sebagai P{T,I,F} yang berarti piksel tersebut t% benar, i% tidak tentu (indeterminate), f% salah, dimana nilai t bervariasi dalam T, i bervariasi dalam I, f bervariasi dalam F. 2.2 Ruang Warna Tahun 1931, CIE (Commision International de l Eclairage) mendeskripsikan model warna CIEXYZ menggunakan tiga parameter X, Y, dan Z, untuk menspesifikasikan sembarang warna. Nilai dari X, Y, dan Z dapat dikomputasikan menggunakan transformasi linier dari RGB, sebagai berikut (EasyRGB) : X R Y = G (1) Z B Tahun 1976, CIE mendefinisikan ruang warna CIELUV (L*u*v) yang memiliki skala keseragaman persepsi sesuai persepsi mata manusia. Ruang warna CIELUV diturunkan berdasarkan ruang warna CIEXYZ dan white reference point. Nilai Luv dapat dikomputasikan dengan transformasi dari ruang warna CIEXYZ, sebagai berikut (EasyRGB) :, L = , > u = 13L (u u ) (3) v = 13L (v v ) (4) dengan Y, u', v' adalah besaran stimuli warna dan Y n, u n dan v n sebagai besaran stimuli white reference point. Nilai u' dan v' didefinisikan sebagai berikut (EasyRGB) : u = (5) v = Dengan menggunakan X ref =95.047, Y ref =100 dan Z ref = menurut Standard Observer 2 dan Standard Illuminant C, persamaan nilai u n dan v n didefinisikan sebagai berikut (EasyRGB) : u = v = (2) (6) (7) (8) 2.3 Filter Gabor Filter Gabor digunakan untuk menganalisis ciri tekstur dari suatu citra berdasarkan parameter skala dan orientasi (Dunn, D. dan Higgins, W.E., 1995). Filter Gabor 2D dapat dinyatakan sebagai ruang sinusoida dari frekuensi, skala dan orientasi dimodulasikan dengan fungsi Gaussian 2D, g(x,y), berikut ini : g(x, y) = exp + [cos(wx) + (9) 2πj sin(wx)] dengan j 1 dan W adalah frekuensi dari sinusoida yang termodulasi. 2.4 Filter Gabor Wavelet 2D Gabor wavelet adalah perhitungan ekstraksi fitur tekstur menggunakan filter Gabor beserta wavelet-nya. Tujuan Gabor wavelet adalah menganalisis frekuensi citra dengan cara proses dilatasi dan rotasi dengan parameter skala dan orientasi, sehingga dapat memunculkan suatu karakter khusus pada citra yang telah dikonvolusikan dengan Gabor wavelet tersebut. Rumus Gabor wavelet pada skala (m) dan orientasi (n) yang didapatkan dari hasil dilatasi dan rotasi pada fungsi filter Gabor dapat dinyatakan sebagai berikut : g (x, y) = a g(x, y ) (10) dengan : x = a (x cos θ + y sin θ) (11) y = a ( x sin θ + y cos θ) (12)
3 dimana: g(x,y ) = fungsi filter Gabor yang telah dilakukan proses dilatasi dan rotasi sesuai dengan skala(m) dan orientasi (n) yang ditentukan, m dan n adalah integer, a = faktor skala (a > 1), serta nilai θ =, K adalah jumlah total rotasi. Magnitude diperoleh dengan cara mengalikan sebuah citra dengan Gabor wavelet. 3. Skema Sistem Sistem dibuat mengikuti proses pada skema sistem yang dirancang. Skema sistem dapat dilihat pada Gambar Transformasi Informasi Transformasi informasi terdiri dari dua bagian, yaitu transformasi informasi warna dan tekstur. Transformasi informasi warna merupakan transformasi citra masukan dari ruang warna RGB menjadi ruang warna L*u*v berdasarkan persamaan (1) sampai dengan (8). Transformasi informasi tekstur diperoleh dengan cara mengubah citra masukan menjadi citra grayscale terlebih dahulu, dilanjutkan dengan penghitungan mean energy dari magnitude transformasi Gabor wavelet berdasarkan persamaan (9) sampai dengan (12). 3.2 Citra Neutrosophic Empat fitur hasil transformasi informasi yaitu Transformasi informasi warna dari RGB ke Luv Mulai Input citra tekstur berwarna Transformasi informasi warna dan tekstur menjadi citra neutrosophic Operasi -mean dan -enhancement Proses segmentasi menggunakan -Kmeans clustering Citra segmentasi Selesai Gambar 1. Skema Sistem Transformasi informasi tekstur menggunakan Gabor wavelet tiga fitur warna dan satu fitur tekstur, ditransformasikan ke dalam domain NS menjadi citra neutrosophic. Transformasi sebuah piksel P(i,j) pada citra fitur menjadi citra neutrosophic, P NS (i,j)={t(i,j), I(i,j), F(i,j)}, menggunakan