7
LEMBAR PENGESAHAN
2.
SURABAYA
JUNI 2014
.......................
(Pembimbing 2)
: M. Hilmil Muchtar AP
: 5110100041
: Teknik Informatika FTIf ITS
: Dr. Eng. Chastine Fatichah, S.Kom.,
M.Kom.
Dosen Pembimbing II : Rully Soelaiman, S.Kom., M.Kom.
Abstrak
Kemajuan teknologi digital menyebabkan meningkatnya
kebutuhan deteksi tepi citra dengan nilai presisi yang tinggi.
Sehingga dibutuhkan pendeteksi tepian citra yang tidak
berpengaruh pada kontinuitas nilai citra. Penggunaan deteksi tepi
berpengaruh untuk memperoleh hasil yang diharapkan. Jika tidak
tepat pada penggunaan deteksi tepi, maka akan mempengaruhi
proses yang selanjutnya.
Pada penelitian-penelitian yang sebelumnya, deteksi tepi
citra hanya bernilai diskontinu. Sehingga perlu digunakan metode
deteksi tepi yang tidak berpengaruh pada kontinuitas nilai citra.
Untuk memperoleh akurasi yang tinggi dari lokasi tepian citra,
maka Tugas Akhir ini diajukan untuk mengimplementasi lokasi
yang tepat dari suatu tepian citra.
Metode deteksi tepi citra berdasarkan subpixel pada area
parsial dibagi menjadi 3 yaitu deteksi tepi citra yang tidak
mempunyai noise, deteksi tepi citra yang mempunyai noise yang
sedikit dan deteksi tepi citra dengan lokasi garis yang
bersebelahan. Dari masing-masing metode, digunakan
penyesuaian dari kondisi citra masukan, sehingga dapat
memperoleh nilai akurasi yang tepat untuk berbagai jenis citra
yang terkena noise atau tidak terkena noise.
Dari uji kinerja menggunakan teknik akurasi, didapatkan
bahwa metode yang digunakan mempunyai akurasi sebesar 88,92
11
: M. Hilmil Muchtar AP
: 5110100041
: Informatics Engineering, FTIf, ITS
: Dr. Eng. Chastine Fatichah, S.Kom.,
M.Kom.
: Rully Soelaiman, S.Kom., M.Kom.
Abstract
Improvement in digital technology causes increasing
demands on image edge detection with high precision values. So
it takes the image edge detection does not affect the continuity of
the value of the image. The use of edge detection is to obtain the
desired results. If the edge detection is not appropriate, it will
affect the next process.
In previous studies, image edge detection is only worth
discontinuous. So it is necessary to use edge detection method
that does not affect the continuity of the value of the image. To
obtain a high accuracy of the location of the edges of the image,
this Undergraduate Thesis is proposed to implement the exact
location of the edges of the image.
Image edge detection method based on subpixel partial
area is divided into three types: image edge detection image with
no noise, image edge detection with a little noise and image edge
detection with the location of the adjacent lines. Each method
used the adjustment of the input image conditions to obtain the
proper value of accuracy for different types of image with and
without noise.
From performance test using techniques of accuracy, it is
found that the method used has an accuracy of 88.92%. Each
image edge detection method with no noise has 89.92%, image
edge detection method with a slight noise has 88.11% and image
13
KATA PENGANTAR
Puji syukur penulis sampaikan kepada Allah SWT atas
segala rahmat dan berkat yang telah diberikan sehingga penulis
dapat menyelesaikan tugas akhir dengan judul Implementasi
Sistem Cerdas Untuk Klasifikasi Penyakit Parkinson
Menggunakan Neural Network With Weighted Fuzzy
Membership. Tugas Akhir ini dibuat untuk memenuhi salah satu
syarat untuk mendapatkan gelar Sarjana Komputer dari Program
Studi Teknik Informatika, Fakultas Teknologi Informasi, Institut
Teknologi Sepuluh Nopember.
Selesainya Tugas Akhir ini tidak lepas dari bantuan dan
dukungan beberapa pihak. Oleh karena itu, pada kesempatan ini
penulis ingin mengucapkan terima kasih kepada:
1. Orang tua yang telah memberikan rasa kasih sayang dan
perhatian yang sebesar-besarnya kepada penulis. Terima kasih
Aba dan Mama yang sudah menjadi teladan dan mengajarkan
penulis untuk selalu bekerja keras.
2. Yasser, Rusda dan Tsana, selaku kakak dan adik penulis,
terima kasih atas dorongan, dukungan dan kasih sayang
selama ini.
3. Ibu Dr. Chastine Fatichah, S.Kom., M. Kom. selaku
pembimbing I yang telah membantu dan membimbing penulis
dalam menyelesaikan Tugas Akhir.
4. Ibu Isye Arieshanti S.Kom., M.Phil., selaku pembimbing II
yang telah membantu dan membimbing penulis dalam
menyelesaikan Tugas Akhir.
5. Ibu Dr. Eng. Nanik Suciati, S.Kom., M.Kom. selaku Kepala
Jurusan Teknik Informatika ITS, Ibu Anny Yuniarti S.Kom.,
M.Comp.Sc., selaku dosen wali penulis Bapak Abdul Munif,
S.Kom., M.Sc. selaku koordinator TA, dan segenap dosen
Teknik Informatika yang telah memberikan ilmu-ilmu dan
15
DAFTAR ISI
Abstrak.......................................................................................vii
Abstract.......................................................................................ix
KATA PENGANTAR..................................................................xi
DAFTAR ISI.............................................................................xiii
DAFTAR GAMBAR................................................................xvii
DAFTAR TABEL......................................................................xix
DAFTAR KODE SUMBER....................................................xxiii
BAB I PENDAHULUAN.............................................................1
1.1 Latar Belakang......................................................................1
1.2 Rumusan Permasalahan........................................................1
1.3 Batasan Masalah...................................................................2
1.4 Tujuan...................................................................................2
1.5 Manfaat.................................................................................2
1.6 Metodologi...........................................................................2
1.7 Sistematika Penulisan...........................................................4
BAB II DASAR TEORI...............................................................7
2.1 Jaringan Syaraf Tiruan..........................................................7
2.2 Membership Function...........................................................9
2.2.1.
Fungsi Segitiga..............................................................10
2.2.2.
Fungsi Trapesium...........................................................11
2.2.3.
