Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram
|
|
- Harjanti Jayadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) Modifikasi Algoritma Pengelompokan K-Means untuk Segmentasi Citra Ikan Berdasarkan Puncak Histogram Shabrina Mardhi Dalila, Handayani Tjandrasa, dan Nanik Suciati Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya Indonesia handatj@its.ac.id Abstrak Algoritma pengelompokan K-Means adalah metode pengelompokan berdasarkan nilai tertentu ke dalam sejumlah k cluster. Pada pengolahan citra, algoritma pengelompokan K- Means banyak digunakan untuk segmentasi citra. Segmentasi citra ikan merupakan salah satu metode yang dapat digunakan pada aplikasi citra ikan untuk mengenali jenis ikan dilihat dari hasil ekstraksi. Tetapi ada kemungkinan hasil dari segmentasi menggunakan algoritma pengelompokan K-Means kurang baik karena jumlah cluster yang dipilih kurang tepat, sehingga hasil ekstraksi kontur tubuh ikan yang diperoleh pun kurang lengkap. Dalam rangka meningkatkan kualitas hasil segmentasi citra ikan dan mendapatkan jumlah cluster yang tepat, maka pada artikel ini akan dibahas sebuah metode yang merupakan kombinasi antara algoritma pengelompokan K-Means berdasarkan puncak dan ekstraksi kontur tubuh ikan dengan morfologi matematika. Pada hasil segmentasi dilakukan thresholding untuk membagi citra menjadi dua bagian, yaitu hitam dan putih agar dapat dilakukan ekstraksi dengan morfologi matematika. Dengan modifikasi algoritma pengelompokan K-Means dan thresholding, akan diperoleh hasil ekstraksi kontur yang baik. Kata Kunci Morfologi Matematika, Pengelompokan K- Means, Puncak Histogram, Segmentasi Citra, Thresholding. P I. PENDAHULUAN RODUKSI ikan merupakan salah satu sumber ekonomi pada penduduk di beberapa negara. Teknologi analisis citra diperkenalkan pada sistem diagnosis penyakit ikan oleh para peneliti agar mempercepat dalam pencegahan dan pengobatan penyakit ikan secara akurat. Segmentasi citra ikan adalah langkah dasar dalam memperoleh hasil ekstraksi kontur tubuh ikan. Segmentasi citra ikan ini juga dapat diterapkan pada media pengolahan produk akuatik, perilaku ikan, mengidentifikasi dan mengklasifikasi ikan, dan lain-lain [1]. Algoritma pengelompokan K-Means merupakan salah satu metode untuk melakukan segmentasi citra. Namun, ketika melakukan segmentasi citra menggunakan algoritma pengelompokan K-Means seringkali hasilnya kurang baik apabila jumlah cluster yang ditentukan kurang tepat. Dalam rangka meningkatkan kualitas hasil segmentasi citra dengan algoritma pengelompokan K-Means, pada artikel ini akan dibahas mengenai modifikasi algoritma pengelompokan K- Means untuk memperoleh jumlah cluster secara tepat. Penentuan jumlah cluster pada modifikasi algoritma pengelompokan K-Means ini adalah berdasarkan jumlah puncak. Selain itu, juga dilakukan seleksi terhadap pusat cluster awal untuk mengatasi pusat cluster awal yang dipilih secara acak agar hasilnya stabil. Dengan demikian, artikel ini membahas mengenai penerapan modifikasi algoritma pengelompokan K-Means dengan jumlah cluster yang diperoleh dari jumlah puncak yang telah dilakukan smoothing, sehingga mendapatkan jumlah cluster yang tepat untuk melakukan segmentasi citra ikan. Implementasi diharapkan dapat digunakan untuk melakukan segmentasi citra ikan dan memberikan hasil yang lebih baik daripada menggunakan algoritma pengelompokan K-Means biasa yang belum dapat menentukan jumlah cluster dengan tepat. II. TINJAUAN PUSTAKA A. Algoritma Pengelompokan K-Means Algoritma pengelompokan K-Means adalah algoritma pengelompokan (clustering) berdasarkan jarak yang membagi data ke dalam sejumlah cluster. Algoritma ini hanya bekerja pada atribut numerik. Algoritma pengelompokan K-Means mengambil sebagian dari banyaknya komponen populasi yang akan dijadikan sebagai pusat cluster awal. Titik pusat cluster awal ditentukan secara acak. Masingmasing titik data dihitung jaraknya ke masing-masing titik pusat cluster. Titik data tersebut memilih pusat cluster terdekat, setelah itu pusat cluster baru ditentukan dengan menghitung nilai rata-rata dari data di dalam pusat cluster yang sama. Clustering tersebut dilakukan kembali, sampai titik data tidak berubah posisinya [1]. B. Histogram Histogram pada pengolahan citra merupakan informasi yang diekstrak dari intensitas citra dan dapat menjadi dasar dari fungsi transformasi intensitas. Histogram memegang peran yang sangat penting dalam pengolahan citra seperti enhancement, kompresi, segmentasi, dan deskripsi. Sumbu horizontal pada menunjukkan nilai piksel citra, sedangkan sumbu vertikal menunjukkan nilai jumlah piksel citra [2]. Grafik yang berbentuk bukit disebut puncak. Sebagai contoh, citra digital memiliki L derajat keabuan, yaitu dari nilai 0 sampai L 1 (misalkan pada citra dengan kuantisasi derajat keabuan 8-bit, nilai derajat keabuan dari 0
