JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 1
|
|
- Suryadi Budiono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 1 Implementasi Pengklasifikasi Segmen Vaskular Retina Mata dengan Metode M-Mediods Multivariat Wilda Imama Sabilla, Chastine Fatichah, dan Rully Soelaiman Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya Indonesia rully@if.its.ac.id Abstrak Neovaskularisasi adalah berkembangnya pembuluh darah baru di dalam mata. Pembuluh darah ini merupakan pembuluh darah abnormal yang memiliki dinding pembuluh tipis, lemah, dan mudah pecah. Neovaskularisasi beresiko menyebabkan kebutaan, oleh karena itu dibutuhkan deteksi dini neovaskularisasi. Neovaskularisasi terbentuk pada berbagai lokasi di dalam mata termasuk pada retina, sehingga citra retina dapat digunakan untuk mendeteksi neovaskularisasi. Pendeteksian dilakukan dengan mengklasifikasikan segmen vaskular retina mata sebagai segmen vaskular normal atau abnormal. Tugas Akhir ini akan mengimplementasikan pengklasifikasi segmen vaskular retina mata dengan menggunakan metode m- Mediods multivariat. Sebelum dilakukan klasifikasi, terlebih dahulu dilakukan praproses dengan metode masking. Selanjutnya dilakukan segmentasi pembuluh darah pada citra retina, serta ekstraksi ciri untuk menghasilkan vektor fitur yang digunakan sebagai pembeda segmen vaskular normal dan abnormal. Berdasarkan uji coba, metode praproses dan segmentasi yang digunakan menghasilkan akurasi segmentasi mencapai 95,04%. Sedangkan metode pengklasifikasi telah berhasil melakukan klasifikasi dengan akurasi hingga 96.2%. Sehingga metode yang digunakan pada Tugas Akhir ini relatif handal dalam melakukan segmentasi dan klasifikasi. Kata Kunci Klasifikasi, m-mediods Multivariat, Segmentasi, Vaskular Retina. N I. PENDAHULUAN EOVASKULARISASI adalah berkembangnya pembuluh darah baru di dalam mata. Pembuluh darah baru yang berkembang merupakan pembuluh darah yang abnormal, memiliki dinding pembuluh yang tipis, lemah, dan mudah pecah [1]. Ketika pembuluh darah ini pecah, akan terjadi pendarahan pada daerah mata dan dapat berakibat pada kebutaan. Oleh karena itu diperlukan pendeteksian dini terhadap keberadaan neovaskularisasi untuk mengurangi resiko kebutaan. Neovaskularisasi dapat terbentuk pada berbagai lokasi di dalam mata termasuk pada retina, sehingga citra retina dapat digunakan untuk mendeteksi neovaskularisasi. Pendeteksian dilakukan dengan mengklasifikasikan segmen vaskular retina mata sebagai segmen vaskular normal atau abnormal. Mata sehat hanya memiliki segmen vaskular normal, sedangkan pada mata yang tidak sehat akan ditemui segmen vaskular abnormal. Salah satu metode pengklasifikasi yang dapat digunakan adalah m-mediods multivariat. M-Mediods multivariat dapat digunakan untuk data yang memiliki jarak antar kelas yang sangat dekat dan setiap kelas dapat memiliki beberapa distribusi yang berbeda. Untuk memperkecil jarak data dalam suatu kelas dan memperlebar jarak data antar kelas dilakukan perbaikan ruang fitur. M-Mediods multivariat juga dapat memfasilitasi adanya distribusi yang berbeda dalam suatu kelas menggunakan beberapa perwakilan data (mediods) [2]. Tugas Akhir ini mengimplementasikan pengklasifikasi segmen vaskular retina mata dengan metode m-mediods multivariat. Sebelum dilakukan klasifikasi, terlebih dahulu dilakukan praproses dan segmentasi. Terdapat beberapa metode praproses dan segmentasi yang telah ditawarkan. Soares dkk [10] menggunakan metode praproses dengan perluasan area objek retina. Sedangkan metode segmentasi yang digunakan adalah metode supervised dengan menerapkan 2-D Morlet wavelet dan Gaussian mixture model Bayesian classifier. Di lain pihak Fraz dkk [11] menggunakan metode segmentasi dengan menggunakan First-order Derivative of Gaussian (FoDoG) yang dikombinasikan dengan bentuk pembuluh darah dan peta orientasi. Tugas Akhir ini menggunakan metode praproses dan segmentasi yang berbeda. Praproses dilakukan dengan metode masking untuk memisahkan antara latar belakang gambar dan objek retina. Selanjutnya dilakukan segmentasi pembuluh darah pada citra retina, serta ekstraksi ciri untuk menghasilkan vektor fitur yang digunakan sebagai pembeda segmen vaskular normal dan abnormal. Bagian selanjutnya dari makalah ini tersusun dari Metodologi Penelitian dalam bagian 2, pembahasan kinerja dari metode untuk beberapa skenario dalam Uji Coba dan Analisis Hasil pada bagian 3, serta Kesimpulan pada bagian 4. II. METODOLOGI PENELITIAN Pada bagian ini akan dibahas dataset yang digunakan pada Tugas Akhir ini. Metode yang digunakan juga akan dibahas yang terdiri dari empat bagian, yaitu praproses citra, segmentasi vaskular retina, ekstraksi fitur vaskular retina, dan klasifikasi segmen vascular. A. Dataset Terdapat dua dataset citra retina yang digunakan pada Tugas Akhir ini, yaitu dataset DRIVE dan STARE.
