IMPLEMENTASI SEGMENTASI GAMBAR

Tugas Akhir Periode Juli 2010 1 IMPLEMENTASI SEGMENTASI GAMBAR MENGGUNAKAN DOMAIN NEUTROSOPHIC DAN METODE WATERSHED . Yuli Wijayanti—Bilqis Amaliah, S...

0 downloads 4 Views 862KB Size
Tugas Akhir Periode Juli 2010

IMPLEMENTASI SEGMENTASI GAMBAR MENGGUNAKAN DOMAIN NEUTROSOPHIC DAN METODE WATERSHED Yuli Wijayanti—Bilqis Amaliah, S.Kom, M.Kom, Anny Yuniarti, S.Kom, M.Com.Sc

Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember, Surabaya Email : [email protected][email protected], [email protected]

Abstrak Perkembangan dan kemajuan dibidang teknologi dan informasi memberikan pengaruh yang cukup besar dalam dunia analisis citra. Saat ini, proses manipulasi citra menjadi semakin mudah dilakukan, salah satu penyebabnya adalah munculnya berbagai macam metode segmentasi citra. Segmentasi citra merupakan langkah awal dalam melakukan pengolahan citra, pengenalan pola, visi komputer, dan mejadi faktor terpenting, karena hampir sebagian besar dari pengolahan citra bergantung pada hasil dari segmentasi. Pada Tugas Akhir ini akan diimplementasikan salah satu metode segmentasi citra yang baru dikembangkan yaitu menggunakan pendekatan neutrosophic dengan metode Watershed. Neutrosophy digunakan untuk menentukan domain neutrosophic pada citra, sedangakan metode Watershed digunakan untuk proses segementasi citra pada domain neutrosophic. Evaluasi segmentasi menggunakan domain neutrosophic dan metode Watershed terbutkti dapat menghasilkan hasil segmentasi yang lebih optimal dengan akurasi 64.04 jika dibandingkan dengan metode lainnya seperti segmentasi watershed menggunakan distance transform, segmentasi watershed menggunakan gradien, segmentasi watershed menggunakan operasi morfologi dan gradien, segmentasi watershed dengan marker-controlled, metode edgebased (Sobel), dan metode region-based (meanshift).

tersebut, misalnya representasi beserta deskripsi dari jumlah fitur, klasifikasi obyek, pengenalan, dan masih banyak lagi. Begitu banyak metode segmentasi yang telah dikembangkan saat ini dengan berbagai kelebihan dan kekurangannya masing-masing. Namun, metode segmentasi yang dilakukan melalui sebuah pendekatan neutrosophic masih tergolong baru. Untuk itu pada Tugas Akhir ini akan diimplementasikan salah satu algoritma segmentasi gambar menggunakan pendekatan neutrosophic dengan metode watershed. Neutroshophy sendiri merupakan salah satu cabang dari philosophy yang terdiri dari empat macam bidang antara lain : philosophy, logics, set theory dan probability/statistics. Neutrosophic dapat digunakan untuk menyelesaikan permasalahan yang tidak dapat diselesaikan dengan menggunakan fuzzy logic dimana permasalahannya berkaitan dengan masalah ketidakpastian/ ambiguitas. Dengan menggunakan Neutrosophy kondisi yang tidak pasti akan direpresentasikan. Pada Tugas Akhir ini, neutrosophy digunakan untuk membantu menangani masalah pengolahan gambar yaitu dalam menentukan domain neutrosophic gambar, setelah domain neutroshophic diketahui, langkah selanjutnya adalah proses segmentasi menggunakan metode watershed yang dilakukan pada domain neutrosophic. 2.

Neutrosophy merupakan cabang dari ilmu filsafat yang mempelajari asal usul, sifat dan ruang lingkup neutralities. Ide neutrosophy ini diperkenalkan oleh Florentin Smarandache pada tahun 1980. Terinspirasi dari permainan olahraga (Menang, Kalah, atau Seri), dari kegiatan pemilihan suara (Pro, Kontra, Null atau Abstain), dari (Positif / Negatif /Nilai nol), dari (Ya/ Tidak/ NA), dari pengambilan keputusan dan kontrol teori (Membuat keputusan, Tidak membuat, atau Ragu-ragu), dari (Diterima/Ditolak /Pending), dan lain-lain. Istilah "neutrosophic" secara etimologis berasal dari kata "neutrosophy" dimana dalam bahasa Perancis dari asal kata neutre, dan dalam bahasa Latin dari asal kata neuter, yang artinya netral dan sophia dalam bahasa Yunani berarti keterampilan atau kebijaksanaan. Apabila dirangkai neurtosophy berarti pengetahuan tentang pemikiran yang netral.