2 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) F i (u,v) pada (6) adalah transformasi Fourier dari masingmasing ln i(y) dan ln r(y). Jika diproses Z(u,v) dengan fungsi filter H(u,v) yang dapat dilihat pada (7). Gambar 1. Histogram citra. sampai 255). Secara matematis rumus untuk menghitung citra dapat dilihat pada (1), ni h, i = 0, 1,, L-1. (1) n dimana: n i = Jumlah piksel yang memiliki derajat keabuan i, n = Jumlah seluruh piksel di dalam citra. Plot h i versus f i dinamakan. Gambar 1 adalah contoh sebuah citra. Secara grafis, ditampilkan dengan diagram batang. C. Homomorphic Filtering Homomorphic filtering adalah teknik umum untuk sinyal dan pengolahan citra yang melibatkan pemetaan nonlinier untuk domain yang berbeda dimana teknik filter yang linier diterapkan, diikuti oleh pemetaan kembali ke domain asli. Filter ini dapat digunakan untuk peningkatan kualitas citra, menormalkan kecerahan pada gambar, dan meningkatkan kontras. Tujuan melakukan homomorphic filtering adalah untuk menghilangkan derau multiplikatif [3]. Sebuah gambar f(y) dapat dinyatakan sebagai hasil dari pencahayaan dan komponen reflektansi. Pernyataan citra f(y) dapat dilihat pada (2), f ( y) i( y). r( y). (2) tetapi (2) tidak dapat digunakan langsung untuk operasi pemisahan pada frekuensi komponen dari pencahayaan dan komponen reflektansi karena transformasi Fourier hasil dari dua fungsi tidak dipisahkan, dengan kata lain rumus dapat dinotasikan seperti pada (3). F{ f ( y)} F{ i( y)}. F{ r( y)}. (3) Misalkan, didefinisikan rumus seperti pada (4). z(y) = ln f(y) = ln i(y) + ln r(y). (4) Oleh karena karakteristik yang dimiliki oleh komponen pencahayaan dan reflektansi bekerja pada domain frekuensi, maka dilakukan transformasi Fourier pada citra yang ditunjukkan pada (5) atau seperti pada (6). F{z(y)} = F{ln f(y)} = F{ln i(y)} + F{ln r(x y)}. (5) Z(u,v) = F i (u,v) + F r (u,v). (6) S(u,v) = H(u,v) Z(u,v) = H(u,v) F i (u,v) + H(u,v) F r (u,v). (7) S(u,v) (7) adalah hasil transformasi Fourier. Pada domain spasial, dapat dilihat pada (8). s(y) = F -1 {S(u,v)} = F -1 {H(u,v).F i (u,v)} + F -1 {H(u,v)} F r (u,v)} = i (y) + r (y). (8) Tahap terakhir adalah menghilangkan operasi logaritma yang dilakukan pada proses awal dengan melakukan operasi invers (eksponensial) untuk mendapatkan peningkatan kualitas citra, dinotasikan dengan g(y) pada (9). g(y) = e s(y) = e i (y).e r (y) = i 0 (y) r 0 (y). (9) Notasi i 0 (y) dan r 0 (y) pada (9) dituliskan dalam (10). i 0 (y) = e i (y) dan r 0 (y) = e r (y). (10) D. Morfologi Matematika Morfologi matematika adalah suatu alat matematika untuk menganalisis citra dengan dasar elemen struktural guna mengukur dan melakukan ekstraksi bentuk yang sesuai pada citra. Morfologi matematika ini merupakan teknik pengolahan citra digital yang didasarkan pada bentuk segmen atau region di dalam citra. Proses morfologi difokuskan pada pengolahan bentuk objek dan biasanya diterapkan pada citra biner (hitamputih). Morfologi matematika termasuk didalamnya, yaitu erosi, dilasi, operasi terbuka, dan operasi tertutup. Rumus untuk masing-masing morfologi matematika dapat dilihat pada (11) sampai dengan (14) [4]. Erosi = A B = {x B x A}. (11) Dilasi = A B = {z (B) z A A}. (12) Operasi terbuka = A B = {A B} B. (13) Operasi tertutup = A. B = {A B} B. (14) E. Akurasi Penghitungan untuk akurasi segmentasi citra dapat dihitung dengan menggunakan rumus pada (15). A R P R; A = A R 100%. (15) Pada (15), R adalah hasil dari proses segmentasi citra dan A adalah citra ground truth. menghitung seberapa banyak piksel citra ground truth yang berhimpitan dengan citra yang sudah tersegmentasi, sedangkan menghitung jumlah keseluruhan piksel yang ada pada baik citra ground truth maupun citra hasil segmentasi [5].