Fungsi Gaussian.............................................................14
2.3.2
Skema Pembelajaran......................................................17
2.3.3
2.3.4
3.1.2
3.1.3
3.1.4
3.1.5
3.1.6
3.1.7
3.1.8
3.1.9
BAB IV IMPLEMENTASI.........................................................31
4.1 Lingkungan Implementasi..................................................31
4.2 Implementasi......................................................................31
4.2.1
17
BAB V UJI COBA DAN EVALUASI........................................43
5.1 Lingkungan Uji Coba.........................................................43
5.2 Skenario Uji Coba..............................................................43
5.2.1
Uji Kebenaran................................................................44
5.2.2
19
DAFTAR GAMB
Gambar 2.1 Neuron Sederhana...................................................10
Gambar 2.2 Jaringan Syaraf Tiruan Sederhana...........................11
Gambar 2.3 Grafik Fungsi Segitiga............................................13
Gambar 2.4 Grafik Fungsi Trapesium.........................................14
Gambar 2.5 Grafik Fungsi R.......................................................16
Gambar 2.6 Grafik Fungsi L.......................................................17
Gambar 2.7 Grafik Fungsi Gaussian...........................................18
Gambar 2.8 Struktur NEWFM....................................................19
Gambar 2.9 Contoh WFM dan BSWFM.....................................20
Gambar 2.10 Sebelum dan Setelah Operasi Adjust.....................23
YGambar 3.1 Diagram Alur Proses Secara Umum.....................30
Gambar 3.2 Diagram Alir Normalisasi Data...............................31
Gambar 3.3 Flowchart Proses Pembelajaran..............................32
Gambar 3.4 Diagram Alir Proses Prediksi Kelas........................33
YGambar 5. 1 Hasil deteksi tepi menggunakan metode subpixel44
Gambar 5. 2 Hasil deteksi tepi menggunakan metode Laplacian 45
Gambar 5. 3 Hasil deteksi tepi citra dengan filter tanpa noise yang
ditambahkan dengan noise Gaussian dengan parameter m=0,5
v=0,5 dan jumlah iterasi=0.........................................................46
Gambar 5. 4 Hasil deteksi tepi citra dengan filter tanpa noise yang
ditambahkan dengan noise Gaussian dengan parameter m=0,5
v=0,5 dan jumlah iterasi=100.....................................................46
Gambar 5. 5 Menggunakan nilai batas ambang = 0....................47
Gambar 5. 6 Menggunakan nilai batas ambang = 254................48
Gambar 5. 7 Perbesaran 5x5 dari Tepian Citra............................58
Gambar 5. 8 Perbesaran 11x11 dari Tepian Citra........................58
DAFTAR TA
Tabel 3.1 Lingkungan Perancangan Perangkat Lunak................26
Tabel 3.2 Data Masukan.............................................................27
Tabel 3.3 Atribut Data Training..................................................27
Tabel 3.4 Data Proses..................................................................29
Tabel 3.5 Data Keluaran.............................................................29
YTabel 5. 1 Uji Coba Citra Buatan Hasil Foto dari hasil Printer
pada Proses Deteksi Tepi Citra yang Tidak Mempunyai Noise
dengan Perbesaran 5x5 piksel tanpa noise..................................50
Tabel 5. 2 Uji Coba Citra Buatan Hasil Foto dari hasil Printer
pada Proses Deteksi Tepi Citra yang Mempunyai Noise yang
Sedikit dengan Perbesaran 5x5 piksel tanpa noise......................51
Tabel 5. 3 Uji Coba Citra Buatan Hasil Foto dari hasil Printer
pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang
Bersebelahan dengan Perbesaran 5x5 piksel tanpa noise............52
Tabel 5. 4 Uji Coba Citra Buatan Hasil Foto dari hasil Printer
pada Proses Deteksi Tepi Citra yang Tidak Mempunyai Noise
dengan Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5
v=0,5 dan iterasi=100.................................................................54
Tabel 5. 5 Uji Coba Citra Buatan Hasil Foto dari hasil Printer
pada Proses Deteksi Tepi Citra yang Mempunyai Noise yang
Sedikit dengan Perbesaran 5x5 piksel dengan noise Gaussian,
m=0,5 v=0,5................................................................................55
Tabel 5. 6 Uji Coba Citra Buatan Hasil Foto dari hasil Printer
pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang
Bersebelahan dengan Perbesaran 5x5 piksel dengan noise
Gaussian, m=0,5 v=0,5...............................................................56
YTabel A. 1 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai
Noise dengan Perbesaran 5x5 piksel tanpa noise (Bagian Pertama)
....................................................................................................65
Tabel A. 2 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai
21
Noise dengan Perbesaran 5x5 piksel tanpa noise (Bagian Kedua)
....................................................................................................66
Tabel A. 3 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai
Noise dengan Perbesaran 5x5 piksel tanpa noise (Bagian Ketiga)
....................................................................................................67
Tabel A. 4 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra yang Mempunyai Noise
yang Sedikit dengan Perbesaran 5x5 piksel tanpa noise (Bagian
Pertama)......................................................................................68
Tabel A. 5 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra yang Mempunyai Noise
yang Sedikit dengan Perbesaran 5x5 piksel tanpa noise (Bagian
Kedua)........................................................................................69
Tabel A. 6 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra yang Mempunyai Noise
yang Sedikit dengan Perbesaran 5x5 piksel tanpa noise (Bagian
Ketiga)........................................................................................70
Tabel A. 7 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang
Bersebelahan dengan Perbesaran 5x5 piksel tanpa noise (Bagian
Pertama)......................................................................................71
Tabel A. 8 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang
Bersebelahan dengan Perbesaran 5x5 piksel tanpa noise (Bagian
Kedua)........................................................................................72
Tabel A. 9 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang
Bersebelahan dengan Perbesaran 5x5 piksel tanpa noise(Bagian
Ketiga)........................................................................................73
Tabel A. 10 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai
Noise dengan Perbesaran 5x5 piksel dengan noise Gaussian,
m=0,5 v=0,5 dan iterasi=100 (Bagian Pertama)..........................74
Tabel A. 11 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai
Noise dengan Perbesaran 5x5 piksel dengan noise Gaussian,
m=0,5 v=0,5 dan iterasi=100 (Bagian Kedua)............................75
Tabel A. 12 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra yang Tidak Mempunyai
Noise dengan Perbesaran 5x5 piksel dengan noise Gaussian,
m=0,5 v=0,5 dan iterasi=100 (Bagian Ketiga)............................76
Tabel A. 13 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra yang Mempunyai Noise
yang Sedikit dengan Perbesaran 5x5 piksel dengan noise
Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Pertama).........77
Tabel A. 14 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra yang Mempunyai Noise
yang Sedikit dengan Perbesaran 5x5 piksel dengan noise
Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Kedua)............78
Tabel A. 15 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra yang Mempunyai Noise
yang Sedikit dengan Perbesaran 5x5 piksel dengan noise
Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Ketiga)............79
Tabel A. 16 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang
Bersebelahan dengan Perbesaran 5x5 piksel dengan noise
Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Pertama).........80
Tabel A. 17 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang
Bersebelahan dengan Perbesaran 5x5 piksel dengan noise
Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Kedua)............81
Tabel A. 18 Hasil Uji Coba Citra Buatan Hasil Foto dari hasil
Printer pada Proses Deteksi Tepi Citra dengan Lokasi Garis yang
Bersebelahan dengan Perbesaran 5x5 piksel dengan noise
Gaussian, m=0,5 v=0,5 dan iterasi=100 (Bagian Ketiga)............82
Tabel A. 19 Akurasi Deteksi Tepi Citra Berdasarkan Area Parsial
untuk Citra Buatan Hasil Foto dari hasil Printer (Tanpa Noise)..83
23
Tabel A. 20 Akurasi Deteksi Tepi Citra Berdasarkan Area Parsial
untuk Citra Buatan Hasil Foto dari hasil Printer (Noise Sedikit) 83
Tabel A. 21 Akurasi Deteksi Tepi Citra Berdasarkan Area Parsial
untuk Citra Buatan Hasil Foto dari hasil Printer (Garis yang
Bersebelahan).............................................................................84
Tabel A. 22 Akurasi Deteksi Tepi Citra Berdasarkan Area Parsial
untuk Citra Buatan Hasil Foto dari hasil Printer (Tanpa Noise)
m=0,5 v=0,5 dan iterasi=100......................................................84
Tabel A. 23 Akurasi Deteksi Tepi Citra Berdasarkan Area Parsial
untuk Citra Buatan Hasil Foto dari hasil Printer (Noise Sedikit)
m=0,5 v=0,5 dan iterasi=100......................................................85
Tabel A. 24 Akurasi Deteksi Tepi Citra Berdasarkan Area Parsial
untuk Citra Buatan Hasil Foto dari hasil Printer (Garis yang
Bersebelahan) m=0,5 v=0,5 dan iterasi=100...............................85
Tabel A. 25 Akurasi dari setiap jenis filter dan noise yang
digunakan...................................................................................86
Tabel A. 26 Akurasi Berdasarkan Jenis Filter yang Digunakan...86
Tabel A. 27 Akurasi Berdasarkan Jenis Noise yang Digunakan dan
Total Akurasi...............................................................................87
25
(Halaman ini sengaja dikosongkan)
27
BAB I
PENDAHULUAN
1.1
Latar Belakang
Penyakit
parkinson
merupakan
gangguan
neurodegenerative terbanyak ke-2 di dunia setelah penyakit
Alzheimer. Penyakit parkinson menyerang jutaan penduduk di
dunia atau sekitar 1% dari total populasi dunia [1]. Penderita
penyakit ini didominasi orang yang telah berumur di atas 60
tahun. Penyakit ini disebabkan oleh degenerasi syaraf pembawa
dopamine yang terletak pada struktur dalam otak yang disebut
dengan basal ganglia dan subtantia nigra [2].
