3
Latar Belakang
Indonesia dengan + 225 Juta jiwa,
> 500 grup etnik, + 17.000
Total Luas: +pulau,
1.904.569
SDA yangkmmelimpah
2
Sabang
P.Miangas
Merauke
P.Rote 4
Latar Belakang Tantangan Eksternal
Nasionalisme semakin Warga
menipis, lunturnya
.
yang
semangat gotong-
Individualis
royong, menyepelekan
norma agama, dan dan
kesusilaan, hedonis, Pragmatis
serta tidak peka
lingkungan sekitar, dll.
Globalis
asi
Latar Belakang Tantangan Internal
Beragam Lemahnya
.
Suku, penghayatan
Agama, Ras agama, pengabaian
kesejahteraan di
daerah, fanatisme
buta, perang dan
pemboman atas
nama suku, agama,
ras, dll
11
Latar Belakang
4. Medical Image Segmentation Using Watershed Segmentation with
Texture-Based Region Merging (Ng, H.P., dkk, 2008)
Region watershed dibentuk dengan melakukan seleksi intensitas
minima memanfaatkan rata-rata gradient magnitude citra sebagai
threshold
Reduksi region belum optimal, karena terdapat beberapa citra
yang memiliki rata-rata gradient-magnitude sama, tetapi distibusi
varian histogram berbeda.
5. Automatic Segmentation of Granular Objects in Image: Combining Local
Density Clustering and Gradient-Barrier Watershed (Yang, H., &
Narendra, A.,2014)
6. A Marker-based Watershed [5]
Seleksi gradient-barrier Method
atau for X-ray[6]
marker Image Segmentation
secara manual sebagai
(Zhang, X., dkk,
threshold 2014)
untuk membentuk region watershed
Nilai threshold yang sama (bersifat statis) dapat menghasilkan
keoptimalan reduksi region masing-masing citra yang berbeda
12
satu sama lain.
TUJUAN DAN KONTRIBUSI
13
Perumusan Masalah
1. Bagaimana mengatasi derau dan menormalkan iluminasi citra
ikan tuna?
2. Bagaimana mengatasi inkonsistensi tepi dan mereduksi
wilayah yang over-segmentasi dalam skema watershed?
3. Bagaimana melakukan proses region merging hingga
diperoleh dua region yang tersisa, yaitu region objek tuna dan
background?
Batasan Masalah
1. Dataset yang digunakan berasal dari PT. Aneka Tuna Indonesia.
2. Dataset terdiri dari tiga jenis ikan tuna, yaitu Skipjack tuna,
Bigeye tuna dan Yellowfin tuna, dengan total 25 ikan.
3. Masing-masing dataset merupakan citra bertipe file JPG dengan
single objek.
14
Manfaat
15
Uji Coba Metode Usulan
Desain Sistem
16
1. Pengambilan Sampel Citra Tuna
Ketinggian tetap
17
MULAI
2. Normalisasi Citra
Input Citra Asli dan
Atur Parameter
Bilateral 2.1 Filter Bilateral (Elad, 2002)
Teknikperbaikan tekstur citra, yang
Konversi ke Citra CIE-L*a*b
[b k]=size(Citra
mempertimbangkan bobot spasial dan
Asli) bobot fotometrik
x=1 dan y=1 y=y
Tidak y== +1
x>
b? k?
Ya x=x Ya Tidak
+1
Konversi Citra
ke ruang
grayscale Hitung intensitas bilateral
Hitung
fungsi
stretchlim
2.2 Contrast Stretching (Gonzalez & Woods, 20
Output Citra
Contrast Teknik perbaikan kontras yang
Stretching meningkatkan dynamic range dari gray
SELESAI level citra yang akan diproses 18
2. Normalisasi Citra
MULAI
2.3 Filter Homomorphic (Gonzalez & Woods, 20
Citra grayscale
Operasi logaritmik natural Teknik perbaikan iluminasi menggunakan
citra filterisasi illumination-reflectance model.
Transformasi spasial ke
fourier
Filter transformasi
Inversifourierkespasial
Menghilangkanoperasilogaritmik
Citra
homomorphic
SELESAI
19
2. Normalisasi Citra Tuna
.4 Hasil Pengujian
Dam
1. Hitung gradient magnitude citra,
Konversi ke distribusi histogram:
Dam Gradient-Barrier
E E
D D
G G
C F C F
B B
A A
Catchment Basin Catchment Basin
23
3. GBW-AHK
emilihan Optimal Marker dengan Analisis Hierarki Klaster
K1 K2 K1 K2 24
3. GBW-AHK
4 Ilustrasi Analisis Hierarki Klaster
(Arifin & Asano, 2006)
Misal:
Varian Lokal nilai similarity: <
Similarity Level
>
>
1 2 3 4 5
Iterasi ke-1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
21 .. 254 255 Gray Level Index
Varian Inter Kelas:
25
3. GBW-AHK
4 Ilustrasi Analisis Hierarki Klaster
(Arifin & Asano, 2006)
Misal:
Varian Lokal nilai similarity: <
Similarity Level
>
1 2 3
Dikarenakan operasi
penggabungannya yang berulang,
masalah multi-level thresholding
1 2 3 4 5 dapat diselesaikan dengan metode
ini.