persamaan berikut (Sengur dan Guo, 2011) : g (i, j) = / / g(m, n) (13) / / T(i, j) = (,) (14) δ(i, j) = abs(g(i, j) g (i, j)) (15) I(i, j) = (,) (16) F(i, j) = 1 T(i, j) (17) dengan g (i, j) adalah nilai mean lokal dari citra, (i,j) adalah nilai absolut dari perbedaan antara intensitas g(i,j) dan nilai mean lokal g (i, j) pada (i,j). Dua operasi yaitu operasi -mean dan operasi - enhancement digunakan untuk mengurangi nilai ketidakpastian pada citra NS, sehingga probabilitas suatu piksel termasuk dalam kelas tertentu (kelas T atau F) menjadi lebih tinggi. Operasi -mean, P (α), didefinisikan untuk menghitung nilai mean antara tetangga pada NS. Hasil dari operasi -mean adalah P (α) = PT(α), I (α), F(α). Operasi -mean P (α) dengan persamaan berikut (Sengur dan Guo, 2011) : T (i, j) = T(m, n) (18) T(α) = T I < α (19) T I α F (i, j) = / / F(m, n) / / (20) F(α) = F I < α (21) F I α T(i, j) = / / T (m, n) / / (22) δ (i, j) = abs(t (i, j) T(i, j)) (23) I (i, j) = (,) (24) P (α) = P(T(α), I (α), F(α)) (25) dengan δ (i, j) adalah nilai absolut dari perbedaan mean intensitas (intensitas rata-rata) T(i, j) dan nilai rata-rata dari mean intensitas (intensitas rata-rata) setelah operasi -mean. Operasi -enhancement, P (β), dilakukan supaya keanggotaan himpunan T menjadi lebih dapat dibedakan dan mempunyai constrast yang tinggi, sehingga lebih cocok untuk segmentasi. Hasil dari operasi -enhancement adalah P (β) = PT (β), I (β), F (β). Operasi -enhancement, P (β), didefinisikan sebagai berikut (Sengur dan Guo, 2011) : T (i, j) = 2T (i, j) T(i, j) < (1 T(i, j)) T(i, j) 0.5 T (β) = T T I < β I β (26) (27)
4 F (i, j) = 2F (i, j) F(i, j) < (1 F(i, j)) F(i, j) 0.5 (28) F (β) = F I < β (29) F I β T (i, j) = / / T (m, n) / / (30) δ (i, j) = abs(t (i, j) T (i, j)) (31) I (i, j) = (,) (32) P (β) = PT (β), I (β), F (β) (33) dengan δ (i, j) adalah nilai absolut dari perbedaan antara intensitas T (i, j) dan nilai lokal rata-rata T (i, j) pada (i,j) setelah operasi - enhancement. Parameter dan yang digunakan pada operasi -mean dan operasi -enhancement mempengaruhi hasil dari segmentasi. Nilai parameter dan dapat ditentukan berdasarkan karakteristik citra sesuai nilai entropy-nya. Nilai entropy digunakan untuk mengevaluasi distribusi dari elemen-elemen pada domain neutrosophic set (Sengur dan Guo, 2011). Jika nilai entropy besar, berarti intensitas mempunyai probabilitas sama dan terdistribusi seragam, demikian pula sebaliknya. Penentuan nilai parameter dan secara adaptif menggunakan persamaan berikut : EnI = p(i, j) log p(i, j) (34) En = log (35) α = α + ( )( ) (36) ( ) β = 1 α (37) dengan h dan w adalah tinggi dan lebar citra. Nilai En min =0, min =0.01 dan max =0.1 akan digunakan pada penelitian ini. Parameter digunakan untuk mengurangi ketidakpastian K-Means Clustering Setelah operasi -mean dan operasi - enhancement pada domain NS selesai dilakukan, maka dilakukan clustering untuk proses segmentasi. Metode K-means clustering yang dimodifikasi untuk NS, disebut -K-means clustering, diterapkan pada himpunan bagian T. Dengan mempertimbangkan akibat dari ketidakpastian menggunakan threshold, dua himpunan yaitu T dan I dikomposisikan ke dalam himpunan baru untuk clustering, menghasilkan X(i,j) sebagai berikut (Sengur dan Guo, 2011) : T(i, j); I(i, j) γ X(i, j) = (38) T (i, j); I(i, j) > γ Fungsi objektif dari -means didefinisikan sebagai berikut (Sengur dan Guo, 2011) : J = X(i, j) Z (39) Z = (,) X(i, j) (40) dengan Z l adalah centroid dari setiap cluster. Untuk mendapatkan jumlah cluster K secara otomatis, diterapkan indeks validitas yang diusulkan Xie dan Beni (1991) untuk domain neutrosophic, sebagai berikut : N (K) =, (41) dengan J TC adalah ukuran kepadatan, n adalah jumlah data yang akan dikelompokkan dan denominator N XB adalah ukuran pemisah. Secara umum, nilai K* optimal ditemukan dengan menyelesaikan min 2Kn-1 N XB (K), supaya menghasilkan kinerja