Pada zaman ini ilmu pengetahuan pada bidang komputer
telah mengalami kemajuan yang sangat pesat. Salah satunya
adalah bidang klasifikasi data. Terdapat banyak macam metode
untuk melakukan klasifikasi. Salah satu yang sering digunakan
adalah neural network. Neural network dapat digunakan seperti
dalam kasus diagnosis suatu penyakit karena memiliki
kemampuan prediksi yang relatif baik.
Tugas Akhir ini akan melakukan uji performa neural
network with weighted fuzzy membership pada kasus klasifikasi
penyakit parkinson. Hasil yang didapatkan pada studi ini
diharapkan memiliki hasil akurasi yang tinggi sehingga dapat
menjadi kakas bantu untuk mempermudah diagnosis penyakit
parkinson.
1.2
Rumusan Permasalahan
1.3
Batasan Masalah
Tujuan
Manfaat
Metodologi
29
2. Studi literatur
Pada tahap ini dilakukan pencarian, pengumpulan,
pembelajaran dan pemahaman informasi dan literatur yang
diperlukan untuk mengiimplementasikan metode Neural
Network with Weighted Fuzzy Membership. Dasar informasi
yang diperlukan pada pembuatan implementasi ini di
antaranya mengenai metode Artificial Neural Network secara
umum, metode fuzzy membership dan metode Neural
Network with Weighted Fuzzy Membership secara spesifik.
Informasi dan literatur didapatkan dari jurnal-jurnal di
internet dan buku.
3. Perancangan perangkat lunak
Tahap ini meliputi perancangan sistem berdasarkan studi
literatur dan pembelajaran konsep teknologi dari perangkat
lunak yang ada. Tahap ini mendefinisikan alur dari
implementasi. Langkah-langkah yang dikerjakan juga
didefinisikan pada tahap ini. Pada tahapan ini dibuat
prototype sistem, yang merupakan rancangan dasar dari
sistem yang akan dibuat. Serta dilakukan desain suatu sistem
dan desain proses-proses yang ada.
4. Implementasi perangkat lunak
Implementasi merupakan tahap membangun rancangan
sistem yang telah dibuat. Pada tahapan ini merealisasikan
apa yang terdapat pada tahapan sebelumnya, sehingga
menjadi sebuah sistem yang sesuai dengan apa yang telah
direncanakan.
5. Pengujian dan evaluasi
Pada tahapan ini dilakukan uji coba terhadap perangkat
lunak yang telah dibuat. Pengujian dan evaluasi akan
dilakukan dengan melihat kesesuaian dengan perencanaan.
Tahap ini dimaksudkan juga untuk mengevaluasi jalannya
ini
disusun
dengan
sistematika
BAB I. PENDAHULUAN
Bab yang berisi mengenai latar belakang, tujuan, dan
manfaat dari pembuatan Tugas Akhir. Selain itu permasalahan,
batasan masalah, metodologi yang digunakan, dan sistematika
penulisan juga merupakan bagian dari bab ini.
BAB II. DASAR TEORI
Bab ini berisi penjelasan secara detail mengenai dasardasar penunjang dan teori-teori yang digunakan untuk
mendukung pembuatan Tugas Akhir ini.
BAB III. PERANCANGAN PERANGKAT LUNAK
Bab ini berisi tentang desain sistem yang disajikan dalam
bentuk diagram alir dan pseudocode.
BAB IV. IMPLEMENTASI
Bab ini membahas implementasi dari desain yang telah
dibuat pada bab sebelumnya. Penjelasan berupa kode yang
digunakan untuk proses implementasi.
BAB V. UJI COBA DAN EVALUASI
31
Bab ini menjelaskan kemampuan perangkat lunak dengan
melakukan pengujian kebenaran dan pengujian kinerja dari sistem
yang telah dibuat.
BAB II
DASAR TEORI
Bab ini berisi penjelasan teori-teori yang berkaitan
dengan metode yang diajukan pada pengimplementasian
perangkat lunak. Penjelasan ini bertujuan untuk memberikan
gambaran secara umum terhadap sistem yang dibuat dan berguna
sebagai penunjang dalam pengembangan perangkat lunak.
2.1 Parkinson
Penyakit parkinson merupakan penyakit neurodegenerative
terbanyak ke-2 di dunia setelah penyakit Alzheimer. Penyakit ini
didominasi oleh pasien yang berumur di atas 60 tahun.
Disebabkan oleh degenerasi syaraf pembawa dopamine yang
terletak pada struktur dalam otak yang disebut dengan basal
ganglia dan subtantia nigra. Gejala motorik dan non-motorik
terdapat pada penyakit parkinson, walaupun diagnosis penyakit
ini murni adanya berasal dari gejala motorik [3].
2.1.1
33
2.1.2
a.
b.
c.
d.
e.
2.1.4
Gangguan neuropsikiatrik
Gangguan tidur
Gangguan otonom
Masalah pencernaan
Gejala sensorik
Pengobatan Penyakit Parkinson
35
ii.
iii.
iv.
x 2 , dan
kepada neuron
jaringan, y , ke neuron
X1 ,
w1 ,
adalah
X1 ,
X 2 , dan
w 2 , dan
x1 ,
X3
w 3 . Input
X 2 , dan
X3 ,
y =w1 x 1+ w2 x 2 +w 3 x 3
(2.1)
Activation
dari neuron
37
Y
v1
mengirim sinyal
Z1
dan
Z2
v2
Z1
dan
Z2
akan
bobot,
dan
z2
dari neuron
Z1
dan
Z2
z1
input dari beberapa atau bahkan banyak neuron, tidak hanya satu
neuron, seperti pada Gambar 2.2.
Meskipun jaringan syaraf pada Gambar 2.2 sangat
sederhana, adanya hidden unit, juga fungsi aktivasi non-linear,
memberikan kemampuan untuk menyelesaikan lebih banyak
permasalahan daripada yang bisa diselesaikan oleh jaringan yang
hanya terdiri dari input dan output unit. Di sisi lain, lebih susah
39
A ( x ) =
xa
ma
bx
bm
xa
a< x m
(2.2)
m< x< b
xb
Fungsi Trapesium
Didefinisikan oleh batas bawah a, batas atas d, batas
dukungan bawah b, dan batas dukungan atas c, dimana a < b
< c < d.