3 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) III. METODOLOGI A. Deskripsi Umum Modifikasi algoritma pengelompokan K-Means pada artikel ini dilakukan dengan menentukan nilai k sebagai jumlah cluster berdasarkan jumlah puncak yang telah dilakukan smoothing dan seleksi pusat cluster awal, karena pada algoritma pengelompokan K-Means biasa jumlah cluster secara tepat tidak diketahui. Pada citra yang telah tersegmentasi kemudian dilakukan proses morfologi matematika, sehingga mendapatkan kontur objek. Tahap segmentasi citra menggunakan modifikasi algoritma pengelompokan K-Means dan ekstraksi kontur tubuh ikan ditunjukkan oleh Gambar 2. B. Langkah-langkah Pada bagian ini akan dijelaskan mengenai langkah-langkah segmentasi citra dengan algoritma pengelompokan K-Means yang telah dimodifikasi, meliputi masukan data, preprocessing, proses, dan keluaran. Masukan Masukan berupa citra ikan berwarna. Preprocessing Citra berwarna diubah menjadi citra grayscale. Sebelum melakukan proses segmentasi citra, dilakukan preprocessing terlebih dahulu untuk meningkatkan kualitas citra agar mendapatkan hasil yang maksimal. Preprocessing dalam pengolahan citra ikan ini menggunakan metode filter homomorphic. Setelah preprocessing pada citra, dilakukan pembentukan piksel-piksel citra. Dari yang telah terbentuk kemudian dilakukan smoothing dengan fungsi tertentu yang sesuai dengan bentuk, sehingga terbentuk kurva. Berdasarkan fungsi pembentuk kurva tersebut diperoleh jumlah puncak. Jumlah puncak ini akan digunakan sebagai nilai k, yaitu jumlah cluster dalam algoritma pengelompokan K-Means untuk segmentasi citra. Tahap Segmentasi Pada modifikasi algoritma pengelompokan K-Means untuk segmentasi citra ikan ini dilakukan dengan jumlah cluster sebanyak puncak yang diperoleh dari penurunan fungsi persamaan pembentuk kurva. Setelah mendapatkan jumlah cluster dari jumlah puncak, atur jumlah puncak sebagai nilai k, dan nilai ratarata seluruh piksel kemudian dihitung. Segmentasi citra dengan algoritma pengelompokan K-Means diawali dengan memilih data piksel sejumlah k secara acak sebagai pusat cluster awal. Kemudian nilai rata-rata pusat cluster dari hasil pemilihan piksel secara acak tersebut dihitung. Lalu dilanjutkan dengan menghitung selisih antara nilai rata-rata pusat cluster dengan nilai rata-rata seluruh piksel. Setelah memperoleh nilai selisih, dilakukan perbandingan antara nilai selisih dengan nilai rata-rata seluruh piksel. Apabila nilai selisih lebih besar daripada nilai rata-rata seluruh piksel, dilakukan kembali pemilihan data piksel untuk pusat cluster sejumlah k secara acak sampai akhirnya mendapatkan nilai selisih yang lebih kecil daripada nilai ratarata seluruh piksel. Setelah memperoleh pusat cluster awal dengan melewati tahap seleksi, langkah berikutnya adalah menghitung jarak gambar asli diubah menjadi grayscale pembentukan smoothing smooth kontur tubuh ikan hitung puncak citra grayscale enhancement homomorphic filtering segmentasi dengan modifikasi algoritma pengelompokan K- Means dengan cluster sejumlah k morfologi matematika jumlah puncak diperoleh, k = jumlah puncak citra tersegmentasi Gambar 2. Tahap modifikasi algoritma pengelompokan K-Means dan ekstraksi kontur. tiap-tiap piksel data citra ke tiap-tiap pusat cluster. Apabila jarak suatu data piksel ke suatu pusat cluster jaraknya lebih dekat daripada ke pusat cluster lainnya, maka data tersebut dikelompokkan pada cluster dengan pusat cluster tersebut. Setelah terbentuk cluster, nilai rata-rata masing-masing cluster dihitung untuk dijadikan pusat cluster baru, kemudian penghitungan jarak tiap-tiap piksel ke tiap-tiap pusat cluster dilakukan kembali. Proses dilakukan terus sampai cluster tidak berubah dan hasil segmentasi diperoleh. Tahap Ekstraksi Hasil keluaran berupa citra ikan tersegmentasi diperoleh dari proses segmentasi. Pada citra yang telah disegmentasi, dilakukan perubahan citra ke dalam piksel hitam dan putih. Piksel citra yang dikelompokkan ke dalam warna hitam bernilai 0, sedangkan pada piksel citra yang dikelompokkan ke dalam warna putih bernilai 1. Penentuan piksel citra menjadi warna hitam dan putih ini menggunakan nilai ambang. Penghitungan nilai ambang diperoleh dengan mengurutkan pusat cluster dari urutan terkecil sampai terbesar dan menghitung selisih diantara pusat cluster berdekatan yang telah diurutkan. Dua pusat cluster berdekatan yang memiliki selisih terbesar akan dicari nilai tengahnya yang akan menjadi nilai ambang. Nilai piksel pada citra tersegmentasi yang lebih besar dari nilai ambang akan menjadi bernilai 1, sedangkan nilai piksel yang lebih kecil daripada nilai ambang akan menjadi bernilai 0. Hasilnya, citra akan menjadi citra hitamputih. Rekonstruksi kemudian dilakukan pada citra hitamputih dengan mengisi lubang pada area boundary dan filter median. Ekstraksi dilakukan dengan morfologi matematika, yaitu hasil dilasi dikurangi hasil erosi. Keluaran dari hasil ekstraksi ini adalah tepi objek.