2 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 2 Gambar. 1. Gambaran umum praproses dan segmentasi vaskular retina 1) Dataset DRIVE Dataset DRIVE merupakan dataset yang terdiri dari 40 buah citra retina dalam format RGB dan citra ground truth dari 40 buah citra RGB tersebut. Citra dalam dataset DRIVE tidak memiliki label kelas [3]. 2) Dataset STARE Dataset STARE merupakan dataset yang terdiri dari 400 buah citra retina dalam format RGB. Pada dataset ini terdapat berbagai kelas label untuk masing-masing citra, yaitu kelas normal dan kelas penyakit pada retina. Data yang akan digunakan adalah data yang terdapat pada kelas normal dan Proliferative Diabetic Retinopathy (PDR) yang menyebabkan vaskular abnormal. Sehingga hanya 53 citra dari dataset ini yang digunakan sebagai data masukan dalam penelitian ini [4]. B. Praproses Citra Praproses citra merupakan suatu proses yang dilakukan untuk memperbaiki citra retina sebelum citra digunakan pada tahap selanjutnya. Praproses dilakukan menggunakan metode masking, yaitu proses untuk memisahkan objek retina (foreground) dan latar belakang gambar (background). Pemisahan ini perlu dilakukan karena background citra retina tidak benar-benar hitam sehingga memungkinkan dianggap sebagai objek. Masking terdiri dari dua tahap, yakni thresholding dan shrinking. Thresholding Thresholding mengharuskan citra masukan dalam format grayscale. Metode thresholding kemudian akan mengubah citra masukan menjadi citra biner. Suatu piksel citra yang skala keabuannya kurang dari threshold akan dianggap sebagai background yang berwarna hitam. Sedangkan piksel citra yang skala keabuannya lebih dari atau sama dengan threshold merupakan objek yang berwarna putih [5]. Shrinking Guna memperbaiki FOV (field of view) untuk proses selanjutnya, dibutuhkan penyusutan citra biner hasil masking (shrinking). Shrinking dilakukan dengan operasi morfologi erosi [5]. Gambar. 2. Gambaran umum proses ekstraksi fitur vaskular C. Segmentasi Vaskular Retina Klasifikasi segmen vaskular retina menggunakan bagian pembuluh darah tanpa membutuhkan bagian lain pada retina. Karena data citra yang dijadikan masukan berupa citra retina keseluruhan dengan semua bagian masih ada, maka dibutuhkan suatu metode untuk mengekstrak bagian pembuluh darah dari citra retina keseluruhan yaitu menggunakan segmentasi vaskular retina. Segmentasi vaskular retina dilakukan dengan mengimplementasikan transformasi wavelet yakni Isotropic Undecimated Wavelet Transform, thresholding, dan cleaning. Isotropic Undecimated Wavelet Transform Isotropic Undecimated Wavelet Transform (IUWT) mempertahankan konstruksi filter bank pada bi-orthogonal wavelet transform (DWT) dengan mengeliminasi tahap penipisan (decimation). IUWT menggunakan Persamaan 1 hingga Persamaan 3 untuk analisis scaling dan fungsi wavelet. ( ) ( ) (1) ( ) ( ) ( ) (2) ( ) ( ) ( ) (3) dimana ( ) adalah spline dari order 3, dan fungsi wavelet didefinisikan sebagai perubahan antara dua resolusi [6]. Masukan dari proses ini adalah citra masking dan citra retina dalam grayscale. Hasil akhir dari proses ini berupa citra grayscale retina dengan bagian vascular yang dipertajam. Thresholding Metode thresholding digunakan untuk menghasilkan citra biner vaskular retina dari citra hasil transformasi wavelet, dimulai dengan menentukan prosentase piksel yang ingin dipertahankan sebagai segmen vaskular. Jika pada citra hasil wavelet menunjukkan bahwa piksel yang berupa segmen vaskular lebih gelap daripada piksel lainnya, maka piksel dengan intensitas gelap akan dianggap sebagai segmen vaskular sebanyak prosentase yang telah ditentukan. Jika yang
3 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 3 terjadi sebaliknya, maka yang dianggap sebagai segmen vaskular adalah piksel dengan intensitas terang [9]. Cleaning Citra hasil thresholding belum sepenuhnya baik, karena terdapat beberapa objek berukuran kecil yang terlihat seperti derau. Agar citra segmentasi lebih baik dilakukan cleaning, yaitu metode pembersihan agar citra hasil segmentasi menyisakan objek-objek yang merupakan pembuluh darah dan menghapus objek lainnya. Terdapat dua hal yang dilakukan pada proses cleaning, yaitu menghapus objek kecil dan mengisi lubang (hole) kecil [9]. D. Ekstraksi Fitur Vaskular Retina Sebuah sistem membutuhkan beberapa properti untuk membedakan segmen vaskular normal dan abnormal. Agar segmen vaskular retina dapat diklasifikasikan ke dalam kelas normal ataupun abnormal, dibutuhkan himpunan fitur yang mewakili setiap segmen kandidat. Segmen vaskular retina adalah bagian pembuluh darah tertentu yang berada pada region of interest (ROI) dengan luas jendela. ROI berupa citra hasil segmentasi, luas jendela yang digunakan adalah luas sebuah citra hasil segmentasi. Sedangkan segmen kandidat adalah segmen vaskular pada citra hasil segmentasi yang dipertimbangkan untuk ekstraksi fitur atau klasifikasi [7]. Setiap segmen kandidat dianggap sebagai sampel untuk klasifikasi dan direpresentasikan oleh sebuah vektor fitur. Jika sebuah citra retina terdiri dari segmen vaskular kandidat, maka citra retina dapat direpresentasikan sebagai * + dimana adalah vektor fitur untuk segmen kandidat ke-j dengan m fitur, sehingga * +. Fitur-fitur yang digunakan untuk klasifikasi segmen