41
,
0
(x< a)
or
(x> d)
xa
ba
A ( x ) =
dx
dc
,
,
,
ax b
(2.3)
bx c
c xd
Fungsi R
Parameter a = b = -
43
A ( x ) =
2.3.2.2.
Fungsi L
dx
dc
x> d
c xd
x< c
(2.4)
Parameter c = d = +
Berikut
ini
adalah
persamaan
untuk
mendapatkan membership value dari fungsi L seperti
yang ditunjukkan pada Persamaan 2.4.
A ( x ) =
x< a
xa
ba
ax b
(2.5)
45
1
x> b
A ( x )=e
( xm )
2
2k
(2.6)
47
2.4 Neural Network With Weighted Fuzzy Membership
Neural network with weighted fuzzy membership function
(NEWFM) adalah klasifikasi supervised neuro-fuzzy yang
menggunakan bounded sum of weighted fuzzy membership
function (BSWFM).
2.4.1
Bl
Ah
adalah
Ci
direpresentasikan sebagai
Bl
dan
w li , yang
Ih ,
w li
Bl
dan class i di
Ih .
Ci
Bl
hanya
49
sesuai.
Bl
apabila
Bl
dengan
w li=1 .
class i dan
2.4.2
Ih
Skema Pembelajaran
Simpul hyperbox
fuzzy ke-i dari
Bl
tiga
fuzzy
weighted
Bl
B il , memiliki
dinotasikan sebagai
membership
i
l1
functions
i
l2
dan
(WFM
il 3
B il
B l , dinotasikan sebagai
B Sl ( a i )= l j ( ai )
i
j=1
Dimana
input
ai
Ah .
(2.7)
Bl
Bl
Output ( Bl ) . Hanya
Output (Bl )
terpilih oleh
Ih
A h=(a1 , a2 , , an )
Bl
1
i
Output ( Bl )= B Sl ( ai)
n i=1
(2.8)
proses
pembelajaran
dengan
operasi
Bl
ai , dimana
0 W il j 1 dan
kekuatan dari
j=1,2,3 ) menunjukkan
il j . WFM
direpresentasikan sebagai
Wl j
il j
dapat
juga
Adjust (Bl )
51
v il j=v il j+ s E il j il j ( ai )
(2.9)
53
Dimana,
W l j =W l j + ( l j ( ai ) W l j )
Dimana
i
lj
dan
dan
i
lj
(2.10)
j=1,2,3 .
Gambar 2.10 memperlihatkan BSWFM sebelum dan
setelah operasi
Adjust ( Bl )
untuk
B il
dengan input
W il 1 ,W il 2 , W il 3
v il 2
mengalami penurunan,
berpindah mendekati
posisi awalnya.
ai
dan
v il 3
v il 1
dan
tetap pada
Operasi
Adjust (Bl )
Bl
55
2.4.3 Ekstraksi Aturan Fuzzy
Hasil dari pembelajaran NEWFM dapat digunakan
untuk ekstraksi aturan fuzzy pada bentuk if-then untuk
mengklasifikasi pola input.
Aturan dapat di ekstraksi langsung dari weighted
fuzzy membership (WFM). Disarankan menggunakan
aturan ekstraksi seperti pada dibawah.
i.
Bounded sum(salah satu operasi pada kumpulan
fuzzy) dari WFM (BSWFM) pada kumpulan
fuzzy
ke-i
B il (x) .
dari
BSWFM
Ci
adalah fungsi
B l , seperti :
B lw li =1 ) or or
B mwmi=1 ) then Ci
BAB III
PERANCANGAN PERANGKAT LUNAK
Pada bab ini akan diuraikan mengenai desain dan
perancangan system perangkat lunak agar dapat mencapai tujuan
dari Tugas Akhir ini. Perangkat lunak yang dibuat pada Tugas
Akhir ini berguna untuk melakukan proses klasifikasi dari data
pengukuran suara pada penderita penyakit parkinson berdasarkan
tingkat kesesuaiannya dengan data pelatihan. Perangkat lunak ini
memiliki dua bagian utama yaitu proses pelatihan dan proses
testing. Proses perancangan perangkat lunak meliputi
perancangan data, perancangan proses, perancangan tabel,
arsitektur sistem dan diagram alir dari masing-masing proses.
3.1 Lingkungan Perancangan Perangkat Lunak
Spesifikasi perangkat keras dan perangkat lunak yang
digunakan dalam perancangan perangkat lunak untuk Tugas Akhir
ini ditampilkan pada Tabel 3.1.
Tabel 3.1 Lingkungan Perancangan Perangkat Lunak
Perangkat
Perangkat Keras
Perangkat Lunak
Spesifikasi
Intel(R) Core (TM) i5
Prosesor
: CPU M 520 @2.40
GHz
Memori
: 4 GB
Windows 7 Ultimate
Sistem Operasi
:
32-bit
Perangkat
: Matlab R2011b
Pengembang
57
3.2 Perancangan Data
Pada subbab ini akan dijelaskan mengenai perancangan
data yang dibutuhkan untuk membangun perangkat lunak
klasifikasi penyakit parkinson. Data meliputi data masukan, data
proses berupa data-data yang diperlukan dan dihasilkan selama
menjalankan proses eksekusi perangkat lunak, serta data keluaran
yang berupa hasil prediksi kelas.
3.2.1 Data Masukan
Tabel 3.2 Data Masukan
No
.
1.
Nama Data
Keterangan
Data Training
2.
Data Testing
Data masukan
prose pembelajaran
Data
masukan
proses testing
Nama Atribut
MDVP:Fo(Hz)
2.
MDVP:Fhi(Hz)
3.
MDVP:Flo(Hz)
Keterangan
Rata-rata frekuensi
dasar vokal
Maksimum
frekuensi dasar
vocal
Minimum
frekuensi dasar
vocal
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
MDVP:Jitter(%)
MDVP:Jitter(Abs)
MDVP:RAP
MDVP:PPQ
Jitter:DDP
MDVP:Shimmer
MDVP:Shimmer(dB)
Shimmer:APQ3
Shimmer:APQ5
MDVP:APQ
Shimmer:DDA
NHR
HNR
17.
18.
RPDE
D2
19.
DFA
20.
21.
22.
23.
spread1
spread2
PPE
status
Variasi ukuran
dalam amplitudo
Rasio ukuran
kebisingan
komponen tonal
dalam suara
Ukuran
kompleksitas
dinamik
Skala sinyal
eksponen fraktal
Ukuran variasi
frekuensi dasar
Status kesehatan
dari subjek
Data Proses
Data Proses adalah data-data yang digunakan dalam
proses pelatihan dan testing dapat dilihat pada Tabel 3.4.
59
Tabel 3.4 Data Proses
No
.
1.
2.
3.2.3
Keterangan
Nama Data
alfa
beta
3.
bswfmval
4.
data
5.
enhval
6.
7.
8.
9.
h
hyperbox
ik
m
10.
minmaxvalue
11.
12.
13.
n
p
test_class
Data Keluaran
Data keluaran adalah data dari hasil proses klasifikasi
berupa prediksi kelas dari data testing, yang merupakan hasil
pembelajaran dari metode neural network with weighted fuzzy
membership data training. Data keluaran pada Tugas Akhir ini
dapat dilihat pada Tabel 3.5.
Tabel 3.5 Data Keluaran
No
Nama Data
Keterangan
.