Kata kunci : Neutrosophy, Neutrosophic Set, Watershed, Metode Watershed, Segmentasi Gambar, S-function, Thresholding, Enhancement. 1.

Nutroshophic Set

Pendahuluan

Salah satu proses utama dalam sebuah pengolahan gambar adalah segmentasi. Segmentasi gambar adalah proses mempartisi gambar menjadi beberapa daerah atau obyek. Dengan adanya segmentasi gambar maka obyek didalam suatu gambar akan lebih mudah dibedakan antara yang satu dengan yang lain, dengan hal ini proses pengelolaan gambar akan menjadi lebih mudah. Segmentasi gambar merupakan salah satu faktor yang sangat penting dalam pengolahan gambar, karena hasil segmentasi sangat berpengaruh terhadap proses kelanjutan dari pengolahan gambar

1

Tugas Akhir Periode Juli 2010 salah satu posisi minimum (tidak pasti jatuh ke sebuah titik minimum, tetapi dapat jatuh ke titik minimum tertentu atau titik minimum yang lain). Untuk sebuah regional minimum tertentu, sekumpulan titik yang memenuhi kondisi (b) disebut sebagai catchment basin, sedangkan sekumpulan titik yang memenuhi kondisi(c) disebut sebagai garis watershed[8]. Inti dari metode watershed yaitu bagaimana menentukan garis wateshed, dimana garis watershed merupakan garis pembatas antar obyek dengan background. Pembentukan garis watershed atau dam dam didasarkan pada citra biner, yang merupakan anggota dari ruang integer dua dimensi Z2. Cara termudah untuk membangun dam adalah dengan menggunakan operasi morfologi dilatasi (morphological dilation).

Neutrosophy dapat juga dianggap sebagai sebuah proposisi, teori, kejadian atau peristiwa, konsep ataupun entity, dimana “A” berelasi dengan kebalikannya “Anti-A” dan berelasi dengan yang bukan A, “Non-A” dan berelasi dengan “Neut-A” yaitu selain “A” yaitu “Anti-A”. Neutrosophy merupakan basis dari neutrosophic logic, neutrosophic probability, neutrosophic set dan neutrosophic statistics. Merupakan generalisasi dari intuitionistic set, classical set, fuzzy set, paraconsistent set, dialetheist set, paradoxist set, dan tautological set. Setiap element x(T, I, F) termasuk dalam set : t true, i indeterminate, dan f false, dimana t, i dan f adalah nilai real yang diambil dari set T, I, dan F dengan tanpa batasan pada T, I, dan F, atau penjumlahannya yaitu n = t+i+f. Neutrosophic set mengeneralisasi :  Intuitionistic set, mendukung set teori yang tidak lengkap (for 0100, dan t,f <100). Dialetheism, mengatakan bahwa perpotongan dari beberapa disjoint set tidaklah kosong (for t=f=100 dan i = 0, beberapa paradox dapat dinotasikan dengan ini). 3.

3.1

Dilasi

Operasi dilasi dilakukan untuk memperbesar ukuran segmen obyek dengan menambah lapisan di sekeliling obyek. Terdapat dua cara untuk melakukan operasi ini, yaitu dengan cara mengubah semua titik latar belakang yang bertetangga dengan titik batas menjadi titik obyek, atau lebih mudahnya set setiap titik yang tetangganya adalah titik obyek menjadi titik obyek. Cara kedua yaitu dengan mengubah semua titik di sekeliling titik batas menjadi titik obyek, atau lebih mudahnya set semua titik tetangga sebuah titik obyek menjadi titik obyek[8]. Misalkan A dan B adalah himpunanhimpunan piksel. Dilasi A oleh B dinotasikan dengan dan didefinisikan sebagai berikut.