vaskular normal dan abnormal dari citra biner hasil segmentasi adalah area ( ), energy ( ), mean gradient ( ), standard deviation gradient ( ), mean intensity ( ), intensity variation ( ), dan vessel segment ( ) [7]. Area Area yaitu jumlah piksel yang merupakan pembuluh darah di dalam jendela. Pembuluh darah normal memiliki area yang lebih luas dibandingkan pembuluh darah abnormal. Energy Energy yaitu intensitas dari piksel pembuluh darah pada segmen kandidat. Pembuluh darah normal cenderung lebih terang dibandingkan dengan pembuluh darah abnormal pada inverse green channel citra. Mean Gradient Mean gradient adalah nilai rataan gradient magnitude dari piksel pembuluh darah pada segmen kandidat. Sebelumnya, nilai green channel dari citra retina akan dihitung dengan gradient magnitude. Standard Deviation Gradient Standard deviation gradient adalah standar deviasi dari gradient magnitude dari piksel pembuluh darah pada segmen kandidat. Gambar. 3. Gambaran umum proses klasifikasi segmen vaskular Mean Intensity Mean intensity adalah normalisasi dari nilai mean intensity piksel pembuluh darah pada segmen kandidat. Normalisasi intensitas diperoleh dengan operasi pengurangan mean intensity dengan nilai intensitas tiap piksel, kemudian dibagi dengan standard deviation intensity. Hasil akhir dari mean intensity adalah rataan dari normalisasi intensitas. Intensity Variation Intensity variation adalah perbandingan antara mean intensity dan standard deviation intensity pada segmen kandidat yang telah diperoleh sebelumnya pada proses penghitungan mean intensity. Vessel Segment Vessel segment adalah jumlah segmen pembuluh darah pada kandidat segmen. Jumlah segmen ditentukan dengan menggunakan connected component analysis. Pembuluh darah abnormal biasanya memiliki jumlah segmen yang lebih banyak dibandingkan pembuluh darah normal. E. Klasifikasi Segmen Vaskular Algoritma klasifikasi dimulai dengan memodelkan segmen vaskular normal dan abnormal berdasarkan data yang sudah diketahui kelasnya. Kemudian model yang dibuat tersebut akan dipakai untuk mengenali segmen vaskular yang belum diketahui kelasnya. Metode pengklasifikasi yang digunakan adalah metode m- Mediods Multivariat. Algoritma ini terdiri dari dua bagian, yaitu perbaikan representasi ruang fitur dengan menggunakan Local Fisher Discriminant Analysis (LFDA) serta pemodelan dan pengenalan dengan menggunakan Learning Vector Quantization (LVQ). Local Fisher Discriminant Analysis Local Fisher Discriminant Analysis (LFDA) merupakan pendekatan klasifikasi yang ditawarkan untuk meningkatkan representasi ruang fitur dengan mengembangkan transformasi supervised. Peningkatan representasi ruang fitur ini dilakukan dengan meningkatkan kesamaan antar data atau objek pada satu kelas (intra class similarity) dan mengurangi kesamaan antar objek yang terdapat pada kelas berbeda (inter class similarity) [7]. Jika * + adalah himpunan n sampel pelatihan yang memiliki c kelas pembuluh darah * +. Scatter matrix dalam kelas (within) dan antarkelas (between) masing-masing dihitung dengan Persamaan 4 dan Persamaan 5. ( ) (4)
4 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 4 ( ) (5) Dimana adalah fungsi jarak Euclidean dan serta akan dijelaskan pada Persamaan 6 dan Persamaan 7. { ( ) (6) { ( ) ( ) Dengan adalah jumlah keanggotaan (membership count) dari kelas dan adalah jarak rata-rata dari sampel dengan k tetangga terdekat. Nilai dari k ditentukan secara empirik dan diatur untuk k=7 [7]. Representasi ruang koefisien berdasarkan LFDA dihasilkan dengan melakukan generalisasi dekomposisi nilai eigen dari dimana adalah generalisasi nilai eigen dan adalah vektor eigen, adalah scatter matrix within, dan adalah scatter matrix between. Peningkatan kualitas dari representasi ruang fitur segmen pembuluh darah dengan localized Fisher discriminant direction diperoleh dengan menggunakan persamaan * + dimana * + adalah vektor eigen yang disusun mulai dari nilai terbesar menuju nilai terkecil (descending) dengan nilai eigen * + [7]. Learning Vector Quantization Learning Vector Quantization (LVQ) adalah salah satu varian dari neural network yang mengombinasikan pembelajaran kompetitif dengan supervisi. LVQ terdiri atas lapisan (layer) kompetitif, termasuk subnet kompetitif dan layer linier. Pada layer kompetitif atau dapat disebut hidden layer, setiap neuron diberikan kepada sebuah kelas. Beberapa neuron pada layer kompetitif dapat berada pada kelas yang sama. Setiap neuron pada layer kompetitif yang memiliki kelas yang sama tersebut akan dipetakan sebuah neuron pada layer linier. Jumlah neuron pada layer kompetitif, Q, setidaknya memiliki jumlah yang sama atau lebih besar dari jumlah neuron pada layer kedua, M [8]. Pada metode klasifikasi m-mediods multivariat jumlah neuron pada layer kompetitif atau hidden layer mewakili jumlah mediods. Sehingga mediods juga akan mewakili jumlah sub kelas dari kelas yang ada. Hidden layer pada jaringan LVQ berguna untuk melakukan pengelompokan ke dalam berbagai sub kelas sebelum nantinya objek atau data ddddd Tabel 1. Tetapan parameter uji coba kebenaran hasil segmentasi Proses Parameter Tetapan parameter Masking Threshold Segmentasi Level wavelet 2 dan 3 Threshold 0.2 min_object_size 0,05% min_holes_size 0,05% (7) Gambar. 