clustering yang baik untuk kumpulan data X. 4. Uji Coba dan Pembahasan Uji coba dilakukan dengan menggunakan 30 citra tekstur berwarna dan citra ground truthnya yang diperoleh dari website CS/vision/grouping/. Citra tekstur berwarna digunakan sebagai citra masukan, sedangkan citra ground truth digunakan dalam proses pengukuran kinerja sistem. Citra ground truth berupa citra tepi dari cluster yang terbentuk. Contoh citra masukan dan citra ground truthnya dapat dilihat pada Gambar 2. Pengukuran kinerja sistem dilakukan dengan teknik F-measure. F-measure diukur dengan mencocokkan thinned edges dari citra tepi hasil segmentasi sistem yang diusulkan dengan citra ground truth, untuk kemudian dihitung nilai precision (P) dan recall (R). Precision adalah jumlah piksel terambil yang terdeteksi sebagai tepi yang benar dibagi dengan jumlah piksel yang terambil yang terdeteksi sebagai tepi. Recall adalah jumlah piksel terambil yang terdeteksi sebagai tepi yang benar dibagi dengan jumlah piksel tepi sebenarnya. Nilai F-measure diinterpretasikan sebagai rata-rata dari precision dan recall yang diberi bobot. F-measure mencapai hasil tertinggi untuk nilai 1 dan terendah ketika nilainya 0. Persamaan F-measure yang digunakan sebagai berikut : F = () (42) Uji coba dilakukan dengan melakukan beberapa skenario. Skenario pertama dengan tujuan mengamati rata-rata F-measure kinerja sistem terhadap perubahan variasi paramater transformasi Gabor wavelet, yaitu ukuran filter window untuk menghitung mean energy magnitude transformasi Gabor wavelet, skala dan orientasi Gabor wavelet. Ukuran filter window yang diujicobakan yaitu 3x3, 5x5 dan 7x7. Hasil uji coba variasi parameter ukuran filter window terhadap rata-rata F-measure pada Tabel 1. Sesuai Tabel 1 dapat dilihat, window ukuran 3x3 menghasilkan kinerja segmentasi citra terbaik. Hal itu berarti, window berukuran 3x3 sudah cukup untuk mendapatkan karakteristik tekstur lokal yang lebih seragam dari mean energynya.
5 Uji coba variasi parameter skala dilakukan untuk skala 5 (yaitu 1,2,3,4,5) dan 10 (yaitu 0.5,1,1.5,2,2.5,3,3.5,4,4.5,5). Sedangkan variasi parameter orientasi dilakukan untuk sudut orientasi bernilai 4 (perubahan sudut 45), 6 (perubahan sudut 30), 9 (perubahan sudut 20) dan 18 (perubahan sudut 10). Hasil uji coba variasi parameter skala dan orientasi terhadap nilai rata-rata F-measure seperti terlihat pada Tabel 2. Sesuai Tabel 2 dapat dilihat pada skala 10 dan orientasi 4 tercapai hasil terbaik. Skenario kedua adalah uji coba variasi parameter gamma (), untuk mendapatkan nilai gamma terbaik diterapkan pada proses pembentukan himpunan -clustering. Hasil uji coba variasi parameter gamma dapat dilihat pada Tabel 3. Sesuai hasil uji coba, nilai gamma mencapai nilai F-measure yang stabil untuk gamma >=0.25. Hal itu berarti, nilai piksel benar T(i,j) akan diganti menjadi nilai rata-rata T(i,j), jika nilai ketidakpastian piksel I(i,j) lebih besar dari Skenario ketiga yang dilakukan adalah membandingkan kinerja penerapan indeks validitas dalam pemilihan jumlah cluster otomatis menurut persamaan (41) dengan F- measure terbaik yang dihasilkan. Dari hasil uji Tabel 1: Hasil Uji Coba Variasi Parameter Ukuran Window Ukuran Window Rata-rata F- measure 3x3 5x5 7x Tabel 2: Hasil Uji Coba Variasi Parameter Skala dan Orientasi Gabor Wavelet Skala Orientasi Rata-rata F-measure Tabel 3: Hasil Uji Coba Variasi Parameter Gamma Gamma Rata-rata F-measure Tabel 4: Hasil Uji Coba Pembandingan Metode Segmentasi Gamma Rata-rata F-measure Gabor NS Wavelet NS K-means FCM coba, sebanyak 21 citra dari 30 citra (70%), penentuan jumlah cluster otomatis yang didapatkan sesuai dengan F-measure terbaiknya. Skenario uji coba terakhir adalah membandingkan kinerja segmentasi yang diusulkan, yaitu -K-means clustering (Gabor NS), dengan metode segmentasi pembanding. Metode pembanding yang digunakan adalah metode segmentasi yang diusulkan oleh