Watershed

Watershed merupakan salah satu metode yang digunakan untuk segmentasi sebuah gambar. Konsep yang terdapat pada watershed ini memvisualisasikan sebuah gambar dalam tiga dimensi: dua koordinat ruang versus tingkat keabuan (gray level). Koordinat ruang merupakan posisi x dan y pada bidang datar dan tingkat keabuan merupakan ketinggiannya, semakin ke arah warna putih maka ketinggiannya semakin besar. Dengan anggapan bentuk topografi tersebut, maka di didapatkan 3 macam titik yang dipertimbangkan dalam metode ini :  Titik yang merupakan regional minimum.  Titik yang merupakan tempat dimana jika setetes air dijatuhkan, maka air tersebut akan jatuh hingga ke sebuah posisi minimum tertentu.  Titik yang merupakan tempat di mana jika air dijatuhkan, maka air tersebut mempunyai kemungkinan untuk jatuh ke

Ini berarti bahwa untuk setiap titik x B, maka dilakukan translasi atau penggeseran dan kemudian menggabungkan seluruh hasilnya (union). Atau secara matematis dituliskan sebagai berikut :

4.

Metode dan Impelementasi

Proses segmentasi gambar menggunakan metode watershed akan di lakukan pada gambar yang telah mengalami prepocessing. Tujuan prepocessing yang di lakukan pada Tugas Akhir ini yaitu dengan mengubah domain gambar ke dalam domain neutrosophic. Berikut ini tahapan yang harus dilakukan untuk merubah ke domain neutrosophic tersebut.

2

Tugas Akhir Periode Juli 2010 Tahap pertama dari proses segmentasi ini yaitu mengubah gambar masukan menjadi gambar gray scale. Tahap kedua adalah memetakan gambar dan menentukan nilai matrix gambar pada domain T dan matrix gambar pada domain F yang merupakan komponen dari neutrosophic. Tahap ketiga adalah proses perbaikan gambar. Perbaikan gambar bertujuan untuk mempertajam gambar untuk memudahkan proses pada tahap selanjutnya. Tahap keempat adalah menentukan threshold pada matrix gambar T dan F, gambar T merupakan gambar yang merepresentasikan sebuah obyek, sedangkan gambar F merupakan gambar yang merepresentasikan background. Masing-masing gambar ini akan ditentukan nilai threshold nya.

edge yang ambigu atau kurang jelas dari suatu obyek. Tahap selanjutnya adalah mengubah gambar pada domain neutrosophic menjadi gambar biner. Dan tahap yang terakhir yaitu menggunakan metode watershed untuk melakukan segmentasi gambar pada gambar biner hasil dari proses sebelumnya. Data masukan yang dibutuhkan oleh perangkat lunak ini adalah semua jenis gambar namun yang lebih diutamakan adalah gambar yang uniform dengan edge yang kurang jelas atau ambigu. Hal ini diutamakan karena metode watershed dapat bekerja lebih bagus pada gambargambar yang uniform dan dengan edge yang ambigu.

Start

Gambar 4.1 Diagram alir proses segmentasi gambar

4.1.

Input: Gambar Grayscale dengan blurry edge

Grayscaling

Grayscaling adalah proses perubahan nilai piksel dari warna (RGB) menjadi gray-level. Pada dasarnya proses ini dilakukan dengan meratakan nilai piksel dari 3 nilai RGB menjadi 1 nilai. Untuk memperoleh hasil yang lebih baik, nilai piksel tidak langsung dibagi menjadi 3 melainkan terdapat persentasi dari masing-masing nilai. Salah satu prosentase yang digunakan dalam fungsi Image Processing Toolbox adalah 29,9% dari warna merah (Red), 58,7% dari warna hijau (Green), dan 11,4% dari warna biru (Blue). Nilai piksel didapat dari jumlah prosentase dari 3 nilai tersebut. Secara matematis dapat ditulis sebagaimana persamaan di bawah ini :

Filtering dengan Mean filter

Memetakan citra dan Menentukan {T,F}

Enhancement

Menentukan tresholds pada T dan F

Menetapkan homogeniety dari intensitas domain dan menentukan {I}

Gray Scale : 0.2989*R+0.5870* G+0.1140*B Gambar Grayscale juga disebut gray-scale, gray scale, atau gambar gray-level dan merupakan hasil proses grayscaling. Grayscale adalah tingkat warna keabuan dari sebuah piksel, dapat juga dikatakan tingkat cahaya dari sebuah piksel atau dengan kata lain adalah nilai yang terkandung dalam piksel menunjukan tingkat terangnya piksel tersebut dari hitam ke putih. Biasanya ditetapkan nilainya antara 0 hingga 255 (untuk 256-graylevel), dengan 0 adalah hitam dan 255 adalah putih. Karena hanya terbatas 1 byte saja maka untuk memrepresentasikan nilai piksel cukup 8 bit saja.