4. Struktur jaringan Learning Vector Quantization diklasifikasikan berdasarkan kelas yang ada. Sebelum masuk ke hidden layer, terlebih dahulu data direpresentasikan sebagai input layer. III. UJI COBA DAN ANALISIS HASIL A. Uji Coba Kebenaran Hasil Segmentasi Data yang digunakan pada tahap uji coba kebenaran hasil segmentasi ini menggunakan 40 buah citra retina dari basis data DRIVE, berupa citra dalam format RGB dan citra ground truth. Uji coba dimulai dengan mengubah citra dalam ruang RGB menjadi citra biner hasil segmentasi dengan menggunakan metode praproses yaitu masking dan metode segmentasi. Beberapa nilai parameter yang digunakan untuk uji coba kebenaran hasil segmentasi menggunakan citra retina dari basis data DRIVE dan STARE telah ditetapkan sebagaimana yang ditunjukkan pada Tabel 1. Uji coba dilakukan dengan menghitung nilai akurasi, yaitu jumlah piksel dengan nilai sama antara citra hasil segmentasi dan citra ground truth. Berdasarkan hasil pengujian, nilai ratarata akurasi untuk 40 citra berdasarkan citra ground truth adalah 95,04%. Hasil uji coba ini juga akan dibandingkan dengan metode yang ditawarkan oleh Soares dkk [10] dan Fraz dkk [11] seperti yang ditunjukkan pada Tabel 2. Berdasarkan Tabel 2, akurasi yang diperoleh menggunakan metode yang digunakan pada Tugas Akhir ini lebih tinggi dibandingkan metode lainnya. Hal ini menunjukkan bahwa alur dari metode praproses dan segmentasi yang digunakan benar, sehingga citra segmentasi yang dihasilkan mampu mencapai akurasi yang sama baiknya dengan metode lainnya. B. Uji Coba Hasil Klasifikasi Segmen Vaskular data testing pada basis data STARE. Error adalah jumlah data yang mengalami kesalahan klasifikasi. Data training yang digunakan adalah 20 data training optimal, 24 data training optimal, 20 data training tidak optimal, dan 24 data training tidak optimal. 24 data training optimal diperoleh berdasarkan uji coba klasifikasi menggunakan LVQ yang memiliki nilai ddddd Tabel 2. Perbandingan akurasi metode segmentasi Metode Akurasi (%) Soares dkk 94,66 Fraz dkk 94,30 Metode yang ditawarkan 95,04
5 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 5 Tabel 3. Hasil klasifikasi dengan menggunakan 24 data training optimal Prediksi Kenyataan Abnormal Normal Abnormal 17 0 Normal 2 34 error terkecil. Sedangkan 20 data merupakan subset dari 24 data. Uji coba dilakukan dengan 20 kali perulangan agar hasil klasifikasi lebih akurat. 1) Uji Coba Kebenaran Klasifikasi Segmen Vaskular vektor fitur yang telah direduksi menghasilkan vektor fitur sejumlah 3 dimensi, menggunakan 12 buah mediods atau neuron pada hidden layer LVQ, dan learning rate sebesar 0,1. Berdasarkan uji coba, 24 data training optimal dan 20 data training menghasilkan nilai error terkecil yaitu 3,77%. Hasil klasifikasi dari data testing ditunjukkan pada Tabel 3 dan Gambar 5. Pada Tabel 3 terdapat 2 buah data dengan kelas abnormal yang terdeteksi sebagai kelas normal. 2) Uji Coba Kebenaran Klasifikasi Segmen Vaskular Berdasarkan Jumlah Dimensi Hasil Reduksi data testing. Data training yang digunakan untuk uji coba adalah 24 data training optimal dan 24 data training tidak optimal dengan reduksi dimensi sejumlah 3 dimensi, 4 dimensi, 5 dimensi, dan 6 dimensi. Uji coba ini bertujuan untuk mengetahui pengaruh perubahan dimensi hasil reduksi terhadap nilai error. vektor fitur yang telah direduksi menggunakan 12 buah mediods atau neuron pada hidden layer LVQ, dan learning rate sebesar 0,1. Berdasarkan hasil uji coba, perubahan reduksi dimensi tidak berpengaruh pada data training yang optimal, nilai error terbaik yang diperoleh sama yaitu 3,77% baik untuk reduksi 3 dimensi, 4 dimensi, 5 dimensi, maupun 6 dimensi. Sedangkan untuk data training yang tidak optimal, terdapat kecenderungan semakin banyak dimensi maka semakin kecil error. 3) Uji Coba Kebenaran Klasifikasi Segmen Vaskular Berdasarkan Jumlah Mediods (a) (b) (c) Gambar. 5. (a) Citra vaskular normal yang diprediksi normal (b) Citra vaskular abnormal yang diprediksi abnormal (c) Citra vaskular abnormal yang diprediksi normal data testing. Data training yang digunakan untuk uji coba adalah 24 data training optimal dan 24 data training tidak optimal dengan dimensi hasil reduksi sejumlah 3 dimensi. Uji coba ini bertujuan untuk mengetahui pengaruh perubahan jumlah mediods terhadap nilai error. vektor fitur yang telah direduksi dengan mengubah jumlah mediods atau neuron pada hidden layer LVQ, dan learning rate yang digunakan sebesar 0,1. Berdasarkan hasil uji coba, perubahan jumlah mediods tidak berpengaruh pada data training yang optimal, nilai error terbaik yang diperoleh sama yaitu 3,77% baik untuk jumlah mediods sebanyak 6 buah, 8 buah, 10 buah, maupun 12 buah. Sedangkan untuk data training yang tidak optimal, terdapat kecenderungan nilai error akan menurun seiring dengan bertambahnya jumlah mediods. 4) Uji Coba Kebenaran Klasifikasi Segmen Vaskular Berdasarkan Nilai Learning Rate data testing. Data training yang digunakan untuk uji coba adalah 24 data training optimal dan 24 data training tidak optimal dengan dimensi hasil reduksi sejumlah 3 dimensi. Uji 0.06 Nilai Error Minimum dari 24 Data Optimal 0.14 Nilai Error Minimum dari 24 Data Tidak Optimal Error Minimum Error Minimum Learning Rate Gambar. 6. Nilai minimum learning rate untuk 24 data optimal Learning Rate Gambar. 7. Nilai minimum learning rate untuk 24 data tidak optimal
