Optimasi Model Segmentasi Citra Metode Fuzzy Divergence Pada Citra Luka Kronis Menggunakan Algoritma Genetika
| Main Author: | Rachmansyah, Ghenniy |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2016
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/146930/1/Ghenniy_Rachmansyah-125150201111040-Jurnal_Skripsi.pdf http://repository.ub.ac.id/146930/2/Ghenniy_Rachmansyah-125150201111040-Skripsi.pdf http://repository.ub.ac.id/146930/ |
Daftar Isi:
- Secara global, luka kronis merupakan masalah yang masih terbilang berat dalam penanganan baik dalam perawatan maupun rehabilitasinya yang masih sukar dan memerlukan ketekunan, biaya mahal, tenaga terlatih dan terampil. Dalam hal penanganan luka kronis, proses pengkajian luka masih dilakukan secara manual yang prosesnya membutuhkan waktu yang cukup lama dan menghasilkan suatu hasil yang lebih subyektif. Dengan adanya permasalahan tersebut, maka dibutuhkan sebuah inovasi berupa sistem yang membantu dalam pengkajian luka dengan pendekatan citra digital atau dikenal dengan istilah digital planimetry yang mengidentifikasi batas luka dan jenis jaringan luka berdasarkan citra atau gambar. Dalam penelitian kali ini, fokus permasalahan yang diselesaikan hanya sebatas pada penggolongan komposisi jaringan luka dengan pendekatan segmentasi citra. Pada task segmentasi citra, algoritma yang digunakan yaitu fuzzy divergence yang dioptimasi menggunakan algoritma genetika untuk pemilihan nilai threshold optimal. Pada algoritma genetika, representasi kromosom berupa real-coded, kemudian pada proses reproduksi menggunakan operasi extended intermediate crossover dan random mutation, serta metode seleksi elit (elitism selection) dengan penambahan mekanisme random injection. Metode yang diusulkan dapat digunakan untuk mengoptimasi model segmentasi citra multilevel thresholding pada citra luka kronis dengan meminimalkan nilai fuzzy divergence dengan parameter algoritma genetika; meliputi ukuran populasi sebesar 60, kombinasi ukuran cr dan mr secara berturut-turut 0.6 dan 0.4, dan ukuran generasi sebesar 100. Kemudian, berdasarkan evaluasi hasil segmentasi citra menggunakan Standar Deviasi (SD), distribusi Gamma menghasilkan hasil segmentasi yang lebih baik. Untuk hasil segmentasi citra yang lebih baik kaitannya dengan penggolongan komposisi jaringan luka kronis, perlu ditambahkan metode atau mekanisme untuk memisahkan daerah luka dan daerah non-luka terlebih dahulu.