Mengubah menjadi citra biner berdasarkan nilai dari {T,I,F}

Menerapkan algoritma watershed untuk mengubah citra biner

Output : Gambar hasil tersegmentsi

End

Gambar Error! No text of specified style in document..1 Diagram alir model secara umum

4.2. Tahap kelima adalah menentukan homogeneity pada domain I dan, I merupakan komponen neutrosophic yang merepresentasikan

Pemetaan dan Penentuan{T,F}

Pada tahap kedua ini akan dilakukan pemetaan dan penentuan matrix gambar pada domain T serta domain F. Pemetaan gambar dilakukan menggunakan mean filter dengan ukuran

3

Tugas Akhir Periode Juli 2010 window 20 x 20 sedangkan proses penentuan nilai T dan T yang termasuk komponen dari neutrosophic dilakukan menggunakan persamaan :

Dimana :

(7) Menghitung parameter b dengan menggunakan prinsip maximum entropy sebagaimana persamaan 2.6.1 dan 2.6.2, Parameter nilai b berada diantara nilai a dan nilai c. Untuk mengetahui nilai b yang optimal, diperlukan pengecekan terhadap seluruh kemungkinan nilai b. Nilai b yang optimal akan menghasilkan nilai maximum entropy H(X) yang terbesar.

4.3.

 Nilai intensitas dari gambar

hasil filtering. a, b, dan c  Parameter yang menentukan bentuk dari S-function.

Enhancement

Proses enhancement pada tahap ini bertujuan untuk memperbaiki gambar pada domain baru. Metode yang digunakan untuk melakukan perbaikan gambar Tugas Akhir ini yaitu menggunakan transformasi intensitas atau biasanya disebut dengan mapping intensitas. Berikut ini fungsi yang digunakan untuk melakukan perbaikan gambar tersebut :

Parameter nilai a, b, dan c dapat dihitung menggunakan metode berdasar pada histogram sebagai berikut : (1) Menghitung histogram gambar. (2) Menentukan local maxima dari histogram, . (3) Menghitung nilai rata-rata local maxima menggunakan persamaan :

Dimana : perbaikan dan

(4) Menentukan local maxima sebagai puncak yang tingginya melebihi . Kemudian asumsikan bahwa puncak yang pertama kali ditemukan sebagai dan puncak yang terakhir kali ditemukan sebagai . (5) Menentukan batas gray level dan . Dengan , dan adalah nilai gray level yang lebih besar dari 0 dan pertama kali ditemukan serta adalah nilai gray level yang lebih besar dari 0 dan terakhir kali di temukan, maka proses untuk mencari batas dan dapat dituliskan ke dalam persamaan sebagai berikut:

3.4

merupakan gambar hasil merupakan fungsi transformasinya.

Tresholding

Salah satu cara untuk mengambil objek dari background-nya adalah dengan memilih sebuah nilai threshold T yang dapat memisahkan kelompok yang satu dengan kelompok yang lain. Maka semua piksel yang memiliki nilai > nilai T disebut titik objek, sedangkan yang lain disebut titik background. Proses ini disebut thresholding. Sebuah gambar yang telah diseleksi menggunakan nilai threshold dapat didefinisikan:

Nilai T dapat ditentukan dengan banyak cara, salah satunya adalah melalui perhitungan dibawah ini :  Menentukan inisial threshold pada f(x,y) (gambar yang dihitung threshold nya)  Memisahkan f(x,y) dengan menggunakan , kemudian mengelompokkannya menjadi 2 kelompok piksel baru yaitu  Masing kelompok pada F1 dan F2 di cari nilai rata-ratanya yaitu  Kemudian menghitung nilai threshold baru dengan persamaan :

(6) Menentukan parameter nilai a dan c : Secara matematis rumus untuk menghitung nilai a dan c adalah sebagaimana dibawah ini dengan  

4

Tugas Akhir Periode Juli 2010  

4.5.