6 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 6 Tabel 4. Waktu eksekusi yang dibutuhkan suatu citra untuk berbagai jumlah mediods Jumlah mediods Running time (detik) 6 mediods mediods mediods mediods coba ini bertujuan untuk mengetahui pengaruh perubahan learning rate terhadap nilai error. vektor fitur yang telah direduksi menggunakan 12 buah mediods atau neuron pada hidden layer LVQ, dan learning rate yang akan diubah-ubah antara 0,01 hingga 0,1. Uji coba kebenaran klasifikasi segmen vaskular normal dan abnormal diulang sebanyak 10 percobaan, nilai error terbaik dari 10 percobaan tersebut akan digunakan untuk analisis sehingga menghasilkan grafik yang ditunjukkan pada Gambar 6 dan Gambar 7. Berdasarkan hasil uji coba, nilai learning rate dapat mempengaruhi nilai error, dengan nilai learning rate terbaik berada sekitar nilai 0,1. C. Uji Coba Waktu Eksekusi Uji coba waktu eksekusi dilakukan untuk mengetahui waktu yang dibutuhkan suatu citra hingga dapat dihasilkan output berupa label kelas. Uji coba dilakukan dengan menghitung running time menggunakan sebuah citra tertentu pada tahap praproses, segmentasi, ekstraksi fitur dan pengenalan (testing). Sedangkan untuk bagian training digunakan 24 data training. Uji coba waktu eksekusi menggunakan berbagai jumlah mediods pada training LVQ. Berdasarkan uji coba, waktu yang dibutuhkan suatu citra untuk untuk menjalani semua proses dalam perangkat lunak adalah antara 13 detik hingga 37 detik seperti yang ditunjukkan pada Tabel 4. IV. KESIMPULAN Dari uji coba yang telah dilakukan dan berdasarkan analisis hasil pengujian terhadap sistem ini, dapat diambil beberapa kesimpulan, antara lain: Metode praproses dan metode segmentasi segmen vaskular yang digunakan telah memiliki alur proses yang benar, terbukti dengan nilai akurasi yang lebih baik dibandingkan dengan metode segmentasi yang telah ada sebelumnya. Metode praproses dan metode segmentasi segmen vaskular dengan transformasi wavelet IUWT relatif handal, terbukti dengan hasil akurasi sebesar 95,04% untuk hasil segmentasi berdasarkan citra ground truth dari basis data DRIVE. Metode klasifikasi dengan m-mediods multivariat dapat memodelkan dan mengenali segmen vaskular retina dengan baik, terbukti dengan nilai error akurasi hanya 3,77% untuk 53 data dari basis data STARE. Untuk data training optimal, perubahan nilai dimensi reduksi dan jumlah mediods tidak mempengaruhi hasil akurasi. Subset dari data training optimal juga dapat menghasilkan hasil klasifikasi yang baik yang sama baik dengan data training optimal. Nilai learning rate dapat mempengaruhi hasil akurasi, learning rate terbaik berada pada sekitar nilai 0.1. Waktu eksekusi yang dibutuhkan untuk sebuah citra dapat dideteksi sebagai citra normal atau abnormal antara 13 detik hingga 37 detik. UCAPAN TERIMA KASIH Penulis W.I.S. mengucapkan puji syukur kepada Allah SWT yang melimpahkan rahmat dan hidayah-nya sehingga penulis dapat menyelesaikan penilitian dengan lancar. Penulis juga mengucapkan terima kasih kepada Bapak Rully Soelaiman dan Ibu Chastine Fatichah yang telah banyak membantu penulis dalam menyelesaikan penelitian ini. Penulis juga mengucapkan terima kasih kepada pihak-pihak lain yang turut membantu terselesaikannya penelitian ini. [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] DAFTAR PUSTAKA crvo_my, "Neovascularization", Central Retinal Vein Occlusion, [Online]. Available: n. [Accessed 21 Februari 2014]. Shahid Razzaq Shehzad Khalid, "Frameworks for multivariate m- Mediods based modeling and classification in Euclidean and general feature spaces," Pattern Recognition, vol. 45, no. 3, pp , Maret J.J. Staal, M.D. Abramoff, M. Niemeijer, M.A. Viergever, B. van Ginneken, "Ridge based vessel segmentation in color images of the retina", IEEE Transactions on Medical Imaging, 2004, vol. 23, pp Hoover, STARE database, [Online]. Available: [Accessed 5 Februari 2014]. Wikipedia, Erosion (morphology), Wikipedia, 8 Juni [Online]. Available: [Accessed 20 Februari 2014]. Jean-Luc Starck, Jalal Fadili, Fionn Murtagh, The Undecimated Wavelet Decomposition and its Reconstruction, IEEE Transaction on Image Processing, vol. 16, pp , Februari Shehzad Khalid, Anam Tariq, M. Younus Javed M. Usman Akram, "Detection of neovascularization in retinal images using multivariate m- Mediods based classifier," Journal Computerized Medical Imaging and Graphics, vol. 37, no. 5-6, pp , September K. Ming Leung, Learning Vector Quantization, Department of Computer and Information Science, Polytechnic University, New York, April Pete Bankhead, ARIA: Automated Retinal Image Analyzer v1.0, Centre for Vision and Vascular Science, Queen's University of Belfast, UK, Desember J.V.B. Soares, J.J.G. Leandro, R.M. Cesar, H.F. Jelinek, M.J. Cree, Retinal vessel segmentation using the 2-D Gabor wavelet and supervised classification, IEEE Transactions on Medical Imaging, vol. 25, pp , M.M. Fraz, P. Remagnino, A. Hoppe, B. Uyyanonvara, Christopher G. Owen, Alicja R. Rudnicka, S.A. Barman, Retinal Vessel Extraction Using First-Order Derivative of Gaussian and Morphological Processing, Springer-Verlag, pp , 2010.
