Segmentasi Citra berbasis Informasi Warna dan Tekstur menggunakan Neutrosophic Set
| Main Authors: | Widiasri, Monica, Ginardi, R. V. Hari, Soelaiman, Rully |
|---|---|
| Format: | BookSection NonPeerReviewed application/pdf |
| Terbitan: |
Institut Teknologi Sepuluh Nopember Surabaya
, 2012
|
| Subjects: | |
| Online Access: |
http://repository.ubaya.ac.id/24139/6/SNPS_MonicaW_SegmentasiCitra_abstract_2012.pdf http://repository.ubaya.ac.id/24139/7/SNPS_MonicaW_SegmentasiCitra_2012.pdf http://repository.ubaya.ac.id/24139/ |
Daftar Isi:
- Segmentasi citra adalah proses membagi citra ke beberapa region, sehingga setiap region bersifat homogen. Citra natural umumnya berisi kombinasi informasi warna dan tekstur. Oleh karena itu, metode segmentasi citra yang menggunakan informasi warna dan tekstur akan dapat menghasilkan kemampuan yang lebih baik dalam membedakan region. Pada teori neutrosophy, setiap entitas tidak hanya mempunyai nilai kebenaran, namun juga mempunyai nilai kesalahan dan nilai ketidakpastian. Neutrosophic set (NS), merupakan generalisasi dari fuzzy set, yang berdasarkan neutrosophy. NS dapat digunakan untuk menyelesaikan permasalahan yang berkaitan dengan ketidakpastian, seperti sistem basis data relasional, semantic web services, deteksi dataset keuangan, analisa perkembangan ekonomi, serta pengolahan citra. Pada penelitian ini, kombinasi ekstraksi informasi warna pada ruang warna L*u*v dan ekstraksi informasi tekstur menggunakan transformasi Gabor wavelet, ditransformasikan pada domain NS. Operasi alpha-mean dan beta-enhancement dilakukan untuk mengurangi ketidakpastian pada citra neutrosophic berdasarkan nilai entropy citra. Selanjutnya dilakukan proses segmentasi menggunakan gamma-K-means clustering. Hasil uji coba menunjukkan bahwa metode yang diusulkan dapat melakukan segmentasi citra tekstur berwarna dengan baik. Segmentasi citra dengan metode clustering yang menggunakan NS terbukti lebih baik dibandingkan metode clustering yang tidak menggunakan NS. Keberhasilan penerapan indeks validitas dalam penentuan jumlah cluster optimal otomatis mencapai kesesuaian hasil dengan F-measure terbaik sebesar 70%.