Sengur dan Guo (2011) yang melakukan segmentasi citra tekstur berwarna menggunakan transformasi wavelet berbasis Neutrosophic Set (Wavelet NS), metode K-Means clustering, dan Fuzzy C-Means clustering (FCM). Pembandingan metode yang diusulkan dengan metode Wavelet NS dilakukan karena ingin membandingkan kinerja metode ekstraksi informasi tekstur dalam proses segmentasi. K-Means clustering dan FCM dipilih karena ingin membandingkan hasil metode yang diusulkan dengan metode yang tidak menggunakan NS. Selain itu juga, FCM dipilih untuk membandingkan kinerja fuzzy set dan NS. Rata-rata F-measure hasil perbandingan metode dapat dilihat pada Tabel 4. Sesuai Tabel 4, perbandingan kinerja metode berbasis NS (Gabor NS dan Wavelet NS) menghasilkan rata-rata F-measure Wavelet NS yang lebih baik dibandingkan Gabor NS, namun, perbedaannya tidak terlalu besar. Sedangkan kinerja metode yang menggunakan NS terbukti lebih baik dibandingkan metode lain yang tidak menggunakan NS. Kinerja Gabor NS lebih baik dibanding FCM, hal itu membuktikan bahwa kinerja NS lebih baik dibandingkan dengan fuzzy set pada segmentasi citra. Tiga contoh hasil citra uji coba pembandingan beserta nilai F-measure (F) terdapat pada Gambar 2. Sesuai Gambar 2 dapat dilihat, bahwa -K-means clustering menggunakan NS (Gabor NS dan Wavelet NS) dapat melakukan segmentasi citra dengan baik, batas antar objek dan latar belakang dapat dibedakan dengan baik. Sedangkan metode clustering yang tidak menggunakan NS cenderung menghasilkan citra segmentasi yang oversegmentation. Metode Gabor NS dan Wavelet NS menghasilkan kinerja segmentasi citra yang hampir sama baik. 5. Kesimpulan Dari hasil uji coba yang telah dilakukan, didapatkan kesimpulan sebagai berikut : Segmentasi citra tekstur berwarna berbasis kombinasi informasi warna pada ruang warna L*u*v dan informasi tekstur menggunakan transformasi Gabor wavelet dengan metode γ-kmeans clustering pada domain neutrosophic set menghasilkan kinerja segmentasi citra yang baik. Selain itu pula, metode clustering yang menggunakan NS memberikan hasil kinerja yang lebih baik dibandingkan metode clustering yang
6 tidak menggunakan NS. Metode berbasis NS juga terbukti menghasilkan kinerja segmentasi citra yang lebih baik dibanding dengan fuzzy set. Kinerja transformasi Gabor wavelet pada ekstraksi informasi tekstur yang digunakan pada penelitian ini hampir sama baik dengan transformasi wavelet. Keberhasilan penentuan jumlah cluster otomatis menggunakan indeks validitas yang sesuai dengan F-measure terbaik sebesar 70%. Penelitian masih dapat dikembangkan untuk meningkatkan kinerja transformasi Gabor wavelet. Uji coba dapat dilakukan dengan variasi parameter skala dan orientasi yang lebih beragam, serta pemberian nilai inisialisasi parameter filter Gabor yang lebih sesuai. Penentuan jumlah cluster otomatis yang sesuai dengan F-measure terbaik masih dapat dikembangkan, dengan memperhatikan kemiripan informasi warna atau tekstur antara objek dan latar belakangnya, serta dapat pula ditambahkan informasi lain seperti pencahayaan dalam proses ekstraksi fitur citra. 6. Pustaka Chen, J., Pappas, T.N., Mojsilovi c, A. and Rogowitz, B.E., (2005). Adaptive Perceptual Color-Texture Image Segmentation. IEEE Transactions on Image Processing, 14 (10). Dunn, D. and Higgins, W.E., (1995). Optimal Gabor Filter for Texture Segmentation. IEEE Transactions on Image Processing, 4(7) : p No Citra asli Citra ground truth 1 EasyRGB. Color Conversion Math and Formulas. The EasyRGB Color Search Engine, [Online], Available: TH [15 February 2012]. Guo, Y. and Cheng, H.D., (2009). New Neutrosophic Approach to Image Segmentation. Pattern Recognition, 42: p Ozden, M. and Polat, E., (2007). A Color Image Segmentation Approach for Content-Based Image Retrieval. Pattern Recognition, 40: p Sengur, Y. and Guo, A., (2011). Color Texture Image Segmentation Based on Neutrosophic Set and Wavelet Transformation. Computer