1.
accuracy
2.
predict_class
Hasil
akurasi
dari
prediksi
yang
telah
dilakukan
Hasil prediksi kelas dari
proses testing
Normalisasi Data
61
X'=
Dimana
X Xmin
Xmax Xmin
X
(3.1)
Xmax
Xmin
adalah nilai
Proses Pembelajaran
63
menggunakan data masukan baru yang sama sekali belum
pernah digunakan pada proses sebelumnya yaitu proses
pembelajaran. Data baru yang dimasukkan akan menggunakan
data-data yang ada dari hasil pembelajaran untuk menentukan
klasifikasi data tersebut. Cara untuk melakukan prediksi kelas
telah sebelumnya dipaparkan pada subbab 2.3.4.
BAB IV
IMPLEMENTASI
Pada bab ini akan dibahas mengenai implementasi yang
dilakukan berdasarkan rancangan yang telah dijabarkan pada bab
sebelumnya. Sebelum penjelasan implementasi akan ditunjukkan
terlebih dahulu lingkungan untuk melakukan implementasi.
4.1 Lingkungan Implementasi
Spesifikasi perangkat keras dan perangkat lunak yang
digunakan dalam implementasi perangkat lunak untuk Tugas
Akhir ini ditampilkan pada Tabel 4.1.
Tabel 4.1 Lingkungan Implementasi Perangkat Lunak
Perangkat
Spesifikasi
Intel(R) Core (TM) i5
Prosesor
: CPU M 520 @2.40
Perangkat Keras
GHz
Memori
: 4 GB
Windows 7 Ultimate
Sistem Operasi
:
32-bit
Perangkat Lunak
Perangkat
: Matlab R2011b
Pengembang
4.2 Implementasi
Pada subbab ini akan dijelaskan implementasi setiap
subbab yang terdapat pada bab sebelumnya yaitu bab
perancangan perangkat lunak. Pada bagian ini juga akan
dijelaskan mengenai fungsi-fungsi yang digunakan dalam
65
perangkat lunak Tugas Akhir ini dan disertai dengan kode sumber
masing-masing fungsi utama.
4.2.1
dan nilai
untuk semua
9
10
11
function B =
adjust(B,m,n,input,alfa,beta)
S=0;
Ej=0;
for i=1:n
for j=2:4
if input.a(i) <
B(m).wmf(i).v(j) && input.a(i) >=
B(m).wmf(i).v(j-1)
S=-1;
Ej =
min(abs(B(m).wmf(i).v(j)input.a(i)),abs(B(m).wmf(i).v(j-1)input.a(i)));
elseif input.a(i) <
B(m).wmf(i).v(j+1) && input.a(i) >=
B(m).wmf(i).v(j)
S=1;
Ej =
min(abs(B(m).wmf(i).v(j)input.a(i)),abs(B(m).wmf(i).v(j+1)input.a(i)));
12
13
14
15
16
17
18
19
end
v = B(m).wmf(i).v(j) + (S *
alfa * Ej * miu(B,m,i,j-1,input.a(i)) *
B(m).wmf(i).w(j-1));
w = B(m).wmf(i).w(j-1) +
(beta * (miu(B,m,i,j-1,input.a(i)) B(m).wmf(i).w(j-1)));
B(m).wmf(i).v(j) = v;
B(m).wmf(i).w(j-1) = w;
end
end
end
Kode Sumber 4.1 Kode sumber fungsi adjust
4.2.2
4.2.3
Bl .
function y = bswfm(B,m,i,input)
y=0;
for j=1:3
y = y + ((miu(B,m,i,j,input) *
B(m).wmf(i).w(j)));
end
end
Kode Sumber 4.2 Kode sumber fungsi BSWFM
67
hyperbox
v0
sampai dengan
r 0 sampai dengan r 4 .
function B = frandom(B,m,n,mmval)
for i=1:n
mx = mmval(i,1);
mn = mmval(i,2);
B(m).wmf(i).vmin = mn;
B(m).wmf(i).vmax = mx;
range = (mx-mn)/3;
B(m).wmf(i).r(1,1) = mn;
B(m).wmf(i).v(1,1) = mn (range/2);
B(m).wmf(i).v(1,5) = mx +
(range/2);
for j=1:3
B(m).wmf(i).w(1,j) =
rand()*0.1+0.45;
B(m).wmf(i).r(1,j+1) =
B(m).wmf(i).r(1,j) + range;
B(m).wmf(i).v(1,j+1) =
B(m).wmf(i).r(1,j) + (range/2);
end
end
end
Kode Sumber 4.3 Kode sumber fungsi Frandom
4.2.4
4.2.5
n = size(data.training.input,2); %jumlah
input node
m = 10; %jumlah hyperbox node
p = 2; %jumlah class node
alfa = 0.05;
beta = 0.01;
%inisialisasi node input
ik.a(1:n,1)=0;
ik.diagnosis=0;
%inisialisasi node hyperbox
hyperbox.wmf.v(1,1:5)=0;
hyperbox.wmf.w(1,1:3)=0;
hyperbox.wmf.r(1,1:4)=0;
hyperbox.wmf.vmin=0;
hyperbox.wmf.vmax=0;
hyperbox.wmf(1:n,1)=hyperbox.wmf;
hyperbox.w(1,1:p)=0;
hyperbox(1,1:m)=hyperbox;
Kode Sumber 4.4 Kode sumber Inisialisasi Variabel
69
suatu variable yang memiliki struktur seperti struct. Variabel
Ik
4.2.6
function y = inputnode(input,data,n,d)
for i=1:n
input.a(i)=data.input(d,i);
end
input.diagnosis = data.output(d);
y = input;
end
Kode Sumber 4.5 Kode sumber fungsi Input Node
function B =
learning(B,l,n,inp,i,alfa,beta)
if B(l).w(i) == 1 && inp.diagnosis ==
i-1
B = adjust(B,l,n,inp,alfa,beta);
end
end
Kode Sumber 4.6 Kode sumber fungsi Learning
4.2.7
4.2.8
1
2
3
4
5
x = size(data.training.input,1);
y = size(data.training.input,2);
minmaxvalue(y,2) = 0;
for i=1:y
minmaxvalue(i,1) =
max(data.training.input(1:x,i));
minmaxvalue(i,2) =
min(data.training.input(1:x,i));
end
Kode Sumber 4.7 Kode sumber fungsi Maxmin
6
7
4.2.9
71
1
2
3
4
5
6
7
8
9
10
11
12
13
14
function y = miu(B,m,i,j,input)
a = B(m).wmf(i).v(j);
b = B(m).wmf(i).v(j+2);
c = B(m).wmf(i).v(j+1);
if input <= a
y = 0;
elseif input >= b
y=0;
elseif input <= c && input > a
y = ((input-a) / (c-a));
elseif input < b && input > c
y = ((b-input) / (b-c));
end
end
Bl
dengan input
Ak
Ak .
1
2
3
4
function y = output(B,m,n,input)
temp = 0;
for i=1:n
temp = temp +
bswfm(B,m,i,input.a(i));
5
6
7
end
y = temp / n;
end
Kode Sumber 4.9 Kode sumber fungsi Output
function result =
testing(B,m,n,p,input,lst)
bswfmval(m)=0;
for i=1:m
for it = 1 : n
bswfmval(i) = bswfmval(i) +
bswfm(B,i,it,input.a(it));
end
end
rst = bswfmval - lst;
[a b] = sort(rst,'descend');
stat = 0;
for i=1:m
nilai = b(i);
for j=1:p
if B(nilai).w(j) == 1
result = j-1;
stat = 1;
end
end
73
19
20
21
22
if stat == 1;
break;
end
end
Kode Sumber 4.10 Kode sumber fungsi Testing
BAB V
UJI COBA DAN EVALUASI
Pada bab ini akan dijelaskan mengenai rangkain uji coba
dan evaluasi yang dilakukan. Pembahasan yang dikemukakan
meliputi data uji coba, hasil uji coba, dan evaluasi.
