1

SOSIALISASI EMPAT PILAR

KEBANGSAAN MPR RI

Mochammad Machfud, S.Pd., M.Pd.

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

ISIS, RMS, GAM, OPM, dl

Latar Belakang Tantangan Internal

Barangsiapa yang membunuh seorang manusia,

bukan karena orang itu (membunuh) orang lain,
atau bukan karena membuat kerusakan dimuka
bumi, maka seakan-akan dia telah membunuh
manusia seluruhnya. Dan barangsiapa yang
memelihara kehidupan seorang manusia, maka
seolah-olah dia telah memelihara kehidupan
manusia semuanya. . . (QS. Al-Maaidah : 32)
PANCASILA

Pancasila sebagai Dasar Negara dimaknai Pancasilan menjadi

ideologi Negara yang mengatur sistem kehidupan nasional
dalam rangka mencapai cita-cita dan tujuan bangsa
Indonesia
 Latar Belakang
1. Image segmentation and analysis via multiscale gradient watershed
hierarchies (Gauch, 1999)
Menggunakan teknik multiscale filter gaussian pada citra gradient
magnitude guna memperlebar area region watershed.
Konvolusi dengan filter gaussian mengakibatkan penurunan
kualitas tepi.

2. Automatically Gradient Threshold Estimation of Anisotropic Diffusion for

Meyer's Watershed Algorithm Based Optimal Segmentation (PK, M. K.,
dkk, 2014).
Mengoptimalkan pembentukan region dengan anisotropic diffusion
yang parameter edge magnitude ditentukan otomatis
Untuk tepi kontur objek yang beragam, maka metode ini akan
mereduksi region minimal tepi kontur objek.
10
 Latar Belakang
3. Hybrid Segmentation Of Depth Images using a Watershed and Region
Merging Based Method For Tree Species Recognition (Othmani, A., dkk,
2013)
Menggabungkan region yang adjacent berdasarkan pertimbangan
weak boundaries.
Penggabungan setelah proses watershed meningkatkan
kompleksitas segmentasi.

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

Kontribusi pada penelitian ini adalah mengembangkan metode

segmentasi baru yang mengoptimalkan penentuan region
objek ikan tuna menggunakan threshold barrier watershed
yang adaptif berbasis analisis hierarki klaster gradient-
magnitude citra (GBW-AHK) dan juga ditambahkan proses
penggabungan region berdasarkan dua kriteria similarity
dengan RCM, hingga dihasilkan dua region segmentasi, yaitu
objek tuna dan background.

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

Dengan menggunakan GBW-AHK dan RCM diharapkan mampu

mengatasi masalah over-segmentasi hingga dihasilkan ekstraksi
kontur objek yang lebih optimal, akurat dan robust terhadap
iluminasi dan ambiguitas konsistensi tepi kontur objek sebelum
masuk ketahapan klasifikasi.

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

1. Citra Asli 2. Citra Bilateral 3. Citra Contrast Stretching 4. Citra Homomorphic

6. Hasil Normalisasi Tanpa Tahapan 2 dan 3 5. Hasil Normalisasi 20

 3. GBW-AHK
3.1 Watershed

Memvisualisasikan sebuah citra dalam 3 dimensi : dua koordinat ruang

versus tingkat keabu-abuan.
Region Catchment Basin
Dam/Gradient-Barrier

Titik seed yang disebut marker Region Watershed Tuna yang

overlapping 21
 3. GBW-AHK
2 Inisialisasi Gradient-Barrier dengan(Zhang,
Markeret al., 2014 dan Yang & Ahuja, 2014)

Dam
1. Hitung gradient magnitude citra,
Konversi ke distribusi histogram:

2. Hitung gradient threshold .

E
D Dimana, : histogram gradient magnitude
G
C F dan : proporsi piksel tepi yang tajam
B (sharp edge)
A
Catchment Basin 3. Semua intesitas piksel gradient
magnitude < : diidentifikasi sebagai
seed piksel 22
 3. GBW-AHK
2 Inisialisasi Gradient-Barrier dengan Marker
(Zhang, et al., 2014 dan Yang & Ahuja, 2014)

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

Otsu (nilai threshold Varian Lokal

diambil dari indeks nilai
varian antar kelas yang
paling maksimum, ->
max)

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:

Varian Intra 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:

Varian Intra 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.

1. Merging bisa dilakukan jika region bertetangga secara langsung, jika

tidak maka diabaikan

2. Merging dilakukan menggunakan perhitungan similarity mean vektor

atau J-divergence
=

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

Region GBW-AHK Column1

30
 Evaluasi Hasil
. Kinerja Segmentasi Metode Usulan
2.1 Relative Area Error (RAE) Rata-Rata RAE metode
usulan 4,77%
Perbandingan Relative Area Error
Rata-Rata RAE metode
pembanding 4,72%

Metode Usulan (GBW-AHK dan RCM)

Metode Pembanding (GBW manual & RCM)
31
 Evaluasi Hasil
. Kinerja Segmentasi Metode Usulan
2.2 Missclassification Error (ME) Rata-Rata ME metode
usulan 0,63%
Perbandingan Misclassification Error
Rata-Rata ME metode
pembanding 0,70%

Metode Usulan Metode Pembanding

32
 Evaluasi Hasil
. Kinerja Segmentasi Metode Usulan
2.3 Modified Hausdorff Distance (MHD) Rata-Rata MHD metode
usulan 0,20
Perbandingan Modified Hausdorff Distance
Rata-Rata MHD metode
pembanding 0,38

Metode Usulan Metode Pembanding 33

 Evaluasi Hasil
3. Efisiensi Waktu Segmentasi
Rata-Rata waktu
Perbandingan Waktu Eksekusi esksekusi metode
usulan 11,61 detik
Rata-Rata waktu
metode pembanding
15,54 detik

Metode Usulan Metode Pembanding

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

Filter Homomorphic adalah salah satu metode dalam memperbaiki citra

digital yang mengalami kondisi iluminasi yang tidak merata dengan
melemahkan frekuensi rendah yang didominasi illumination dan
menguatkan frekuensi tinggi yang didominasi reflectance.
Illumination

Reflectance

Logaritmik Natural
Domain Spasial
45
 Filter Homomorphic
Transformasi
Fourier ke Domain
Frekuensi

Filterisasi

Inversi Fourier ke
Domain Spasial

Hilangkan Sifat Log.

Citra Baru
Terbentuk

46