Iterasi ke-2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
21 .. 254 255 Gray Level Index
Varian Inter Kelas:
26
3. GBW-AHK
Mencari Parameter Jumlah Klaster dan Hasil Pengujian
Analisis Hierarki Klaster
Identifikasi Parameter Jumlah Klaster untuk GBW-AHK
No Jumlah K Threshol Threshol Jarak
Tmanual= 0.1 Klaster d d Manual Euclidea
n
1. 2; 3 0,63 0,1 0,53
2. 4 0,44 0,1 0,34
3. 5; 6; 7; 8 0,26 0,1 0,16
4. 9; 10; 11; 0,18 0,1 0,08
12
5. 13; 14; 0,09 0,1 0,01
15; 16;
17; 18;Jumlah Klaster Optimal
TAHK=0,129 TAHK=0,086 TAHK=0,141 19; 20TAHK=0,141 TAHK=0,122
4. RCM
4.1 Region Merging dengan (Yang,
RCM et al., 2013)
Regional Credibility Merging (RCM) adalah teknik perhitungan similarity
pasangan region yang bertetangga berdasarkan empat jenis kriteria.
Namun kami memodifikasi dengan hanya mempertimbangkan dua
kriteria, yaitu ketetanggaan region dan color-texture dissimilarity.
28
MULAI
Citra GBW-AHK
4. RCM
Labeli wilayah {Ri|i=1,2,
Hapus Garis
Watershed n}
4.2 Ilustrasi RCM
(Yang, et al., 2013)
Temukan P pasangan region Urutkan secara descending Tetangg Color-Texture
Tetangga
adjacent RB region berdasarkan luasan Label L=2 LuasRCMD*
a L=2 Dissimilarity
dan pilih yang teratas Region Area
i=1, Total_ sebagai RB 1 12 00
3 2 114335
Tidak 3 32 00
115 1068
i>P?
Hitung dissimilarity pasangan 4 42 00
271 1002
Ya
Total_ + Total_ 5 52 00
i=1, j=1 259 986
2
6 64.709143
0.00098
60 880
i=i+1 7 7 0.012133
58.2959
i>P? Ya 177 768
1 8 833.23286
0.006917
Tidak j==1 Tidak 339 605 387
9 918.62738
0.003877
? 336 412
Hitung
10 10 0.003527
16.94621
Ya 4 296 360
overwrite label tersisa 11 1126.03847
0.005419
298 357
<TRCMD?
Tidak selain RB = RF 12 12 0.024977
120.0101
375 292
Operasi Morfologi 13 13 0.002783
13.37286 5
Ya 289 250
Merge wilayah, 14 1443.22428
0.008996
j=j+1 189 249
overwrite label R ke i Hasil Segmentasi 15 15140.0969
0.029157
tetangga = RB 322 242
i=i+1 382 231
RCMD*(510)< 387 387 2.58E-05
20.123985
Selesai 510 510 0.001095
5.263408 29
507 1
Evaluasi Hasil
rja Reduksi Region Watershed yang overlapping dengan AHK (GBW-AHK
Sebagian besar region
Perbandingan Reduksi Region tereduksi
Rata-rata selisih
reduksi 80,4 region
Beberapa sampel
terdapat kesalahan
reduksi
34
Kesimpulan
1. Tahapan normalisasi citra berhasil mengatasi permasalahan tekstur
yang kasar pada area background, derau akibat citra yang kabur dan
derau akibat iluminasi atau pencahayaan yang tidak merata.
2. Metode GBW-AHK berhasil menentukan threshold yang adaptif dalam
membentuk klaster berdasarkan analisis varian inter kelas dan intra
kelas, sehingga secara optimal mampu memisahkan klaster kekuatan
tepi area objek dan non objek tuna.
3. Metode RCM berhasil mengidentifikasi region-region sisa untuk
digabung menjadi bagian dari background ataupun objek tuna.
4. Integrasi GBW-AHK dan RCM menghasilkan segmentasi akurat yang
mampu mengoptimalkan penentuan region objek dari citra tuna
dengan nilai rata-rata RAE, ME, dan MHD berturut-turut adalah 4,77%,
0,63% dan 0,20.
5. GBW-AHK terbukti mempercepat proses RCM, sehingga dapat
mengurangi waktu eksekusi segmentasi, dengan rata-rata waktu
eksekusi adalah 11,61 detik. 35
SEKIAN DAN TERIMA KASIH
36
LAMPIRAN-LAMPIRAN
1. Antar Muka Program
37
LAMPIRAN-LAMPIRAN
2. Input Citra
38
LAMPIRAN-LAMPIRAN
2. Proses dan Output Citra
39
LAMPIRAN-LAMPIRAN
2. Evaluasi Kinerja
40
LAMPIRAN-LAMPIRAN
2. Coding Aplikasi
2.1 Filter Bilateral
2.2 Contrast Stretching
2.3 Filter Homomorphic
2.4 Analisis Hierarki Klaster
2.5 Gradient Barrier Watershed
2.6 Regional Credibility Merging
3. Buku Tesis
41
LAMPIRAN-LAMPIRAN
. Pemotongan Threshold GBW-AHK
CT10 TGBW-AHK=0,09
CT15 TGBW-AHK=0,133
42
LAMPIRAN-LAMPIRAN
. Pemotongan Threshold GBW-AHK
CT20 TGBW-AHK=0,157
CT22 TGBW-AHK=0,114
43
LAMPIRAN-LAMPIRAN
. Pemotongan Threshold GBW-AHK
CT23 TGBW-AHK=0,122
CT25 TGBW-AHK=0,145
44
Lanjutan Filter Homomorphic
Reflectance
Logaritmik Natural
Domain Spasial
45
Filter Homomorphic
Transformasi
Fourier ke Domain
Frekuensi
Filterisasi
Inversi Fourier ke
Domain Spasial
46