5.1 Lingkungan Uji Coba
Lingkungan uji coba yang digunakan dalam pembuatan
Tugas Akhir ini meliputi perangkat lunak dan perangkant keras
yang digunakan untuk klasifikasi penyakit parkinson
menggunakan neural network with weighted fuzzy membership.
Lingkungan uji coba merupakan komputer tempat uji coba
Perangkat Lunak
Spesifikasi
Intel(R) Core (TM) i5
Prosesor
: CPU M 520 @2.40
GHz
Memori
: 4 GB
Windows 7 Ultimate
Sistem Operasi
:
32-bit
Perangkat
: Matlab R2011b
Pengembang
75
BAB VI
KESIMPULAN DAN SARAN
Bab ini membahas mengenai kesimpulan yang dapat
diambil dari hasil uji coba yang telah dilakukan sebagai jawaban
dari rumusan masalah yang dikemukakan. Selain kesimpulan,
juga terdapat saran yang ditujukan untuk pengembangan
perangkat lunak lebih lanjut.
6.1 Kesimpulan
Dari hasil uji coba yang telah dilakukan terhadap
pembuatan program deteksi tepi citra berdasarkan subpixel pada
area parsial dapat diambil kesimpulan sebagai berikut:
1. Citra yang dicari tepian secara parsial dapat mendeteksi jenis
citra yang mempunyai noise atau tidak mempunyai noise.
Noise yang dipakai dikhususkan hanya menggunakan noise
yang bertipe Gaussian.
2. Untuk mendapatkan fitur posisi subpixel dapat menggunakan
nilai slope dan m, sedangkan untuk mendapatkan fitur
orientasi didapatkan dari konsistensi tepian yang mempunyai
nilai akurasi di dalam suatu piksel. Untuk mendapatkan fitur
kelengkungan dapat digunakan nilai a, b dan c dari
Persamaan garis y=a+bx+cx2. Sedangkan untuk mendapatkan
fitur tingkat kecerahan antara kedua sisi dari suatu parsial
citra didapatkan dari nilai A dan B.
3. Nilai akurasi ditinjau dari jenis filter yang digunakan adalah
jika menggunakan metode deteksi tepi citra yang tidak
mempunyai noise sebesar 89,92 %, metode deteksi tepi citra
yang mempunyai noise yang sedikit sebesar 88,11% dan
metode deteksi tepi dengan lokasi garis yang bersebelahan
sebesar 88.74%. Sehingga total akurasi dari deteksi tepi citra
berdasarkan subpixel pada area parsial sebesar 88,7%.
DAFTAR PUSTAKA
[
Erni Noviani, Untung Gunarto, and Joko Setyono,
1] "Hubungan Antara Merokok Dengan Penyakit Parkinson di
RSUD Prof. DR. Margono Soekarjo Purwokerto," Mandala
Of Health, vol. IV, pp. 81-86, 2010.
[
Zahari Abu Bakar, Nooritawati Md Tahir, and Ihsan
2] M. Yassin, "Classification of Parkinson's Disease Based on
Multilayer Perceptrons Neural Networks," in International
Colloquium on Signal Processing & Its Applications (CSPA),
2010, pp. 232-235.
[
Nasa Zata Dina, Implementasi Algoritma Deteksi
3] Tepi Berdasarkan Elemen Berstruktur Jamak. Surabaya,
2013.
[
Iqbal Akhmad Ghufron, Aplikasi Pengaturan Durasi
77
4] Lampu Lalu Lintas Berdasarkan Rekaman CCTV Dengan
Algoritma Analisa Simpang Bersinyal. Surabaya, 2013.
[
Agustin Trujillo-Pino, Karl Krissian, Miguel Aleman5] Flores, and Daniel Santana-Cedres, "Accurate Subpixel Edge
Location Based On Partial Area Effect," Image Vision and
Computing, vol. 31, pp. 72-90, 2013.
79
LAMPIRAN A
3.
4.
Tabel A. 1 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
yang Tidak Mempunyai Noise dengan Perbesaran 5x5
piksel tanpa noise (Bagian Pertama)
6. Citra
7. Citra Hasil
5. Citra Hasil
GroundTr
Deteksi
uth
Tepi
8.
11.
13.
9.
12.
14.
10.
15.
18.
16.
26.
24.
22.
20.
17.
23.
21.
19.
29.
27.
30.
25.
33.
28.
32.
31.
81
34.
Tabel A. 2 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
yang Tidak Mempunyai Noise dengan Perbesaran 5x5
piksel tanpa noise (Bagian Kedua)
36. Citra
37. Citra Hasil
35. Citra Hasil
GroundTr
Deteksi
uth
Tepi
38.
40.
42.
39.
41.
43.
44.
45.
48.
46.
47.
52.
50.
49.
55.
53.
51.
57.
56.
58.
54.
59.
60.
83
61.
Tabel A. 3 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
yang Tidak Mempunyai Noise dengan Perbesaran 5x5
piksel tanpa noise (Bagian Ketiga)
63. Citra
64. Citra Hasil
62. Citra
GroundTru
Deteksi
Hasil
th
Tepi
68.
65.
69.
71.
66.
67.
72.
73.
74.
79.
80.
70.
75.
76.
78.
82.
83.
84.
85.
86.
87.
77.
81.
88.
85
89.
Tabel A. 4 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
yang Mempunyai Noise yang Sedikit dengan Perbesaran
5x5 piksel tanpa noise (Bagian Pertama)
91. Citra
92. Citra Hasil
90. Citra Hasil
GroundTr
Deteksi
uth
Tepi
93.
96.
99.
94.
97.
100.
95.
101.
102.
98.
104.
105.
106.
107.
112.
113.
108.
115.
116.
103.
109.
110.
111.
114.
118.
119.
117.
87
120.
Tabel A. 5 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
yang Mempunyai Noise yang Sedikit dengan Perbesaran
5x5 piksel tanpa noise (Bagian Kedua)
122.
Ci
123.
Citr
121.
Citr
tra
a Hasil
a Hasil
GroundTr
Deteksi
uth
Tepi
124.
125.
127.
128.
126.
129.
130.
131.
132.
133.
134.
135.
137.
138.
136.
141.
142.
139.
140.
89
143.
Tabel A. 6 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
yang Mempunyai Noise yang Sedikit dengan Perbesaran
5x5 piksel tanpa noise (Bagian Ketiga)
145.
Cit
146.
Citr
144.
Cit
ra
a Hasil
ra Hasil
GroundTr
Deteksi
uth
Tepi
147.
150.
148.
151.
153.
149.
154.
155.
156.
152.
157.
158.
159.
160.
161.
162.
163.
164.
166.
167.
169.
170.
165.
168.
172.
171.
173.
91
174.
175.
Tabel A. 7 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
dengan Lokasi Garis yang Bersebelahan dengan
Perbesaran 5x5 piksel tanpa noise (Bagian Pertama)
177.
Cit
178.
Cit
176.
Cit
ra
ra Hasil
ra Hasil
GroundTr
Deteksi
uth
Tepi
179.
182.
185.
180.
183.
186.
181.
188.
189.
184.
190.
191.
187.
192.
193.
194.
195.
196.
197.
198.
199.
201.
202.
200.
203.
204.
205.
Tabel A. 8 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
dengan Lokasi Garis yang Bersebelahan dengan
Perbesaran 5x5 piksel tanpa noise (Bagian Kedua)
207.
Cit
208.
Citr
206.