Vision and Image Understanding, 115: p Smarandache, F.A., (2005). Unifying Field in Logics Neutrosophic Logic, Neutrosophy, Neutrosophic Set, Neutrosophic Probability. American Research Press, 4 th edition. Wan, T., Canagarajah, N. and Achim, A., (2007). Multiscale Color-Texture Image Segmentation with Adaptive Region Merging. IEEE International Conference on Acoustics, Speech and Signal Processing, I: p Xie, X.I. and Beni, G., (1991). A validity measure for fuzzy clustering. IEEE Transactions on Pattern Analysis and Machine Intelligence, 13:p Gabor NS Wavelet NS K-means FCM 2 F = F = F = F = F = F = F = F= F = F = F = F = Gambar 2: Hasil Citra Uji Coba Pembandingan Metode Segmentasi
PERBANDINGAN 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 terperinciPERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA
PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA Naser Jawas Sistem Komputer STMIK STIKOM Bali Jl Raya Puputan No.86 Renon, Denpasar, Bali 80226
Lebih terperinciBAB III METODE 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 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 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 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 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 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 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 terperinciHASIL DAN PEMBAHASAN. B fch a. d b
7 dengan nilai σ yang digunakan pada tahap pelatihan sebelumnya. Selanjutnya dilakukan perhitungan tingkat akurasi SVM terhadap citra yang telah diprediksi secara benar dan tidak benar oleh model klasifikasi.
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 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 terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2006/2007 SEGMENTASI CITRA SPOT DENGAN MENGGUNAKAN PENDEKATAN FUZZY C-MEANS Jimmy Johan / 0700708953
Lebih terperinciPertemuan 3 Perbaikan Citra pada Domain Spasial (1) Anny Yuniarti, S.Kom, M.Comp.Sc
Pertemuan 3 Perbaikan Citra pada Domain Spasial (1), S.Kom, M.Comp.Sc Tujuan Memberikan pemahaman kepada mahasiswa mengenai berbagai teknik perbaikan citra pada domain spasial, antara lain : Transformasi
Lebih terperinciIMPLEMENTASI SEGMENTASI GAMBAR MENGGUNAKAN DOMAIN NEUTROSOPHIC DAN METODE WATERSHED
IMPLEMENTASI SEGMENTASI GAMBAR MENGGUNAKAN DOMAIN NEUTROSOPHIC DAN METODE WATERSHED Yuli Wijayanti Bilqis Amaliah, S.Kom, M.Kom, Anny Yuniarti, S.Kom, M.Com.Sc Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciPENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2016, pp. 590~595 PENERAPAN ALGORITMA K MEANS UNTUK PENENTUAN PENCOCOKAN PEWARNAAN CLUSTERING SECARA OTOMATIS PADA PRODUK FASHION 590 Indra Gunawan
Lebih terperinciCONTENT BASED IMAGE RETRIEVAL BERDASARKAN CIRI TEKSTUR MENGGUNAKAN WAVELET
CONTENT BASED IMAGE RETRIEVAL BERDASARKAN CIRI TEKSTUR MENGGUNAKAN WAVELET Nana Ramadijanti RG. Computer Vision, Program Studi Teknologi Informasi, Politeknik Elektronika Negri Surabaya E-mail: nana@eepis-its.edu
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 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 terperinciII TINJAUAN PUSTAKA. * adalah operasi konvolusi x dan y, adalah fungsi yang merepresentasikan citra output,
5 II INJAUAN PUSAKA.1 Fitur Scale Invariant Feature ransform (SIF) Fitur lokal ditentukan berdasarkan pada kemunculan sebuah objek pada lokasi tertentu di dalam frame. Fitur yang dimaksudkan haruslah bersifat
Lebih terperinciIMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER
IMPLEMENTASI TEMU KEMBALI CITRA TEKSTUR MENGGUNAKAN ROTATED WAVELET FILTER M. Jamaluddin 1, Nanik Suciati 2, Arya Yudhi Wiajaya 3 1,2,3 Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
Lebih 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 terperinciPenyusun Tugas Akhir Alvian Adi Pratama [ ] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom.