Ulangi langkah ke-2 hingga 4 sehingga selisih nilai dari lebih kecil dari =0.0001. Jika kondisi pada langkah ke-4 telah terpenuhi maka, tersebut adalah nilai threshold yang di dapatkan.

Proses selanjutnya setelah nilai dari standar deviasi dan juga intensitas discontinuity ditemukan maka dilakukan normalisasi antara strandar deviasi dengan discontinuity, kemudian selanjtunya dilakukan pencarian homogenitasnya dengan persamaan dibawah ini :

Menetapkan homogenitas dari domain intensitas dan menentukan {I}

Homogenitas menunjukkan kehomogenan variasi intensitas dalam gambar. Pada sumber makalah dari Tugas Akhir ini homogenitas didefinisikan menggunakan standar deviasi dan intensitas discontinuity. Standart deviasi merepresentasikan kekontrasan daerah lokal (local region). Sebelum menentukan standar deviasi dalam gambar, terlebih dahulu harus ditentukan nilai rata-rata setiap pikselnya terhadap ukuran window. Dibawah ini merupakan persamaan untuk menghitung nilai ratarata tersebut:

Dimana : Indeterminate I(x,y) yang merepresntasikan gambar pada domain I, dihitung dengan menggunakan persamaan sebagai berikut :

4.6.

gambar

biner

Pada tahap ini, hal yang dilakukan adalah membagi gambar menjadi 3 bagian : Objects(O), edges(E), dan background (B). T(x,y) merepresentasikan derajat untuk menjadi bagian dari objek piksel, I(x,y) merepresentasikan derajat untuk menjadi bagian dari piksel edges, dan F(x,y) merepresentasikan derajat untuk menjadi bagian dari piksel background untuk piksel P(x,y). Dibawah ini penjelasan dari ketiga bagian tersebut :

Dimana : = Nilai intensitas piksel. d = Ukuran window yang digunakan. (x,y) = Merupakan koordinat pusat masing-masing window. Persamaan yang digunakan untuk menentukan standar deviasi adalah sebagai berikut :

Dimana

Mengubah menjadi berdasar nilai {T,I,F}

adalah rata-rata.

Operator sobel yang digunakan pada Tugas Akhir ini terdiri dari kernel berukuran 3x3, Kernel ini dirancang untuk merespon secara maksimal garis tepi yang bergerak secara vertikal dan horizontal relatif terhadap grid piksel, satu kernel untuk setiap orientasi tegak lulus (perpendicular orientation). Kernel dapat digunakan secara terpisah dengan gambar masukannya untuk menghasilkan pengukuran yang terpisah dari komponen gradien orientasinya (Gx dan Gy) komponen gradient ini disebut juga Perkiraan derevative horisontal dan vertikal. Besarnya gradien secara matematis dapat dihitung dengan mengkonvolusikan antara operator sobel dengan gambar masukannya. Kemudian untuk mencari besarnya nilai mutlak gradien pada setiap titik dan orientasi gradien dilakukan penggabungan nilai Gx dan Gy, besarnya nilai mutlak ini seringkali disebut dengan discontinuity, berikut ini persamaannya :

Dimana dan merupakan hasil dari treshold pada tahap ke-3 dan dalam percobaan yang dilakukan penulis. Setelah piksel O, E, dan B didapatkan selanjutnya gambar akan dipetakan menjadi gambar biner. Pada gambar biner obyek dan background dipetakan sebagai 0 sedangkan edges dipetakan sebagai 1. Dibawah ini merupakan fungsi pemetaannya :

4.7.

Segmentasi dengan metode Watershed

Watershed merupakan salah satu metode yang digunakan untuk segmentasi gambar. Konsep yang terdapat pada watershed ini yaitu dapat

5

Tugas Akhir Periode Juli 2010 memvisualisasikan sebuah gambar dalam tiga 3D dimensi Dibawah ini merupakan langkah-langkah dari algoritma watershed. (1) Tentukan daerah (region) , dengan merepresentasikan objek dan background yang memiliki nilai 0. (2) Lakukan d ilasi pada daerah tersebut dengan menggunakan stuktur elemen 3 x 3. (3) Bentuklah dam pada posisi dimana dua daerah terhubung. (4) Ulangi langkah (3) hingga semua daerah tergabung. 5.

