Penyusun Tugas Akhir : Ivan Hardiyanto (NRP : ) Dosen Pembimbing : Yudhi Purwananto, S.Kom, M.Kom Rully Soelaiman, S.Kom, M

PRESENTASI TUGAS AKHIR – KI091391 IMPLEMENTASI SEGMENTASI CITRA DENGAN MENGGUNAKAN METODE GENERALIZED FUZZY C-

MEANS CLUSTERING ALGORITHM WITH IMPROVED FUZZY PARTITIONS (Kata kunci: Algoritma Fuzzy Clustering, Fuzzy Partitions, Membership constraint function, Segmentasi Citra)

Penyusun Tugas Akhir : Ivan Hardiyanto (NRP : 5107.100.039)

Dosen Pembimbing : Yudhi Purwananto, S.Kom, M.Kom Rully Soelaiman, S.Kom, M.Kom 1 11 Juni 2012

Tugas Akhir – KI091391

OUTLINE PRESENTASI Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Gambaran Umum Aplikasi Metode Uji Coba dan Hasil Kesimpulan Saran

LATAR BELAKANG

1. Segmentasi merupakan proses yang sering digunakan dalam pemilahan citra dan telah menjadi subyek kegiatan penelitian selama beberapa tahun terakhir.

2. Fuzzy C-Means (FCM) adalah salah satu algoritma segmentasi

yang banyak digunakan dan memiliki banyak varian dari hasil pengembangan metode tersebut.

3. Diperlukan metode yang tahan dalam mengatasi noise dan meningkatkan konvergensi dari proses segmentasi.

3 18 Juli 2012


RUMUSAN MASALAH

1. Bagaimana memahami metodologi segmentasi menggunakan Generalized Fuzzy C-Means Clustering Algorithm with Improved Fuzzy Partitions (GIFP FCM) untuk segmentasi citra grayscale? 2. Bagaimana menyusun suatu algoritma segmentasi citra dan merancang system yang sesuai dengan metode yang digunakan?

3. Bagaimana menyusun skenario uji coba terhadap system yang telah dibuat, mengamati kinerja system yang telah dibuat dan mengidentifikasi kendala yang mungkin timbul?

4 18 Juli 2012


BATASAN MASALAH

1. Implementasi dan Simulasi eksperimen dilakukan menggunakan Matlab 7.6

2. Uji coba dengan membandingkan adalah hasil segmentasi dengan Fuzzy C-Means (FCM) dan Generalized Fuzzy C-Means Clustering Algorithm with Improved Fuzzy Partitions (GIFP FCM).

5 18 Juli 2012


TUJUAN

1. Membangun

aplikasi mengimplementasikan

dengan metode

menggunakan

matlab

yang

Generalized Fuzzy C-Means Clustering Algorithm with Improved Fuzzy Partition (GIFP FCM).

2. Meningkatkan akurasi hasil segmentasi citra dan mengatasi noise pada citra.

3. Mendapatkan informasi penting yang terdapat pada daerah yang telah ditemukan dalam citra grayscale.

6 18 Juli 2012


GAMBARAN UMUM APLIKASI

2 buah citra grayscale yang telah diberikan noise

Citra hasil

Proses Segmentasi

Citra hasil 7

18 Juli 2012


Metode(1)

1. Dalam Tugas Akhir ini diusulkan alternatif penyelesaian segmentasi citra dengan menerapkan metode pengembangan dari FCM yaitu Generalized Fuzzy C-Means Clustering Algorithm with Improved Fuzzy Partitions (GIFP FCM) 2. GIFP FCM adalah sebuah algoritma fuzzy clustering dengan sebuah membership constraint yang baru diperkenalkan ke fungsi obyektif dari FCM untuk mendapatkan partisi yang lebih jelas. Sehingga lebih efektif dan tahan dalam mengatasi noise 3. Dengan memperkenalkan membership constraint yang baru maka didapatkan fungsi keanggotaan dan fungsi obyektif yang baru sehingga meningkatkan konvergensi 8 18 Juli 2012


Metode(2)