4 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) (a) (b) Gambar 3. Data uji. (a) Data uji 1 [6], (b) data uji 2 [1]. (a) (b) (c) (d) (e) (f) Gambar 4. Hasil segmentasi modifikasi algoritma pengelompokan K- Means, citra hitam-putih, dan hasil ekstraksi tepi. (a) Hasil segmentasi Gambar 3 (a), (b) citra hitam-putih Gambar 3 (a), (c) hasil ekstraksi tepi Gambar 3 (a), (d) hasil segmentasi Gambar 3 (b), (e) citra hitam-putih Gambar 3 (b), (f) hasil ekstraksi tepi Gambar 3 (b). (a) (b) (c) (d) (e) (f) Gambar 5. Hasil segmentasi algoritma pengelompokan K-Means biasa, citra hitam-putih, dan hasil ekstraksi tepi. (a) Hasil segmentasi Gambar 3 (a), (b) citra hitam-putih Gambar 3 (a), (c) hasil ekstraksi tepi Gambar 3 (a), (d) hasil segmentasi Gambar 3 (b), (e) citra hitam-putih Gambar 3 (b), (f) hasil ekstraksi tepi Gambar 3 (b). (a) (b) Gambar 6. Ground truth citra hitam-putih. (a) Ground truth citra hitam-putih Gambar 3 (a), (b) ground truth citra hitam-putih Gambar 3 (b). A. Uji Coba IV. UJI COBA DAN PEMBAHASAN Pada bagian ini akan dibahas mengenai uji coba hasil dari perbandingan modifikasi algoritma pengelompokan K-Means berdasarkan puncak dan algoritma pengelompokan K-Means biasa. Data uji yang digunakan untuk menunjukkan segmentasi citra ikan menggunakan algoritma pengelompokan K-Means yang telah dimodifikasi pada artikel ini dapat dilihat pada Gambar 3. Uji coba dilakukan dengan membandingkan hasil segmentasi menggunakan modifikasi algoritma pengelompokan K-Means dan hasil segmentasi menggunakan algoritma pengelompokan K-Means biasa yang diubah menjadi citra hitam-putih dan diekstraksi sehingga membentuk tepi. Jumlah cluster pada algoritma pengelompokan K-Means biasa dimasukkan secara manual, yaitu sebanyak 5 cluster, sedangkan pada modifikasi algoritma pengelompokan K-Means, jumlah cluster adalah sama dengan jumlah puncak. Dapat dilihat pada Gambar 4 dan Gambar 5 bahwa modifikasi algoritma pengelompokan K- Means menghasilkan citra hitam-putih dan hasil ekstraksi Tabel 1 Hasil Uji Coba. No. Akurasi 1 (%) Akurasi 2 (%) Akurasi 1 > Akurasi ,31 83, ,06 93, ,61 86, ,21 93, ,09 86, ,12 89, ,63 85, ,34 97, ,05 83, ,44 73, ,34 72, ,30 93, ,23 73, ,34 80, ,90 78, ,44 95,59 X ,41 96,71 X ,19 87, ,45 91,82 X ,16 87, ,80 93, ,36 92, ,01 96,98 X ,01 88,92 X ,87 96, ,23 87,65 X Ratarata 90,14 87,94 kontur tepi yang lebih lengkap daripada algoritma pengelompokan K-Means biasa. Gambar 6 merupakan citra ground truth dari citra hitam-putih. Tabel 1 menunjukkan hasil akurasi citra tersegmentasi menggunakan modifikasi algoritma pengelompokan K-Means dan menggunakan algoritma pengelompokan K-Means biasa yang diubah menjadi citra hitam-putih terhadap citra ground truth pada beberapa data uji. Akurasi 1 pada Tabel 1 menunjukkan akurasi citra hitam-putih yang dihasilkan citra segmentasi menggunakan modifikasi algoritma pengelompokan K-Means terhadap ground truth. Akurasi 2 menunjukkan akurasi citra hitam-putih yang dihasilkan citra segmentasi menggunakan algoritma pengelompokan K-Means biasa terhadap ground truth. B. Hasil Uji Coba Pada Gambar 4 dan Gambar 5 dapat dilihat bahwa hasil segmentasi, citra hitam-putih, dan ekstraksi kontur tepi pada algoritma pengelompokan K-Means yang telah dimodifikasi memberikan hasil tubuh ikan yang lebih lengkap daripada algoritma pengelompokan K-Means biasa. Dapat dilihat pula pada Tabel 1 bahwa nilai rata-rata akurasi citra hitam-putih yang dihasilkan citra segmentasi menggunakan modifikasi algoritma pengelompokan K-Means lebih besar daripada nilai rata-rata akurasi citra hitam-putih yang dihasilkan citra segmentasi menggunakan algoritma pengelompokan K-Means biasa. Hal ini menunjukkan bahwa algoritma pengelompokan K-Means yang telah dimodifikasi memberikan hasil yang lebih baik daripada algoritma pengelompokan K-Means biasa.
5 JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) KESIMPULAN 1. Modifikasi algoritma pengelompokan K-Means berdasarkan puncak memberikan hasil segmentasi dan ekstraksi kontur tubuh ikan yang lebih lengkap daripada algoritma pengelompokan K-Means biasa. 2. Jumlah cluster dan seleksi terhadap pusat cluster awal pada algoritma pengelompokan K-Means mempengaruhi hasil segmentasi citra. 3. Nilai rata-rata akurasi hasil segmentasi menggunakan modifikasi algoritma pengelompokan K-Means yang diubah menjadi citra hitam-putih terhadap ground truth lebih besar daripada nilai rata-rata akurasi hasil segmentasi menggunakan algoritma pengelompokan K- Means biasa yang diubah menjadi citra hitam-putih terhadap ground truth. UCAPAN TERIMA KASIH Penulis S.M.D. mengucapkan terima kasih kepada Allah SWT, kedua orangtua dan keluarga penulis, dosen pembimbing, kepala jurusan, dosen, dan staf Teknik Informatika, serta kerabat dekat dan pihak yang telah membantu menyelesaikan artikel ini. DAFTAR PUSTAKA [1] Qingling Duan, Daoliang Li, and Wang Jianping Hong Yao, "An Improved K-Means Clustering Algorithm for Fish Image Segmentation," Elsevier, Dec [2] (2013, June) Ebookbrowse. [Online]. Poor, An Introduction to Signal Detection and Estimation. New York: Springer- Verlag (1985) Ch. 4. [3] Rafael C Gonzales and Richard E Woods, "Image Enhancement in the Frequency Domain," in Digital Image Processing, 2nd ed. New Jersey, United States of America: Prentice Hall, 2002, ch. 4, pp [4] Rafael C Gonzales and Richard E Woods, "Morphological Image Processing," in Digital Image Processing, 2nd ed. New Jersey, United States of America: Prentice Hall, 2002, ch. 9, pp [5] Song Wang, Tiecheng Liu Feng Ge, "Image-Segmentation Evaluation From the Perspective of Salient Object Extraction," IEEE Computer Society, [6] (2013, June) NOVA. [Online].