Grafik Perbandingan Metode pencarian parameter membership function

Nilai akurasi dalam (%)

120 100 80 60 Alternatif 1

40

Alternatif 2

20 0 1 6 1116212631

Uji Coba Dan Evaluasi

Gambar

Untuk mengetahui kinerja terhadap sistem yang telah dibuat dilakukan proses uji coba terhadap 3 macam : Perbandingan proses pencaraian parameter maximum dari membership function dengan membandingkan antara alternatif 1 yaitu metode berdasar histogram sebagaimana yang dijelaskan pada makalah utama [1], dan alternatif 2 yaitu metode berdasar histogram juga yang dijelaskan pada makalah referensi [9]. Membandingkan hasil segmentasi dengan menggunakan nilai parameter yang optimal yang didapatkan dari uji coba sebelumnya dibadingkan dengan metode yang lain yaitu seperti segmentasi watershed menggunakan distance transform, segmentasi watershed menggunakan gradien, segmentasi watershed menggunakan operasi morfologi dan gradien, segmentasi watershed dengan marker-controlled, metode deteksi tepi menggunakan sobel dan metode deteksi region menggunakan mean-shift. Uji coba dilakukan terhadap 34 macam gambar yang berbeda. Dari Gambar 5.1 tidak terlihat perbedaan yang signifikan apabila dilihat secara visual, namun apabila dicari rata-ratanya maka akan terlihat bahwa nilai keakuratan dari preprocessing dengan alternatif 2 terbukti menghasilkan hasil segmentasi yang lebih bagus dengan perbandingan rata-rata nilai akurasi 56,378 untuk alternatif 1 dan 56,583 untuk alternatif 2. Hasil uji coba untuk mencari rata-rata nilai parameter lamda dan ukuran window yang optimal dapat dilihat pada Tabel 5.1. Berdasarkan Tabel 5.1 nilai parameter lamda yang optimal yaitu 0.1 dan dari tabel tersebut juga dapat dilihat bahwa ukuran window yang menghasilkan rata-rata nilai akurasi tertintinggi terdapat pada window berukuran 3x3 dengan rata-rata akurasi 55,1613%

Gambar 5.1 Perbandingan pencarian parameter a,b dan c

Tabel 5.1 Rata-rata nilai akurasi setiap lamda pada setiap window(%) Window Window Window window Lamda 3 5 7 9 0.01

48,53494

48,41144

48,30397

48,22458

0.02

48,87342

48,63233

48,61276

48,51049

0.03

48,9569

48,95694

48,79838

48,78918

0.04

50,278

48,98314

48,99037

48,86759

0.05

50,45036

49,22686

49,00619

48,92676

0.06

50,52641

49,76099

49,25476

49,06583

0.07

53,21026

50,57955

49,24268

49,09936

0.08

53,50888

50,74159

49,99755

49,21387

0.09

54,12991

50,72315

50,5702

49,80185

0.1

55,1613

51,30657

50,79668

50,46706

Untuk perbandingan dengan metode lain, nilai akurasi tiap metode dapat dilihat Tabel 5.2 Tabel Error! No text of specified style in document..2 Perbandingan rata-rata nilai akurasi antara metode neutorosphic dengan metode pembanding yang lain(%) Gambar

1

Rata2 akurasi

64, 04

2

3

42,94 26,7

4

5

6

36,8 9

44, 47

47, 6

Keterangan dari Tabel (1) Segmentasi gambar menggunakan domain neutrosophic dan metode watershed (2) Segmentasi watershed menggunakan distance transform (3) Segmentasi watershed menggunakan gradient

6

Tugas Akhir Periode Juli 2010 (4) Segmentasi watershed menggunakan operasi morfologi dan gradient (5) Segmentasi watershed dengan markercontrolled (6) Metode deteksi tepi menggunakan sobel.

a.

Dari hasil uji coba pencarian parameter a, b, dan c pada proses pencarian parameter maximum dari membership function dengan antara alternatif 1 yaitu metode berdasar histogram yang dijelaskan pada makalah utama[1], dan alternatif 2 yaitu metode berdasar histogram yang dijelaskan pada makalah referensi[9] terbukti bahwa alternatif 2 menghasilkan hasil segmentasi yang lebih optimal dengan perbandingan rata-rata nilai akurasi 56,378 untuk alternatif 1 dan 56,583 untuk alternatif 2. b. Proses segmentasi citra menggunakan domain neutrosophic dengan metode watershed dapat menghasilkan hasil segmentasi yang optimal dengan parameter lamda = 0.1 dan ukuran window = 3 berdasarkan hasil akurasinya 64,0413 %. c. Metode watershed dengan pendekatan pada domain neutrosophic terbukti dapat menghasilkan hasil segmentasi yang lebih optimal dengan akurasi 64.04 jika dibandingkan segmentasi watershed menggunakan gradien, segmentasi watershed menggunakan operasi morfologi dan gradien, segmentasi watershed dengan marker-controlled, metode edge-based (Sobel), metode region-based (mean-shift).