Metode FCM menggunakan fungsi obyektif: .....(1) Untuk memperbarui nilai keanggotaan data digunakan rumus: .....(2) Sedangkan untuk memperbarui pusat cluster digunakan rumus: .....(3) 9 18 Juli 2012


Metode(3)

Dimana: Uij = nilai keanggotaan untuk center ke-i dan pixel ke-j Xj = pixel ke-j Vi = pusat cluster ke-i m = nilai eksponensial (m = 2) Dalam tahap ini akan dibatasi nilai maksimum jumlah iterasi adalah 2500, epsilon(ε) = 0.00001, nilai expo(m) = 2, dan jumlah cluster_n diubah-ubah dari n=3, n=4, dan n=5. Nilai keanggotaan yang baru, disimpan dalam variabel U dan nilai pusat cluster yang baru disimpan dalam variabel center, lalu dicek apakah perubahan pusat cluster antar 2 iterasi yang berdekatan saat ini kurang dari epsilon (ε), jika kurang dari epsilon (ε) atau iterasi telah mencapai jumlah iterasi maksimum maka iterasi berhenti. 10

18 Juli 2012


Metode(4)

Start

Inputan Citra dan jumlah cluster

Inisialisasi membership function awal

Hitung cluster center

Hitung perubahan membership function

Nilai epsilon memenuhi

Hitung objective function

tidak

Memenuhi jumlah iterasi maksimum

tidak

ya

ya

Nilai membership function dan posisi cluster center

Finish

11 18 Juli 2012


Metode(5)

Sedangkan pada metode GIFP FCM terdapat perubahan pada fungsi obyektif dengan penambahan parameter .....(4) Untuk memperbarui nilai keanggotaan data juga dimodifikasi dengan ditambahkan parameter .....(5) Rumus untuk memperbarui pusat cluster tidak berubah, tetap seperti pada FCM .....(6) 12 18 Juli 2012


Metode(6)

Karena rumus update nilai keanggotaan telah ditambahkan parameter maka nilai Uij akan berubah setiap kali iterasi, untuk menjadikan 0 < Uij < 1, maka

.....(7)

dimana parameter α (0 < α < 1) yang mengontrol kecepatan konvergensi dari GIFP FCM. Nilai aj akan bergantung pada inputan nilai α. 13 18 Juli 2012


Metode(7)

Segmentasi pada metode ini ditambahkan parameter aj pada fungsi obyektif dan fungsi nilai keanggotaan (membership function). Dalam tahap ini akan dimasukkan nilai α = 0.99, maksimum jumlah iterasi adalah 2500, epsilon(ε) = 0.00001, nilai expo(m) = 2, dan jumlah cluster_n diubah-ubah dari n=3, n=4, dan n=5. Nilai keanggotaan yang baru, disimpan dalam variabel U baru dan nilai pusat cluster yang baru disimpan dalam variabel center, dan dilihat apakah perubahan pusat cluster antar 2 iterasi yang berdekatan saat ini kurang dari epsilon (ε), jika kurang dari epsilon (ε) atau iterasi telah mencapai jumlah iterasi maksimum maka iterasi berhenti. 14 18 Juli 2012


Metode(8)

Inputan Citra, jumlah cluster dan nilai alpha = 0.99

Start

Inisialisasi membership function awal

Hitung cluster center

Hitung perubahan membership function dengan parameter aj yang diperoleh dari alpha = 0.99

Nilai epsilon memenuhi

Hitung objective function yang telah ditambahkan parameter aj

tidak

Memenuhi jumlah iterasi maksimum

tidak

ya

ya

Nilai membership function dan posisi cluster center

Finish

15 18 Juli 2012


EVALUASI KINERJA METODE(1)

1. Fungsi validitas adalah fungsi yang dihitung untuk menilai secara kuantitatif dan mengevaluasi hasil kerja clustering. Fungsi

representasi untuk partisi fuzzy adalah koefisien partisi (Vpc) dan entropi partisi (Vpe) yang didefinisikan sebagai: .... (8) .... (9)

dimana Vpc : koefisien partisi Vpe : entropi partisi Uij : Nilai keanggotaan dari fuzzy untuk cluster ke-i dan data ke-j n : Total jumlah pixel pada citra 18 Juli 2012