Modifikasi 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 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 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 terperinciOperasi Titik Kartika Firdausy
Operasi Titik Kartika Firdausy tpcitra@ee.uad.ac.id blog.uad.ac.id/kartikaf 2262230 Setelah mempelajari materi ini, mahasiswa diharapkan mampu: mengidentifikasi Fungsi Transformasi Skala Keabuan menjelaskan
Lebih terperinciPERBAIKAN CITRA BER-NOISE MENGGUNAKAN SWITCHING MEDIAN FILTER DAN BOUNDARY DISCRIMINATIVE NOISE DETECTION
PERBAIKAN CITRA BER-NOISE MENGGUNAKAN SWITCHING MEDIAN FILTER DAN BOUNDARY DISCRIMINATIVE NOISE DETECTION Ahmad Saikhu, Nanik Suciati, Widhiantantri S. Jurusan Teknik Informatika, Fakultas Teknologi Informasi,
Lebih 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 terperinciDEKOMPOSISI NILAI SINGULAR DAN DISCRETE FOURIER TRANSFORM UNTUK NOISE FILTERING PADA CITRA DIGITAL
Seminar Nasional Aplikasi Teknologi Informasi 9 (SNATI 9) ISSN: 97- Yogyakarta, Juni 9 DEKOMPOSISI NILAI SINGULAR DAN DISCRETE FOURIER TRANSFORM UNTUK NOISE FILTERING PADA CITRA DIGITAL Adiwijaya, D. R.
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 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 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 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 terperinciPendekatan Statistik Pada Domain Spasial dan Frekuensi untuk Mengetahui Tampilan Citra Yustina Retno Wahyu Utami 1)
ISSN : 1693 1173 Pendekatan Statistik Pada Domain Spasial dan Frekuensi untuk Mengetahui Tampilan Citra Yustina Retno Wahyu Utami 1) Abstrak Mean, standard deviasi dan skewness dari citra domain spasial
Lebih terperinciPERBAIKAN CITRA DENGAN MENGGUNAKAN METODE PROBABILITY DISTRIBUTION HISTOGRAM EQUALIZATION (PDHE)
PERBAIKAN CITRA DENGAN MENGGUNAKAN METODE PROBABILITY DISTRIBUTION HISTOGRAM EQUALIZATION (PDHE) ANDRI andriecitra@yahoo.com Program Studi Teknik Informatika Fakultas Teknik, Matematika dan Ilmu Pengetahuan
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 terperinciSuatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara.
Image Enhancement Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang bisa dilakukan misalnya dengan fungsi transformasi, operasi matematis,
Lebih terperinciDEKOMPOSISI MORFOLOGI BENTUK BINER DUA DIMENSI MENJADI POLIGON KONVEKS DENGAN PENDEKATAN HEURISTIK
DEKOMPOSISI MORFOLOGI BENTUK BINER DUA DIMENSI MENJADI POLIGON KONVEKS DENGAN PENDEKATAN HEURISTIK Nanik Suciati, Rosdiana Rahmawati Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
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 terperinciFAKULTAS TEKNIK (FT) PROGRAM TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI 2016
DETEKSI KEMUNCULAN BULAN SABIT MENGGUNAKAN METODE CIRCULAR HOUGH TRANSFORM ARTIKEL Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program
Lebih terperinciGARIS-GARIS BESAR PROGRAM PERKULIAHAN (GBPP)
GARIS-GARIS BESAR PROGRAM PERKULIAHAN (GBPP) Mata Kuliah: Pengolahan dan Pengenalan Pola; Kode/Bobot : TSK 713/ 2 sks; Deskripsi Mata Kuliah: Mata kuliah ini berisi konsep teori, teknik-teknik dan aplikasi
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 terperinciAPLIKASI TRANSFORMASI WATERSHED UNTUK SEGMENTASI CITRA DENGAN SPATIAL FILTER SEBAGAI PEMROSES AWAL
APLIKASI TRANSFORMASI WATERSHED UNTUK SEGMENTASI CITRA DENGAN SPATIAL FILTER SEBAGAI PEMROSES AWAL Murien Nugraheni Prodi Teknik Informatika Fak FTI UAD Jl. Prof. Dr. Soepomo, Janturan, Yogyakarta 55164,
Lebih 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 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 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 terperinciImplementasi Image Enhancement Menggunakan Homomorphic Filtering
Implementasi Image Enhancement Menggunakan Homomorphic Filtering Rudy Adipranata 1, Cherry Galatia Ballangan 2, William Susanto Teknik Informatika, Fakultas Teknologi Industri, Universitas Kristen Petra
Lebih terperinciImplementasi Morphology Concept and Technique dalam Pengolahan Citra Digital Untuk Menentukan Batas Obyek dan Latar Belakang Citra
Implementasi Morphology Concept and Technique dalam Pengolahan Citra Digital Untuk Menentukan Batas Obyek dan Latar Belakang Citra Eddy Nurraharjo Program Studi Teknik Informatika, Universitas Stikubank
Lebih terperinciSEGMENTASI CITRA. thresholding
SEGMENTASI CITRA Dalam visi komputer, Segmentasi adalah proses mempartisi citra digital menjadi beberapa segmen (set piksel, juga dikenal sebagai superpixels). Tujuan dari segmentasi adalah untuk menyederhanakan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