Dari Tabel 5.2 terbukti bahwa segmentasi gambar menggunakan domain neutrosophic dan metode watershed memiliki tingkat akurasi yang lebih baik jika dibandingkan dengan beberapa meode segmentasi yang lain sebagaimana yang telah disebutkan di atas. Untuk perbandingan metode berbasis region yaitu mean-shift dapat dilihat dari hasil segmentasi yang dihasilkan oleh metode ini dengan metode yang diusulkan. Untuk metode means-shift parameter yang digunakan adalah bandwidth = 7, color = 3, minimum = 10, sedangkan pada metode watershed dengan pendekatan neutrosophic menggunakan parameter window berukuran 3x3 dengan nilai lamda 0.1.

7.

Gambar Error! No text of specified style in document..3 Perbandingan dengan metode lain, (a) Gambar Capitol asli (b) Segmentasi menggunakan mean-shift (c) Segmentasi watershed dengan marker-controlled (d) Segmentasi menggunakan menggunakan domain neutrosophic dan metode watershed

Dari Gambar 5.2 dapat dilihat hasil perbandingan antara metode yang diusulkan dengan metode segmentasi yang lain, dari gambar tersebut terlihat bahwa metode yang diusulkan menhasilkan hasil segemntasi yang lebih baik dibandingakn dengan yang lain. 6.

Simpulan Dari uji coba yang telah dilakukan dan setelah menganalisis hasil pengujian terhadap deteksi serat asing menggunakan segmentasi gambar dapat diambil beberapa kesimpulan antara lain:

7

Daftar Pustaka [1] Ming Zhang, Ling Zhang, H.D. Cheng, 2009, A neutrosophic approach to image segmentation based on watershed method, on Signal Processing in ScienceDirect. [2] Yanhui Guoa, H.D.Chenga, 2008, New neutrosophic approach to image segmentation, on Pattern Recognition in ScienceDirect. [3] Florentin Smarandache, 2000, Neutrosophic Set – A Generalization of the Intuitionistic Fuzzy Set., MSC 2000: 03B99, 03E99. [4] Florentin Smarandache, 2005, A UNIFYING FIELD IN LOGICS: NEUTROSOPHIC LOGIC. NEUTROSOPHY, NEUTROSOPHIC SET, NEUTROSOPHIC PROBABILITY., ISBN 978-1-59973080-6. [5] Haibin Wang, Florentin Smarandache, Yan-Qing Zhang, Ranshekhar Sunderraman, 2005, Interval Neutrosophic Set and Logic : Theory and Apllications in Computing. [6] Charles Ashbacher, 2002, INTRODUCTIONTO NEUTROSOPHIC LOGIC. [7] Florentin Smarandache, 2005, N-norm and N-conorm in Neutrosophic Logic

Tugas Akhir Periode Juli 2010 and Set,and the Neutrosophic Topologies. [8] R.C. Gonzalez, R.E. Woods, Digital Image Processing, second ed., PrenticeHall, New York, 2002. [9] H.D. Cheng, H. Xu, A novel fuzzy logic approach to contrast enhancement, Pattern Recognition 33 (2000) 809–919. [10] Adang Suhendra, “Catatan Kuliah Pengantar Pengolahan Citra”, (http://www.docstoc.com/docs/20866735 /Catatan-Kuliah-Pengantar-PengolahanCitra, diakses 10 Juni 2010). [11] Wikipedia, “Membership function”, (http://en.wikipedia.org/wiki/Membershi pfunction%28mathematics%29, diakses 11 Juni 2010) [12] Robert Fisher, Simon Perkins, Ashley Walker, Erik Wolfart, “Sobel Edge Detector”, (http://homepages.inf.ed.ac.uk/rbf/HIPR 2/sobel.htm, diakses 14 juni 2010).

8