16

EVALUASI KINERJA METODE(2)

2. Gagasan kedua fungsi validitas tersebut adalah bahwa partisi dengan ketidakteraturan (fuziness) yang kurang, berarti

menunjukkan kinerja yang lebih baik. Jadi segmentasi terbaik dicapai bila Vpc maksimal dan Vpe minimal

3. 0 < Vpc < 1 dan 0 < Vpe < 1

17 18 Juli 2012


SKENARIO UJI COBA(1)

Uji coba terhadap sistem untuk melakukan proses segmentasi citra dengan menggunakan metode Fuzzy C-Means (FCM) dan GIFP FCM. Uji coba dengan memasukkan 2 buah citra grayscale yang di dalamnya diberikan noise. Kemudian dilakukan proses segmentasi sehingga dapat dihasilkan citra yang tersegmentasi yang nantinya akan dibandingkan nilai Vpc dan Vpe nya. 18 Juli 2012


(a)Citra house 256x256 pixel (b)Citra house yang telah diberikan gaussian noise (0, 0.006) (c) Citra blood 272x265 pixel (d)Citra blood yang telah diberikan gaussian noise (0, 0.025) 18

70 Hasil segmentasi dengan Metode = GIFP FCM Gaussian noise =(0, 0.006) Cluster=3 α = 0.1

Hasil segmentasi dengan Metode = GIFP FCM Gaussian noise =(0, 0.006) Cluster=3 α = 0.3










Tabel A.6 Hasil output segmentasi citra lena

Citra Input

74 Hasil segmentasi dengan Metode = FCM Gaussian noise =(0, 0.006) Cluster=3

Hasil segmentasi dengan Metode = FCM Gaussian noise =(0, 0.025) Cluster=3













Tabel A.7 Hasil output segmentasi citra rice

Citra Input







81 Tabel A.8 Hasil output segmentasi citra boat

Citra Input












Diagram Perbandingan nilai Vpc pada metode FCM dan GIFP FCM

Vpc sebanding dengan jumlah cluster 28 18 Juli 2012


Diagram Perbandingan nilai Vpe pada metode FCM dan GIFP FCM

Vpe sebanding dengan jumlah cluster 29 18 Juli 2012


Diagram Perbandingan jumlah iterasi pada metode FCM dan GIFP FCM

Jumlah iterasi tidak berbanding lurus dengan jumlah cluster 30 18 Juli 2012


Analisa

Nilai Vpc dan Vpe pada kedua metode sebanding dengan jumlah cluster Nilai Vpc dan Vpe yang dihasilkan metode GIFP FCM lebih baik Dengan jumlah cluster yang sama, metode GIFP FCM membutuhkan lebih sedikit iterasi dibandingkan dengan metode FCM Dalam 1 metode, jumlah iterasi tidak berbanding lurus dengan jumlah cluster

31 18 Juli 2012


Kesimpulan

11

Metode GIFP FCM memiliki nilai koefisien partisi (Vpc) dan nilai entropi partisi (Vpe) lebih baik dibandingkan metode FCM.

2

3

Jumlah iterasi yang dibutuhkan pada metode GIFP FCM lebih sedikit dibandingkan metode FCM.

Jumlah cluster yang diinputkan mempengaruhi hasil segmentasi dibuktikan dengan jika inputan cluster semakin besar semakin kecil nilai Vpc dan semakin besar nilai Vpe. 32

18 Juli 2012


Saran

1

Perlu dikembangkan lagi untuk perbaikan metode GIFP FCM agar dapat menentukan jumlah cluster secara otomatis.

2

Perlu dikembangkan lagi untuk perbaikan metode GIFP FCM agar dapat menentukan nilai parameter α secara tepat karena masih menginputkan nilai α secara manual.

33 18 Juli 2012


Terima Kasih

34 18 Juli 2012


Penyusun Tugas Akhir : Ivan Hardiyanto (NRP : ) Dosen Pembimbing : Yudhi Purwananto, S.Kom, M.Kom Rully Soelaiman, S.Kom, M

Recommend Documents