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih 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 terperinciANALISIS DAN PERANCANGAN SISTEM
ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Dalam mengetahui suatu bahan jenis kulit cukup sulit karena bahan jenis kulit memeliki banyak jenis. Setiap permukaan atau tekstur dari setiap jenisnya
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 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 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 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 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 terperinciIMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI
Royani Darma Nurfita, Gunawan Ariyanto, Implementasi Deep Learning Berbasis Tensorflow Untuk Pengenalan Sidik Jari IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI Royani Darma
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 II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
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 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 terperinciDETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ. Muhammad Imron Rosadi 1
DETEKSI PLAT KENDARAAN MENGGUNAKAN HOG DAN LVQ Muhammad Imron Rosadi 1 Prodi Teknik Informatika, Universitas Yudharta Pasuruan Purwosari 67162 Pasuruan Jawa Timur 1 Email : Imron_uyp@yahoo.com ABSTRAK
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
Lebih terperinciKlasifikasi Tingkat Keparahan Non- ProliferativeI Diabetic Retinopathy Bedarsarkan Hard Exudate Menggunakan Extreme Learning Machine
JURNAL SAINS DAN SENI POMITS Vol. 6, No.2, (2017) 2337-3520 (2301-928X Print) A 89 Klasifikasi Tingkat Keparahan Non- ProliferativeI Diabetic Retinopathy Bedarsarkan Hard Exudate Menggunakan Extreme Learning
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap
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 terperinciIMPLEMENTASI EKSTRAKSI PEMBULUH RETINA DENGAN METODE MATCHED FILTER DAN FIRST-ORDER DERIVATIVE OF GAUSSIAN
IMPLEMENTASI EKSTRAKSI PEMBULUH RETINA DENGAN METODE MATCHED FILTER DAN FIRST-ORDER DERIVATIVE OF GAUSSIAN Firda Nur Safira 1, Handayani Tjandrasa 2, Arya Yudhi Wijaya 3 Jurusan Teknik Informatika, Fakultas
Lebih terperinciPENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG)
PENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG) Zaenal Abidin Jurusan Matematika Universitas Negeri Semarang Kampus Sekaran
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE
PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE Widodo Muda Saputra, Helmie Arif Wibawa, S.Si, M.Cs, dan Nurdin Bahtiar, S.Si, M.T Fakultas Sains dan Matematika, Jurusan Ilmu Komputer
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciAPLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK
APLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK Wiratmoko Yuwono Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya-ITS Jl. Raya ITS, Kampus ITS, Sukolilo Surabaya 60111
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Perancangan sistem dimulai dari penempatan posisi kamera dengan posisi yang
23 BAB 3 PERANCANGAN SISTEM 3.1 Deskripsi Sistem Perancangan sistem dimulai dari penempatan posisi kamera dengan posisi yang sesuai kemudian dihubungkan dengan komputer yang akan mengolah gambar seperti
Lebih terperinciPendahuluan. Desain & Implementasi. Uji coba & Evaluasi. Kesimpulan
1 Pendahuluan Desain & Implementasi Uji coba & Evaluasi Kesimpulan 2 Latar Belakang Evaluasi performa: Mengukur kualitas algoritma Evaluasi algoritma deteksi struktur garis lengkung 3 Struktur garis lengkung
Lebih terperinciTraffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel
1 Traffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel Andi Muhammad Ali Mahdi Akbar, Arief Kurniawan, Ahmad Zaini Jurusan Teknik Elektro, Fakultas Teknik Industri Institut
Lebih 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 terperinciBAB 3 IMPLEMENTASI SISTEM
BAB 3 IMPLEMENTASI SISTEM Bab ini akan membahas mengenai proses implementasi dari metode pendeteksian paranodus yang digunakan dalam penelitian ini. Bab ini terbagai menjadi empat bagian, bagian 3.1 menjelaskan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector
BAB III METODOLOGI PENELITIAN 3.1 Metode Penelitian Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) untuk pengenalan wajahterdiri dari empat metodologi penelitian,
Lebih terperinciPengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector Quantization
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3, Maret 2018, hlm. 1313-1317 http://j-ptiik.ub.ac.id Pengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector
Lebih 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 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 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 terperinciBAB II TINJAUAN PUSTAKA. yang revelan dengan penelitian yang akan. antara metode Kohonen Neural Network dengan metode Learning ng Vector
BAB II TINJAUAN PUSTAKA Pada Bab ini akan menjelaskan tentang teori-teori o i serta hasil penelitian yang revelan dengan penelitian yang akan an dilakukan. an. A. Tinjauan an Pustaka Prabowo, o, Sarwoko
Lebih terperinciSegmentasi Pembuluh Darah Retina Pada Citra Fundus Menggunakan Gradient Based Adaptive Thresholding Dan Region Growing Deni Sutaji 1, Chastine Fatichah 2, dan Dini Adni Navastara 3 1 Teknik Informatika
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 terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
Lebih terperinciImplementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector Machine
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-346 Implementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector
Lebih terperinci1. BAB I PENDAHULUAN Latar Belakang