Penyusun Tugas Akhir Alvian Adi Pratama [5106100108] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom. Latar Belakang Batik merupakan harta kebudayaan Indonesia yang
Lebih terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
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 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 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 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Pada bab pendahuluan ini akan diuraikan penjelasan mengenai latar belakang penelitian, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
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 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 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 terperinciSEGMENTASI CITRA BATIK BERDASARKAN FITUR TEKSTUR MENGGUNAKAN METODE FILTER GABOR DAN K-MEANS CLUSTERING
SEGMENTASI CITRA BATIK BERDASARKAN FITUR TEKSTUR MENGGUNAKAN METODE FILTER GABOR DAN K-MEANS CLUSTERING #1 Amin Padmo A.M, #2 Murinto Program Studi Teknik Informatika, Fakultas Teknologi Industri Universitas
Lebih terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPELABELAN OTOMATIS CITRA MENGGUNAKAN FUZZY C MEANS UNTUK SISTEM TEMU KEMBALI CITRA MARSANI ASFI
PELABELAN OTOMATIS CITRA MENGGUNAKAN FUZZY C MEANS UNTUK SISTEM TEMU KEMBALI CITRA MARSANI ASFI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 PENGENALAN KARAKTER PLAT KENDARAAN BERMOTOR DENGAN MENGGUNAKAN METODE FCM Abstrak Victor Prahara
Lebih terperinciIMPLEMENTASI TEMU KEMBALI CITRA BERBASIS ISI DENGAN FITUR TITIK-TITIK SIGNIFIKAN
IMPLEMENTASI TEMU KEMBALI CITRA BERBASIS ISI DENGAN FITUR TITIK-TITIK SIGNIFIKAN Rifky Alif Tama 1, Nanik Suciati 2, Arya Yudhi Wijaya 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS email : rifkyalif@gmail.com
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA
SEGMENTASI CITRA MENGGUNAKAN K-MEANS DAN FUZZY C- MEANS DENGAN BERBAGAI RUANG WARNA Kamil Malik Jurusan Teknik Informatika STT Nurul Jadid Paiton nomor1001@gmail.com Andi Hutami Endang Jurusan Teknik Informatika
Lebih terperinciLANDASAN TEORI. 2.1 Citra Digital Pengertian Citra Digital
LANDASAN TEORI 2.1 Citra Digital 2.1.1 Pengertian Citra Digital Citra dapat didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y) dimana x dan y merupakan koordinat bidang datar, dan harga fungsi f disetiap
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 terperinciPENENTUAN THRESHOLD CITRA MULUT DENGAN METODE NORMAL PROBABILITY DENSITY FUNCTION (NPDF) GUNA MENDETEKSI MULUT PEMELAJAR
ISSN cetak 087-76 ISSN online 548-777 ILKOM Jurnal Ilmiah Volume Nomor Agustus 07 PENENTUAN THRESHOLD CITRA MULUT DENGAN METODE NORMAL PROBABILITY DENSITY FUNCTION (NPDF) GUNA MENDETEKSI MULUT PEMELAJAR
Lebih terperinciBAB I PENDAHULUAN. Dalam beberapa tahun terakhir, logika samar telah digunakan dalam berbagai
1 BAB I PENDAHULUAN 1.1 Latar Belakang Penelitian Dalam beberapa tahun terakhir, logika samar telah digunakan dalam berbagai bidang untuk menyelesaikan masalah-masalah yang ada. Walaupun logika samar adalah
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 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 terperinciModifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram
Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram Shabrina Mardhi Dalila (5109100049) Dosen Pembimbing 1 Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D. Dosen
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 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 terperinciBAB 3 PENDEKATAN LOGIKA SAMAR DALAM PEMROSESAN CITRA. Dalam dunia pemetaan untuk skala yang besar, teknik penginderaan jarak jauh
BAB 3 PENDEKATAN LOGIKA SAMAR DALAM PEMROSESAN CITRA 3.1 Pemrosesan Citra Konvensional. Dalam dunia pemetaan untuk skala yang besar, teknik penginderaan jarak jauh merupakan solusi yang sangat baik. Informasi
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
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 terperinciAPLIKASI IMAGE RETRIEVAL MENGGUNAKAN KOMBINASI METODE COLOR MOMENT DAN GABOR TEXTURE
APLIKASI IMAGE RETRIEVAL MENGGUNAKAN KOMBINASI METODE COLOR MOMENT DAN GABOR TEXTURE Arwin Halim 1, Hardy 2, Christina Dewi 3, Sulaiman Angkasa 4 Program Studi Teknik Informatika, STMIK Mikroskil Jl. Thamrin