Ci
ra
a Hasil
tra Hasil
GroundTru
Deteksi Tepi
th
209.
214.
211.
210.
215.
212.
213.
216.
93
217.
218.
220.
221.
223.
224.
219.
222.
229.
230.
225.
232.
233.
226.
227.
228.
231.
234.
235.
236.
Tabel A. 9 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
dengan Lokasi Garis yang Bersebelahan dengan
Perbesaran 5x5 piksel tanpa noise(Bagian Ketiga)
238.
Cit
239.
Citr
237.
Cit
ra
a Hasil
ra Hasil
GroundTr
Deteksi
uth
Tepi
240.
241.
242.
248.
249.
250.
243.
244.
245.
251.
252.
257.
258.
253.
260.
261.
259.
262.
264.
246.
247.
254.
255.
256.
263.
95
265.
Tabel A. 10 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
yang Tidak Mempunyai Noise dengan Perbesaran 5x5
piksel dengan noise Gaussian, m=0,5 v=0,5 dan
iterasi=100 (Bagian Pertama)
267.
Cit
268.
Citr
266.
Cit
ra
a Hasil
ra Hasil
GroundTr
Deteksi
uth
Tepi
269.
272.
275.
270.
273.
276.
271.
278.
279.
280.
274.
281.
282.
277.
283.
284.
285.
286.
287.
288.
294.
295.
289.
290.
291.
292.
293.
97
296.
Tabel A. 11 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
yang Tidak Mempunyai Noise dengan Perbesaran 5x5
piksel dengan noise Gaussian, m=0,5 v=0,5 dan
iterasi=100 (Bagian Kedua)
298.
Cit
299.
Citr
297.
Cit
ra
a Hasil
ra Hasil
GroundTr
Deteksi
uth
Tepi
300.
302.
304.
301.
303.
305.
307.
308.
309.
310.
311.
306.
312.
313.
314.
315.
316.
318.
319.
321.
322.
320.
317.
323.
324.
Tabel A. 12 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
yang Tidak Mempunyai Noise dengan Perbesaran 5x5
piksel dengan noise Gaussian, m=0,5 v=0,5 dan
iterasi=100 (Bagian Ketiga)
326.
Ci
327.
Citr
325.
Citr
tra
a Hasil
a Hasil
GroundTr
Deteksi
uth
Tepi
328.
332.
329.
333.
331.
330.
334.
99
335.
336.
338.
339.
337.
340.
341.
343.
344.
346.
347.
342.
345.
348.
349.
350.
351.
Tabel A. 13 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
yang Mempunyai Noise yang Sedikit dengan Perbesaran
5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan
iterasi=100 (Bagian Pertama)
353.
Ci
354.
Citr
352.
Citr
tra
a Hasil
a Hasil
GroundTr
Deteksi
uth
Tepi
355.
356.
358.
359.
361.
362.
357.
364.
365.
360.
367.
368.
363.
370.
371.
366.
373.
374.
369.
372.
377.
378.
375.
380.
381.
376.
379.
101
382.
Tabel A. 14 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
yang Mempunyai Noise yang Sedikit dengan Perbesaran
5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan
iterasi=100 (Bagian Kedua)
384.
Ci
385.
Citr
383.
Cit
tra
a Hasil
ra Hasil
GroundTr
Deteksi
uth
Tepi
386.
389.
387.
392.
390.
388.
393.
394.
395.
391.
396.
397.
398.
399.
401.
402.
404.
403.
405.
406.
407.
Tabel A. 15 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
yang Mempunyai Noise yang Sedikit dengan Perbesaran
5x5 piksel dengan noise Gaussian, m=0,5 v=0,5 dan
iterasi=100 (Bagian Ketiga)
409.
Ci
410.
Citr
408.
Citr
tra
a Hasil
a Hasil
GroundTr
Deteksi
uth
Tepi
411.
414.
415.
412.
400.
413.
103
416.
417.
419.
420.
418.
421.
422.
424.
425.
427.
423.
426.
428.
429.
Tabel A. 16 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
dengan Lokasi Garis yang Bersebelahan dengan
Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5
v=0,5 dan iterasi=100 (Bagian Pertama)
431.
Cit
432.
Cit
430.
Cit
ra
ra Hasil
ra Hasil
GroundTru
Deteksi
th
Tepi
433.
434.
435.
436.
437.
438.
439.
440.
442.
443.
444.
445.
441.
447.
448.
450.
451.
446.
452.
453.
449.
455.
456.
454.
105
457.
Tabel A. 17 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
dengan Lokasi Garis yang Bersebelahan dengan
Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5
v=0,5 dan iterasi=100 (Bagian Kedua)
459.
Citr
460.
Citr
458.
Ci
a
a Hasil
tra Hasil
GroundTru
Deteksi
th
Tepi
461.
464.
466.
462.
465.
467.
463.
468.
469.
470.
471.
472.
473.
474.
475.
476.
477.
482.
478.
479.
480.
481.
107
483.
Tabel A. 18 Hasil Uji Coba Citra Buatan Hasil
Foto dari hasil Printer pada Proses Deteksi Tepi Citra
dengan Lokasi Garis yang Bersebelahan dengan
Perbesaran 5x5 piksel dengan noise Gaussian, m=0,5
v=0,5 dan iterasi=100 (Bagian Ketiga)
485.
Citr
486.
Citr
484.
C
a
a Hasil
itra Hasil
GroundTrut
Deteksi
h
Tepi
487.
490.
493.
488.
491.
494.
489.
495.
496.
497.
492.
498.
499.
500.
501.
502.
503.
504.
505.
508.
509.
506.
507.
510.
Tabel A. 19 Akurasi Deteksi Tepi Citra
Berdasarkan Area Parsial untuk Citra Buatan Hasil Foto
dari hasil Printer (Tanpa Noise)
511.
Citr
a
515.
Citr
a 1 (Tabel
A.1)
519.
Citr
a 2 (Tabel
A.1)
523.
Citr
a 3 (Tabel
A.1)
527.
Citr
a 4 (Tabel
A.2)
516.
23
513.
Hasil
D
et
ek
si
Te
pi
517.
20
520.
23
521.
20
524.
23
525.
20
528.
22
529.
20
512.
GroundTr
uth
514.
Aku
r
a
s
i
518.
86,9
%
522.
86,9
%
526.
86,9
%
530.
90,9
%
109
531.
Citr
a 5 (Tabel
A.2)
532.
20
533.
20
535.
Citr
a 6 (Tabel
A.2)
539.
Citr
a 7 (Tabel
A.3)
543.
Citr
a 8 (Tabel
A.3)
547.
Citr
a 9 (Tabel
A.3)
536.
24
537.
20
540.
24
541.
20
544.
23
545.
20
548.
20
549.
20
551.
Rata-rata Akurasi
534.
100,
0
%
538.
83,3
%
542.
83,3
%
546.
86,9
%
550.
100,
0
%
552.
89,4
8
%
553.
554.
Tabel A. 20 Akurasi Deteksi Tepi Citra
Berdasarkan Area Parsial untuk Citra Buatan Hasil Foto
dari hasil Printer (Noise Sedikit)
557.
Hasil
558.
D
Aku
556.
555.
Citr
et
r
GroundTr
a
ek
a
uth
si
s
Te
i
pi
559.
Citr
560.
561.
562.
a 1 (Tabel
A.4)
563.
Citr
a 2 (Tabel
A.4)
567.
Citr
a 3 (Tabel
A.4)
571.
Citr
a 4 (Tabel
A.5)
575.
Citr
a 5 (Tabel
A.5)
23
20
564.