1 1. BAB I PENDAHULUAN Latar Belakang Iris mata merupakan salah satu organ internal yang dapat di lihat dari luar. Selaput ini berbentuk cincin yang mengelilingi pupil dan memberikan pola warna pada mata
Lebih terperinciPENGOLAHAN CITRA DIGITAL UNTUK MENGKLASIFIKASI GOLONGAN KENDARAAN DENGAN METODE PARAMETER DASAR GEOMETRIK
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 115 PENGOLAHAN CITRA DIGITAL UNTUK MENGKLASIFIKASI GOLONGAN KENDARAAN DENGAN METODE PARAMETER DASAR GEOMETRIK (IMAGE PROCESSING
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 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 terperinciImplementasi Metode Watershed Transformation Dalam Segmentasi Tulisan Aksara Bali Berbasis Histogram
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Implementasi Metode Watershed Transformation Dalam Segmentasi Tulisan Aksara Bali Berbasis Histogram Komang Budiarta,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi berisi tahapan-tahapan yang dilakukan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan
1 BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Indonesia merupakan negara berkembang yang memiliki jumlah penduduk yang cukup banyak. Menurut hasil sensus penduduk tahun 2010 yang dikeluarkan
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras 3.1.1 Diagram Blok Sistem Rancangan perangkat keras dari aplikasi pengenalan wajah ini dapat dilihat pada diagram blok Gambar 3.1 sebagai berikut
Lebih terperinciHUBUNGAN JUMLAH INPUT LAYER DAN OUTPUT LAYER NEURAL NETWORK TERHADAP TINGKAT AKURASI SISTEM HANDWRITING RECOGNITION DENGAN METODE BACKPROPAGATION
HUBUNGAN JUMLAH INPUT LAYER DAN OUTPUT LAYER NEURAL NETWORK TERHADAP TINGKAT AKURASI SISTEM HANDWRITING RECOGNITION DENGAN METODE BACKPROPAGATION Harjono, Didik Warasto Politeknik Pratama Mulia Surakarta
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 terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini dilakukan eksperimen sebanyak dua kali. Eksperimen pertama dilakukan untuk menguji keberhasilan klasifikasi ROI ke dalam jenis keabnormalan,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini teknologi sudah semakin berkembang, hal ini tentunya memberi pengaruh juga dalam berkembangnya ilmu pengetahuan. Perkembangan tersebut juga berpengaruh pada
Lebih terperinciAnalisis dan Perancangan Transformasi Wavelet. Untuk Jaringan Syaraf Tiruan pada. Pengenalan Sidik Jari
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap 2005 / 2006 Analisis dan Perancangan Transformasi Wavelet Untuk Jaringan Syaraf Tiruan pada Pengenalan Sidik
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 terperinciJURNAL TEKNOLOGI TECHNOSCIENTIA ISSN: Vol. 7 No. 2 Februari 2015
IMPLEMENTASI SEGMENTASI PEMBULUH DARAH RETINA PADA CITRA FUNDUS MATA BERBASIS HISTOGRAM EQUALIZATION DAN 2D-GABOR FILTER Fahmi Arya Wicaksono 1 Program Studi Teknik Informatika, Universitas Trunojoyo Madura
Lebih terperinciAPLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
APLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu
Lebih terperinciDETEKSI NOMINAL MATA UANG DENGAN JARAK EUCLIDEAN DAN KOEFISIEN KORELASI
DETEKSI NOMINAL MATA UANG DENGAN JARAK EUCLIDEAN DAN KOEFISIEN KORELASI Marina Gracecia1, ShintaEstriWahyuningrum2 Program Studi Teknik Informatika Universitas Katolik Soegijapranata 1 esthergracecia@gmail.com,
Lebih terperinciIdentifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ)
Identifikasi Tanaman Buah Berdasarkan Fitur Bentuk, Warna dan Tekstur Daun Berbasis Pengolahan Citra dan Learning Vector Quantization(LVQ) Sutarno Rouzan Fiqri Abdullah Rossi Passarella Jurusan Sistem
Lebih terperinciWatermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital
JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2014) 1-6 1 Watermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital Latifatul Machbubah, Drs. Soetrisno, MI.Komp Jurusan Matematika, Fakultas
Lebih terperinciBAB III METODE PENELITIAN. tangan dengan menggunakan metode Support Vector Machine (SVM).
BAB III METODE PENELITIAN 3.1 Desain Penelitian Di dalam desain penelitian ini akan menggambarkan proses pengenalan tulisan tangan dengan menggunakan metode Support Vector Machine (SVM). Praproses Input
Lebih terperinciANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR
ANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR Gibtha Fitri Laxmi 1, Puspa Eosina 2, Fety Fatimah 3 1,2,3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciBulu mata. Generalisasi= Jumlah pola dikenali dengan benar x 100% Jumlah total pola
Generalisasi Hasil penelitian ini diukur menggunakan nilai konvergen dan generalisasi. Nilai konvergen adalah tingkat kecepatan jaringan untuk mempelajari pola input yang dinyatakan dalam satuan iterasi
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman
BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciPengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature
Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Dosen Pembimbing : 1) Prof.Dr.Ir. Mauridhi Hery Purnomo M.Eng. 2) Dr. I Ketut Eddy Purnama ST., MT. Oleh : ATIK MARDIYANI (2207100529)
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN SISTEM
BAB 3 ANALISA DAN PERANCANGAN SISTEM 3.1 Analisa Program Aplikasi Dalam proses identifikasi karakter pada plat nomor dan tipe kendaraan banyak menemui kendala. Masalah-masalah yang ditemui adalah proses
Lebih terperinciDETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL
DETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL Muhammad Affandes* 1, Afdi Ramadani 2 1,2 Teknik Informatika UIN Sultan Syarif Kasim Riau Kontak Person : Muhammad
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Modified k-nearest Neighbor untuk mengidentifikasi diabetic retinopathy.