35 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Implementasi GUI GUI diimplementasikan sesuai dengan program pengolah citra dan klasifikasi pada tahap sebelumya. GUI bertujuan untuk memudahkan pengguna mengidentifikasi
Lebih terperinciMATHunesa (Volume 3: No 2) 2014
APLIKASI DETEKSI TEPI SOBEL UNTUK IDENTIFIKASI TEPI CITRA MEDIS Mochamad Nor Cholis Jurusan Matematika, FMIPA, Universitas Negeri Surabaya, email : cholis029@gmail.com Yusuf Fuad Jurusan Matematika, FMIPA,
Lebih terperinciSEGMENTASI CITRA DIGITAL DENGAN MENGGUNAKAN ALGORITMA WATERSHED DAN LOWPASS FILTER SEBAGAI PROSES AWAL ( November, 2013 )
SEGMENTASI CITRA DIGITAL DENGAN MENGGUNAKAN ALGORITMA WATERSHED DAN LOWPASS FILTER SEBAGAI PROSES AWAL ( November, 2013 ) Pramuda Akariusta Cahyan, Muhammad Aswin, Ir., MT., Ali Mustofa, ST., MT. Jurusan
Lebih 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 terperinciMKB3383 TEKNIK PENGOLAHAN CITRA Pemrosesan Citra Biner
MKB3383 TEKNIK PENGOLAHAN CITRA Pemrosesan Citra Biner Dosen Pengampu: Muhammad Zidny Naf an, M.Kom. Genap 2016/2017 Definisi Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai derajat
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 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 SEGMENTASI PEMBULUH RETINA DENGAN METODE MULTI- SCALE LINE TRACKING
IMPLEMENTASI SEGMENTASI PEMBULUH RETINA DENGAN METODE MULTI- SCALE LINE TRACKING Syarifatun Nadhiroh Qomariyah 1, Handayani Tjandrasa 2, Nanik Suciati 3 Teknik Informatika, Fakultas Teknologi Informasi,
Lebih terperinciPerbaikan Citra dengan Menggunakan Metode Histogram Equalization
Prosiding Seminar Nasional Teknoin 212 Perbaikan Citra dengan Menggunakan Metode Histogram Equalization Muhammad Kusban Jurusan Teknik Elektro Universitas Muhammadiyah Surakarta Jl. A. Yani Tromol Pos
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 terperinciIdentifikasi Sel Darah Berbentuk Sabit Pada Citra Sel Darah Penderita Anemia
Identifikasi Sel Darah Berbentuk Sabit Pada Citra Sel Darah Penderita Anemia Imam Subekti, I Ketut Eddy Purnama, Mauridhi Hery Purnomo. Jurusan Teknik Elektro FTI - ITS Penelitian ini mengidentifikasi
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 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 terperinciKlasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt
Klasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt Ardi Satrya Afandi Fakultas Teknologi Industri Universitas Gunadarma Depok, Indonesia art_dhi@yahoo.com Prihandoko,
Lebih terperinciAnalisa Perbandingan Metode Edge Detection Roberts Dan Prewitt
Analisa Perbandingan Metode Edge Detection Roberts Dan Prewitt Romindo Polikteknik Ganesha Medan Jl. Veteran No. 190 Pasar VI Manunggal romindo4@gmail.com Nurul Khairina Polikteknik Ganesha Medan Jl. Veteran
Lebih terperinci(IMAGE ENHANCEMENT) Peningkatan kualitas citra di bagi menjadi dua kategori yaitu :
(IMAGE ENHANCEMENT) Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagi cara. Tujuannya adalah untuk memproses citra yang dihasilkan lebih baik daripada
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 terperinciPertemuan 2 Dasar Citra Digital. Anny Yuniarti, S.Kom, M.Comp.Sc
Pertemuan 2 Dasar Citra Digital Anny Yuniarti, S.Kom, M.Comp.Sc Tujuan Memberikan pemahaman tentang konsep-konsep dasar dalam pengolahan citra digital, a.l.: Apakah pengolahan citra digital? Sampling dan
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : A11. 54521 / Pengolahan Citra Digital Revisi - Satuan Kredit Semester : 3 SKS Tgl revisi : - Jml Jam kuliah dalam seminggu
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinu menjadi gambar diskrit melalui proses sampling. Gambar analog dibagi
Lebih 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 terperinciBAB II Tinjauan Pustaka
BAB II Tinjauan Pustaka Pada bab ini dibahas mengenai konsep-konsep yang mendasari ekstraksi unsur jalan pada citra inderaja. Uraian mengenai konsep tersebut dimulai dari ekstraksi jalan, deteksi tepi,
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 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 terperinciIMPLEMENTASI IMAGE ENHANCEMENT MENGGUNAKAN HOMOMORPHIC FILTERING
IMPLEMENTASI IMAGE ENHANCEMENT MENGGUNAKAN HOMOMORPHIC FILTERING Rudy Adipranata 1) Cherry Galatia Ballangan 2) William Susanto Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Kristen
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 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 terperinciBAB 3 IMPLEMENTASI SISTEM
BAB 3 IMPLEMENTASI SISTEM Bab ini akan membahas mengenai proses implementasi dari metode pendeteksian paranodus yang digunakan dalam penelitian ini. Bab ini terbagai menjadi empat bagian, bagian 3.1 menjelaskan