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 terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 OPTIMASI NILAI AMBANG WAVELET BERBASIS LOGIKA FUZZY PADA DENOISING CITRA BERWARNA (Kata kunci: denoising, transformasi wavelet, logika fuzzy, thresholding, median absolute
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 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 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 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 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 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 terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
Lebih terperinciLatar Belakang. Perlunya inventarisasi data dari tiap motif batik dari seluruh daerah di Indonesia
Latar Belakang Latar Belakang 1 Perlunya inventarisasi data dari tiap motif batik dari seluruh daerah di Indonesia 2 Pengenalan motif citra batik contoh dengan pencarian citra batik yang mirip menggunakan
Lebih terperinciAPLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN ALGORITMA SOBEL S EDGE DETECTION Arwin Halim 1, Hernawati Gohzali 2, In Sin 3, Kelvin Wijaya 4
APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN ALGORITMA SOBEL S EDGE DETECTION Arwin Halim 1, Hernawati Gohzali 2, In Sin 3, Kelvin Wijaya 4 1,2,3,4 Jurusan Teknik Informatika, STMIK Mikroskil, Medan 1,2,3,4
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengenalan Wajah Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem keamanan selain pengenalan retina mata, pengenalan sidik jari
Lebih terperinciEkstraksi Keyframe dengan Entropy Differences untuk Temu Kembali Konten Video berbasis Speeded-Up Robust Feature
Ekstraksi Keyframe dengan Entropy Differences untuk Temu Kembali Konten Video berbasis Speeded-Up Robust Feature M Misbachul Huda Institut Teknologi Sepuluh Nopember (ITS) Surabaya misbachul.h@gmail.com
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 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 terperinciSISTEM TEMU KEMBALI CITRA UNTUK E- COMMERCE MENGGUNAKAN PROSEDUR PENCARIAN DUA FASE DENGAN FITUR HISTOGRAM MULTI TEKSTON
SISTEM TEMU KEMBALI CITRA UNTUK E- COMMERCE MENGGUNAKAN PROSEDUR PENCARIAN DUA FASE DENGAN FITUR HISTOGRAM MULTI TEKSTON Nurissaidah Ulinnuha 1), Halimatus Sa dyah 2) Fakultas Sains dan Teknologi, Universitas
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 terperinciAPLIKASI PENGENALAN RAMBU BERBENTUK BELAH KETUPAT
APLIKASI PENGENALAN RAMBU BERBENTUK BELAH KETUPAT Andhika Pratama, Izzati Muhimmah Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia
Lebih terperinciANALISA PERBANDINGAN METODE VEKTOR MEDIAN FILTERING DAN ADAPTIVE MEDIAN FILTER UNTUK PERBAIKAN CITRA DIGITAL
ANALISA PERBANDINGAN METODE VEKTOR MEDIAN FILTERING DAN ADAPTIVE MEDIAN FILTER UNTUK PERBAIKAN CITRA DIGITAL Nur hajizah (13111171) Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl.
Lebih terperinciGLOSARIUM Adaptive thresholding Peng-ambangan adaptif Additive noise Derau tambahan Algoritma Moore Array Binary image Citra biner Brightness
753 GLOSARIUM Adaptive thresholding (lihat Peng-ambangan adaptif). Additive noise (lihat Derau tambahan). Algoritma Moore : Algoritma untuk memperoleh kontur internal. Array. Suatu wadah yang dapat digunakan
Lebih terperinciLOGO PEMBERIAN TANDA AIR MENGGUNAKAN TEKNIK KUANTISASI RATA-RATA DENGAN DOMAIN TRANSFORMASI WAVELET DISKRIT. Tulus Sepdianto
LOGO PEMBERIAN TANDA AIR MENGGUNAKAN TEKNIK KUANTISASI RATA-RATA DENGAN DOMAIN TRANSFORMASI WAVELET DISKRIT Tulus Sepdianto 1206100002 PENDAHULUAN Latar Belakang Penggunaan internet secara global Distribusi
Lebih terperinciPengantar PENGOLAHAN CITRA. Achmad Basuki PENS-ITS Surabaya 2007
Pengantar PENGOLAHAN CITRA Achmad Basuki PENS-ITS Surabaya 2007 TUJUAN Mahasiswa dapat membuat aplikasi pengolahan citra Mahasiswa dapat menerapkan konsep-konsep pengolahan citra untuk menghasilkan suatu
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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pengolahan citra pada masa sekarang mempunyai suatu aplikasi yang sangat luas dalam berbagai bidang antara lain bidang teknologi informasi, arkeologi, astronomi, biomedis,
Lebih terperinciBINERISASI CITRA DOKUMEN DENGAN FILTERISASI HOMOMORPHIC
BINERISASI CITRA DOKUMEN DENGAN FILTERISASI HOMOMORPHIC Naser Jawas STMIK STIKOM BALI naser.jawas@stikom-bali.ac.id Abstrak Binerisasi citra dokumen adalah sebuah langkah awal yang sangat penting dalam
Lebih terperinciLEMBAR PENGESAHAN TUGAS AKHIR...