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 1 Operator descriptor
Tabel 1 Operator descriptor Operator (P, R) Ukuran Blok (piksel) Kuantisasi Sudut (8, 1) 3 x 3 45 derajat (8, 2) 5 x 5 45 derajat (16, 2) 5 x 5 22.5 derajat (24, 3) 7 x 7 15 derajat Penentuan ukuran blok
Lebih terperinciVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR CHAIN CODE ABSTRAK
VERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR CHAIN CODE Andre Sitorus (0822107) Jurusan Teknik Elektro email: tiantorus11@gmail.com ABSTRAK Pola yang dibentuk oleh
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
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 terperinciImplementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital
JURNAL SAINS DAN SENI IS Vol. 6, No.1, (2017) 2337-3520 (2301-928X Print) A 18 Implementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital Zulfa Afiq Fikriya, Mohammad Isa Irawan, dan Soetrisno
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciBAB II KAJIANPUSTAKA
BAB II KAJIANPUSTAKA 2.1 Klasifikasi Klasifikasi adalah proses pengelompokan data menjadi suatu kelas berdasarkan kesamaan karakteristik pada data data yang ada. Ada 2 jenis metode yang dapat digunakan
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
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 terperinciOleh: Ulir Rohwana ( ) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T.
Oleh: Ulir Rohwana (1209 100 702) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI HASIL DAN PENGUJIAN
Lebih terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
Lebih terperinciPengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN)
Pengenalan Plat Nomor Berdasarkan Klasikasi K-Nearest Neighbor (KNN) Iman Ilmawan Muharam Manajemen Sistem Informasi Universitas Gunadarma Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat ilmawan@sta.gunadarma.ac.id
Lebih terperinciKelas. Kelas. p q r s t u v w x y Level Transformasi.
Fitur yang digunakan untuk pelatihan pada algoritme VFI5 diperoleh dari tiap-tiap piksel pada citra tanda tangan. Fitur pada pelatihan yang semula berupa matriks berukuran 3 4 piksel disusun menjadi matriks
Lebih terperinciEKSTRAKSI JALAN SECARA OTOMATIS DENGAN DETEKSI TEPI CANNY PADA FOTO UDARA TESIS OLEH: ANDRI SUPRAYOGI NIM :
EKSTRAKSI JALAN SECARA OTOMATIS DENGAN DETEKSI TEPI CANNY PADA FOTO UDARA (Menggunakan Transformasi Wavelet Untuk Penghalusan Citra ) TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar
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 terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan dan Praproses Data Kegiatan pertama dalam penelitian tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data sekunder
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Kanker payudara merupakan salah satu penyebab kematian yang sering dialami oleh wanita pada usia lanjut. Tercatat bahwa pada tahun 2011, terdapat lebih
Lebih terperinciIdentifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur
Identifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur Cahya Hijriansyah 1, Achmad Solichin 2 1,2 Program Studi Teknik Informatika
Lebih 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dunia kesehatan dewasa ini tidak bisa dipisahkan dengan teknologi yang terus berkembang. Pengembangan teknologi yang erat kaitannya dengan dunia kesehatan atau dunia
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Definisi Citra, Pengolahan Citra, dan Pengenalan Pola Citra dapat dijelaskan sebagai dua dimensi dari fungsi f(x,y) dimana x dan y tersebut adalah sebuah koordinat pada bidang
Lebih terperinciSISTEM KLASIFIKASI JENIS BERAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION
SISTEM KLASIFIKASI JENIS BERAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION Pradityo Utomo Program Studi D3 Manajemen Informatika Universitas Merdeka Madiun pradityou@gmail.com ABSTRACT Information
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 terperinciMuhammad Nasir. Jurusan Teknik Elektro Politeknik Negeri Lhokseumawe Jl. Banda Aceh Medan Km Lhokseumawe
KLASIFIKASI DAN PNGNALAN SIDIK JAI TTUMPUK BBASIS MTOD LANING VCTO QUANTIZATION Muhammad Nasir Jurusan Teknik lektro Politeknik Negeri Lhokseumawe Jl. Banda Aceh Medan Km. 280. Lhokseumawe 21 mail : masnasir_poli@yahoo.com
Lebih terperinciLAPORAN SKRIPSI DETEKSI KANKER OTAK PADA DATA MRI MELALUI JARINGAN SYARAF TIRUAN DENGAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM
LAPORAN SKRIPSI DETEKSI KANKER OTAK PADA DATA MRI MELALUI JARINGAN SYARAF TIRUAN DENGAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM Oleh : Saeful Anwar 2009-51-030 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT
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 terperinciREALISASI PERANGKAT LUNAK UNTUK MEMVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCALITY PRESERVING PROJECTION
REALISASI PERANGKAT LUNAK UNTUK MEMVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCALITY PRESERVING PROJECTION FadliWitular (0822043) Jurusan Teknik Elektro Universitas
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini menggunakan jenis penelitian eksperimen, dengan tahapan penelitian sebagai berikut: 3.1 Pengumpulan Data Tahap ini merupakan langkah awal dari penelitian. Dataset
Lebih terperinci