25
565.
20
568.
23
569.
20
572.
23
573.
20
576.
20
577.
20
579.
Citr
a 6 (Tabel
A.5)
583.
Citr
a 7 (Tabel
A.6)
587.
Citr
a 8 (Tabel
A.6)
591.
Citr
a 9 (Tabel
A.6)
580.
23
581.
20
584.
25
585.
20
588.
23
589.
20
592.
20
593.
20
595.
Rata-rata akurasi
86,9
%
566.
80,0
%
570.
86,9
%
574.
86,9
%
578.
100,
0
%
582.
86,9
%
586.
80,0
%
590.
86,9
%
594.
100,
0
%
596.
88,3
0
%
111
597.
Tabel A. 21 Akurasi Deteksi Tepi Citra
Berdasarkan Area Parsial untuk Citra Buatan Hasil Foto
dari hasil Printer (Garis yang Bersebelahan)
600.
Hasil
601.
D
Aku
599.
598.
Citr
et
r
GroundT
a
ek
a
ruth
si
s
Te
i
pi
602.
Citra
603.
604.
605.
1 (Tabel A.7)
24
20
83,3
%
606.
Citra
607.
608.
609.
2 (Tabel A.7)
23
20
86,9
%
610.
Citra
611.
612.
613.
3 (Tabel A.7)
23
20
86,9
%
614.
Citra
615.
616.
617.
4 (Tabel A.8)
23
20
86,9
%
618.
Citra
619.
620.
621.
5 (Tabel A.8)
20
20
100,
0
%
622.
Citra
623.
624.
625.
6 (Tabel A.8)
24
20
83,3
%
626.
Citra
627.
628.
629.
7 (Tabel A.9)
18
15
83,3
%
630.
Citra
631.
632.
633.
8 (Tabel A.9)
22
20
90,9
634.
Citra
9 (Tabel A.9)
638.
635.
20
Rata-rata akurasi
636.
20
%
637.
100,
0
%
639.
89,0
1
%
640.
641.
Tabel A. 22 Akurasi Deteksi Tepi Citra
Berdasarkan Area Parsial untuk Citra Buatan Hasil Foto
dari hasil Printer (Tanpa Noise) m=0,5 v=0,5 dan
iterasi=100
644.
Hasil
645.
D
Aku
643.
642.
Citr
et
r
GroundT
a
ek
a
ruth
si
s
Te
i
pi
646.
Citra
647.
648.
649.
1 (Tabel
23
20
86,9
A.10)
%
650.
Citra
651.
652.
653.
2 (Tabel
21
20
95,2
A.10)
%
654.
Citra
655.
656.
657.
3 (Tabel
23
20
86,9
A.10)
%
658.
Citra
659.
660.
661.
4 (Tabel
24
20
83,3
A.11)
%
113
662.
Citra
5 (Tabel
A.11)
663.
20
664.
20
666.
Citra
6 (Tabel
A.11)
670.
Citra
7 (Tabel
A.12)
674.
Citra
8 (Tabel
A.12)
678.
Citra
9 (Tabel
A.12)
667.
23
668.
20
671.
23
672.
20
675.
23
676.
20
679.
20
680.
20
682.
Rata-rata akurasi
665.
100,
0
%
669.
86,9
%
673.
86,9
%
677.
86,9
%
681.
100,
0
%
683.
90,3
7
%
684.
685.
Tabel A. 23 Akurasi Deteksi Tepi Citra
Berdasarkan Area Parsial untuk Citra Buatan Hasil Foto
dari hasil Printer (Noise Sedikit) m=0,5 v=0,5 dan
iterasi=100
688.
689.
Hasil
Ak
687.
De
u
686.
Citr
GroundT
tek
r
a
ruth
si
a
Te
s
pi
i
690.
Citra
691.
692.
693.
1 (Tabel
A.13)
694.
Citra
2 (Tabel
A.13)
698.
Citra
3 (Tabel
A.13)
702.
Citra
4 (Tabel
A.14)
706.
Citra
5 (Tabel
A.14)
23
20
695.
23
696.
20
699.
23
700.
20
703.
26
704.
20
707.
20
708.
20
710.
Citra
6 (Tabel
A.14)
714.
Citra
7 (Tabel
A.15)
718.
Citra
8 (Tabel
A.15)
722.
Citra
9 (Tabel
A.15)
711.
24
712.
20
715.
23
716.
20
719.
24
720.
20
723.
20
724.
20
726.
728.
Rata-rata akurasi
86,9
%
697.
86,9
%
701.
86,9
%
705.
76,9
%
709.
100,
0
%
713.
83,3
%
717.
86,9
%
721.
83,3
%
725.
100.
0
%
727.
87,9
3
%
115
729.
Tabel A. 24 Akurasi Deteksi Tepi Citra
Berdasarkan Area Parsial untuk Citra Buatan Hasil Foto
dari hasil Printer (Garis yang Bersebelahan) m=0,5 v=0,5
dan iterasi=100
732.
733.
Hasil
Ak
731.
De
u
730.
Citr
GroundT
tek
r
a
ruth
si
a
Te
s
pi
i
734.
Citra
735.
736.
737.
1 (Tabel
23
20
86,9
A.16)
%
738.
Citra
739.
740.
741.
2 (Tabel
24
20
83,3
A.16)
%
742.
Citra
743.
744.
745.
3 (Tabel
23
20
86,9
A.16)
%
746.
Citra
747.
748.
749.
4 (Tabel
23
18
78,2
A.17)
%
750.
Citra
751.
752.
753.
5 (Tabel
20
20
100,
A.17)
0
%
754.
Citra
755.
756.
757.
6 (Tabel
23
20
86,9
A.17)
%
758.
Citra
759.
760.
761.
7 (Tabel
23
20
86,9
A.18)
%
762.
Citra
763.
764.
765.
8 (Tabel
23
20
86,9
A.18)
766.
Citra
9 (Tabel
A.18)
770.
767.
20
Rata-rata akurasi
768.
20
%
769.
100,
0
%
771.
88,4
8
%
772.
773.
774.
Jenis
Fil
ter
777.
Tanpa
no
ise
783.
Noise
sed
iki
t
789.
Garis
ya
ng
ber
seb
117
ela
ha
n
795.
796.
88.92%
797.
798.
799.
800.
801.
802.
803.
804.
805.
806.
807.
808.
809.
810.
811.
812.
813.
814.
Jenis
Fil
ter
818.
Tanpa
no
ise
826.
Noise
sed
iki
t
834.
Garis
ya
ng
ber
seb
ela
ha
n
842.
Noise
Gaussian
823.
Denga
n
Menggunakan
Noise
Gaussian
827.
Tidak
Menggunakan
Noise
Gaussian
831.
Denga
n
Menggunakan
Noise
Gaussian
835.
Tidak
Menggunakan
Noise
Gaussian
839.
Denga
n
Menggunakan
Noise
Gaussian
Total rata-rata akurasi
844.
845.
846.
847.
848.
849.
850.
851.
824.
90,
828.
88,
832.
87,
829.
88,11%
836.
89,
840.
88,
837.
88,74%
843.
88.92%
119
852.
853.
854.
855.
856.
857.
858.
875.
D
engan
Menggu
nakan
Noise
Gaussia
n
887.
889.
876.
Tanpa
noise
880.
Noise
sedikit
884.
Garis yang
bersebe
lahan
Total rata-rata akurasi
877.
90,37%
881.
87,93%
878.
88,92
%
885.
88,48%
888.
88,92
%
121
BIODATA PENULIS
890.
891.