DAFTAR ISI HALAMAN SAMPUL... i HALAMAN JUDUL... ii PERNYATAAN... iii LEMBAR PENGESAHAN TUGAS AKHIR... iv BERITA ACARA TUGAS AKHIR... v KATA PENGANTAR... vi ABSTRAK... vii ABSTRACT... viii DAFTAR ISI...
Lebih terperinciAnalisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra
Analisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra Meirista Wulandari Jurusan Teknik Elektro, Universitas Tarumanagara, Jakarta, Indonesia meiristaw@ft.untar.ac.id Diterima 10 Desember 016
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 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 II LANDASAN TEORI...
DAFTAR ISI HALAMAN JUDUL... i LEMBAR PENGESAHAN PEMBIMBING... ii LEMBAR PERNYATAAN KEASLIAN HASIL TESIS... iii LEMBAR PENGESAHAN PENGUJI... iv PERSEMBAHAN... v MOTTO... vi KATA PENGANTAR... vii SARI...
Lebih terperinciRaden Abi Hanindito¹, -². ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Powered by TCPDF (www.tcpdf.org) ANALISIS & IMPLEMENTASI IMAGE DENOISING DENGAN MENGGUNAKAN METODE NORMALSHRINK SEBAGAI WAVELET THRESHOLDING ANALYSIS & IMPLEMENTATION IMAGE DENOISING USING NORMALSHRINK
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 terperinciVI. HASIL DAN PEMBAHASAN. Warna merupakan ciri dominan yang bisa dibedakan secara visual untuk
VI. HASIL DAN PEMBAHASAN A. Segmentasi Warna merupakan ciri dominan yang bisa dibedakan secara visual untuk mendapatkan informasi dari basisdata citra. Segmentasi warna adalah proses mengelompokkan citra
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Berikut adalah beberapa definisi dari citra, antara lain: rupa; gambar; gambaran (Kamus Besar Bahasa Indonesia). Sebuah fungsi dua dimensi, f(x, y), di mana x dan y adalah
Lebih terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciAPLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK
APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK Arwin Halim 1, Hardy 2, Alvin Yufandi 3, Fiana 4 Program Studi Teknik Informatika, STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan
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 terperinciBAB III PROSEDUR DAN METODOLOGI. Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala
52 BAB III PROSEDUR DAN METODOLOGI 3.1 ANALISA MASALAH Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala melakukan proses retrival citra dan bagaimana solusi untuk memecahkan masalah
Lebih terperinciProses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer
Pengolahan Citra / Image Processing : Proses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer Teknik pengolahan citra dengan mentrasformasikan citra menjadi citra lain, contoh
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 IMPLEMENTASI SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI PIKSEL PADA SEGMENTASI CITRA (Kata kunci: segmentasi citra, gabor filter, local homogeneity, fuzzy c-means, support
Lebih terperinciINTEGRASI PERINGKAS DOKUMEN OTOMATIS SEBAGAI FEATURE REDUCTION PADA CLUSTERING DOKUMEN
INTEGRASI PERINGKAS DOKUMEN OTOMATIS SEBAGAI FEATURE REDUCTION PADA CLUSTERING DOKUMEN Abu Salam 1, Catur Supriyanto 2, Amiq Fahmi 3 1,2 Magister Teknik Informatika, Univ. Dian Nuswantoro Email: masaboe@yahoo.com
Lebih terperinciIntegrasi Peringkas Dokumen Otomatis Dengan Penggabungan Metode Fitur dan Metode Latent Semantic Analysis (LSA) Sebagai Feature Reduction
Integrasi Peringkas Dokumen Otomatis Dengan Penggabungan Metode Fitur dan Metode Latent Semantic Analysis (LSA) Sebagai Feature Reduction Junta Zeniarja 1, Abu Salam 2, Ardytha Luthfiarta 3, L Budi Handoko
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 terperinciANALISIS CITRA WAJAH DENGAN HIMPUNAN FUZZY EIGEN TERBESAR
ANALISIS CITRA WAJAH DENGAN HIMPUNAN FUZZY EIGEN TERBESAR Shinta Puspasari MDP Computer and Informatics Management Institute Jl. Rajawali 14, Palembang, 30113, Indonesia e-mail : shinta@stmik-mdp.net ABSTRAKSI
Lebih terperinciDAFTAR ISI. BAB II... Error! Bookmark not defined.
DAFTAR ISI SKRIPSI... Error! Bookmark not defined. HALAMAN PERSETUJUAN SKRIPSI... Error! Bookmark not defined. PENGESAHAN DEWAN PENGUJI... Error! Bookmark not defined. PERNYATAAN KEASLIAN TUGAS AKHIR...
Lebih terperinci