Lebih terperinciJURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA :38:54
Rekonstruksi Citra pada Super Resolusi menggunakan Projection onto Convex Sets (Image Reconstruction in Super Resolution using Projection onto Convex Sets) JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciAPLIKASI IMAGE THRESHOLDING UNTUK SEGMENTASI OBJEK
APLIKASI IMAGE THRESHOLDING UNTUK SEGMENTASI OBJEK Rinaldi Munir Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung Jl. Ganesha 10 Bandung 40132 E-mail: rinaldi@informatika.org Abstrak
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra 2.1.1 Definisi Citra Secara harfiah, citra adalah gambar pada bidang dwimatra (dua dimensi). Jika dipandang dari sudut pandang matematis, citra merupakan hasil pemantulan
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 terperinciPENAJAMAN DAN SEGMENTASI CITRA PADA PENGOLAHAN CITRA DIGITAL. Moehammad Awaluddin, Bambang Darmo Y *)
PENAJAMAN DAN SEGMENTASI CITRA PADA PENGOLAHAN CITRA DIGITAL Moehammad Awaluddin, Bambang Darmo Y *) Abstract Image processing takes an image to produce a modified image for better viewing or some other
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan sistem pendeteksi orang tergeletak mulai dari : pembentukan citra digital, background subtraction, binerisasi, median filtering,
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 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 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 terperinciJURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 1
JURNAL TEKNIK POMITS Vol. 2, No. 1, (201) ISSN: 27-59 (201-9271 Print) 1 Implementasi Citra dengan Menggunakan Regresi Linier dan Metode Wavelet Rina Kharisma Juwitasari, Diana Purwitasari, dan Rully Soelaiman
Lebih terperinciPENDETEKSIAN TEPI OBJEK MENGGUNAKAN METODE GRADIEN
PENDETEKSIAN TEPI OBJEK MENGGUNAKAN METODE GRADIEN Dolly Indra dolly.indra@umi.ac.id Teknik Informatika Universitas Muslim Indonesia Abstrak Pada tahap melakukan ekstraksi ciri (feature extraction) faktor
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 terperinciDETEKSI TEPI MENGGUNAKAN OPERATOR ISOTROPIK DENGAN PENGOLAHAN AWAL MENGGUNAKAN PENGATURAN INTENSITAS
MAKALAH SEMINAR TUGAS AKHIR DETEKSI TEPI MENGGUNAKAN OPERATOR ISOTROPIK DENGAN PENGOLAHAN AWAL MENGGUNAKAN PENGATURAN INTENSITAS Sulistono*, Achmad Hidayatno**, R. Rizal Isnanto** Abstrak Kadangkala hasil
Lebih 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 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 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 terperinciAPLIKASI IMAGE THRESHOLDING UNTUK SEGMENTASI OBJEK
APLIKASI IMAGE THRESHOLDING UNTUK SEGMENTASI OBJEK Rinaldi Munir Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung Jl. Ganesha 10 Bandung 40132 E-mail: rinaldi@informatika.org ABSTRAKSI
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 terperinciSimulasi Teknik Image Enhancement Menggunakan Matlab Yustina Retno Wahyu Utami 3)
Simulasi Teknik Image Enhancement Menggunakan Matlab Yustina Retno Wahyu Utami 3) ISSN : 1693 1173 Abstrak Penelitian ini menekankan pada pentingnya teknik simuasi pada pengolahan citra digital. Simulasi
Lebih terperinciKLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS
Ikhwan Ruslianto KLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS IKHWAN RUSLIANTO Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan
Lebih terperinciALGORITMA SOBEL UNTUK DETEKSI KARAKTER PADA PLAT NOMOR KENDARAAN BERMOTOR
Pengolahan citra digital by Jans Hry / S2 TE UGM 09 ALGORITMA SOBEL UNTUK DETEKSI KARAKTER PADA PLAT NOMOR KENDARAAN BERMOTOR Edge atau tepi merupakan representasi dari batas objek dalam citra. Hal ini
Lebih terperinciRepresentasi Citra. Bertalya. Universitas Gunadarma
Representasi Citra Bertalya Universitas Gunadarma 2005 Pengertian Citra Digital Ada 2 citra, yakni : citra kontinu dan citra diskrit (citra digital) Citra kontinu diperoleh dari sistem optik yg menerima
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pemrosesan citra adalah ilmu untuk memanipulasi gambar, yang melingkupi teknikteknik untuk memperbaiki atau mengurangi kualitas gambar, menampilkan bagian tertentu
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 terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
Lebih 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 terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. Dalam pengerjaan tugas akhir ini memiliki tujuan untuk mengektraksi
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Model Pengembangan Dalam pengerjaan tugas akhir ini memiliki tujuan untuk mengektraksi fitur yang terdapat pada karakter citra digital menggunakan metode diagonal
Lebih terperinciBAB 2 TINJAUAN PUSTAKA 2.1 Dasar Teori Citra Digital
4 BAB 2 TINJAUAN PUSTAKA 2.1 Dasar Teori Bab ini berisi tentang teori yang mendasari penelitian ini. Terdapat beberapa dasar teori yang digunakan dan akan diuraikan sebagai berikut. 2.1.1 Citra Digital
Lebih terperinciSEGMENTASI WARNA CITRA DENGAN DETEKSI WARNA HSV UNTUK MENDETEKSI OBJEK
SEGMENTASI WARNA CITRA DENGAN DETEKSI WARNA HSV UNTUK MENDETEKSI OBJEK Benedictus Yoga Budi Putranto, Widi Hapsari, Katon Wijana Fakultas Teknik Program Studi Teknik Informatika Universitas Kristen Duta
Lebih terperincicorak lukisan dengan seni dekorasi pakaian, muncul seni batik tulis seperti yang kita kenal sekarang ini. Kain batik merupakan ciri khas dari bangsa I
Pembuatan Perangkat Lunak Untuk Menampilkan Deskripsi Mengenai Batik dan Pola Citra Batik Berdasarkan Segmentasi Objek Maulana Sutrisna, maulanasutrisna@gmail.com Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciPengolahan Citra : Konsep Dasar
Pengolahan Citra Konsep Dasar Universitas Gunadarma 2006 Pengolahan Citra Konsep Dasar 1/14 Definisi dan Tujuan Pengolahan Citra Pengolahan Citra / Image Processing Proses memperbaiki kualitas citra agar
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 terperinciDETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL
DETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL Muhammad Affandes* 1, Afdi Ramadani 2 1,2 Teknik Informatika UIN Sultan Syarif Kasim Riau Kontak Person : Muhammad
Lebih terperinciPERBAIKAN CITRA MELALUI PROSES PENGOLAHAN PIKSEL
PERBAIKAN CITRA MELALUI PROSES PENGOLAHAN PIKSEL Muhammad Kusban Jurusan Teknik Elektro Universitas Muhammadiyah Surakarta Jl. A. Yani Tromol Pos 1, Pabelan 57102 Surakarta. E-mail: muhammadkusban@gmail.com
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4E3 PENGOLAHAN CITRA DIGITAL Disusun oleh: Bedy Purnama PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR PENGESAHAN Rencana Pembelajaran
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 terperinciKONSEP DASAR PENGOLAHAN CITRA
KONSEP DASAR PENGOLAHAN CITRA Copyright @ 2007 by Emy 2 1 Kompetensi Mampu membangun struktur data untuk merepresentasikan citra di dalam memori computer Mampu melakukan manipulasi citra dengan menggunakan
Lebih terperinciSEGMENTASI CITRA PELAT ELEMEN BAKAR DENGAN METODE EDGE DETECTION. Anik Purwaningsih, Sutopa *
SEGMENTASI CITRA PELAT ELEMEN BAKAR DENGAN METODE EDGE DETECTION Anik Purwaningsih, Sutopa * ABSTRAK SEGMENTASI CITRA PELAT ELEMEN BAKAR DENGAN METODE EDGE DETECTION. Pengujian pelat elemen bakar (PEB)
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 terperinciSEGMENTASI ENDAPAN URIN PADA CITRA MIKROSKOPIK BERBASIS WAVELET
SEGMENTASI ENDAPAN URIN PADA CITRA MIKROSKOPIK BERBASIS WAVELET Miftahus Sholihin, Agus Zainal Arifin, Anny Yuniarti Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember (ITS), Surabaya, Indonesia
Lebih terperinciPENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING )
FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 1 Introduction Nama Nazaruddin Ahmad Biodata Tempat/Tgl.Lahir Banda Aceh, 05 Juni 1982 Alamat Hp 081360866064
Lebih terperincipola-pola yang terdapat pada suatu daerah bagian citra. Tekstur juga dapat membedakan permukaan dari beberapa kelas.
Ruang Lingkup Penelitian Ruang Lingkup penelitian ini adalah: 1. Objek citra adalah data citra daun tumbuhan obat dan citra pohon tanaman hias di Indonesia. 2. Dalam penelitian ini operator MBLBP yang
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDESAIN KARTU UCAPAN
PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDESAIN KARTU UCAPAN Rudy Adipranata 1, Liliana 2, Gunawan Iteh Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas Kristen Petra Jl. Siwalankerto
Lebih terperinciIdentifikasi Gejala Penyakit Padi Menggunakan Operasi Morfologi Citra
Identifikasi Gejala Penyakit Padi Menggunakan Operasi Morfologi Citra Shofiyyah Zahrah 1, Ristu Saptono 2, Esti Suryani 3 1,2,3 Program Studi Informatik, FMIPA, Universitas Sebelas Maret Email: 1 shofizr@gmail.com,
Lebih terperinciMAKALAH PENGOLAHAN CITRA DIGITAL. ( Histogram Citra ) Disusun Oleh : : 1. Agus Riyanto (2111T0238) 2. M. Yazid Nasrullah ( 2111T0233 )
MAKALAH PENGOLAHAN CITRA DIGITAL ( Histogram Citra ) Disusun Oleh : Nama : 1. Agus Riyanto (2111T0238) 2. M. Yazid Nasrullah ( 2111T0233 ) Jurusan : Tehnik Informatika ( Semester VI ) Kampus : STIMIK HIMSYA
Lebih terperinci