Segmentasi Citra berbasis Informasi Warna dan Tekstur menggunakan Neutrosophic Set

Seminar Nasional Pascasarjana XII – ITS, Surabaya 12 Juli 2012 ISBN No. 979-545-0270-1

Segmentasi Citra berbasis Informasi Warna dan Tekstur menggunakan Neutrosophic Set Monica Widiasri, S.Kom.1*, Dr. Ir. R. V. Hari Ginardi, M.Sc.2, Rully Soelaiman, S.Kom., M.Kom.3 Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS), Surabaya, Indonesia1* [email protected] Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS), Surabaya, Indonesia2 Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS), Surabaya, Indonesia3

Abstrak 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 -mean dan -enhancement dilakukan untuk mengurangi ketidakpastian pada citra neutrosophic berdasarkan nilai entropy citra. Selanjutnya dilakukan proses segmentasi menggunakan -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%. Katakunci: Gabor wavelet, Neutrosophic Set, Ruang Warna L*u*v, -K-Means Clustering

1. Pendahuluan Segmentasi citra adalah proses membagi citra ke dalam beberapa region, sehingga setiap region bersifat homogen, tapi gabungan dari dua region yang berdekatan tidak homogen. Metode segmentasi citra terutama yang hanya menggunakan informasi warna atau tekstur saja telah banyak dikembangkan. Padahal, citra natural umumnya berisi kombinasi warna dan tekstur. Sehingga, segmentasi citra yang menggunakan kombinasi informasi warna dan tekstur tentunya akan menghasilkan kemampuan membedakan region yang lebih baik. Oleh karena itu, diperlukan metode segmentasi citra yang tepat pada segmentasi citra menggunakan kombinasi tekstur dan warna. Chen dkk. (2005) melakukan segmentasi citra menggunakan algoritma multigrid region growing berdasarkan komposisi warna lokal dari warna dominan dan karakteristik spasial dari komponen grayscale tekstur secara spatially adaptive. Ozden dan Polat (2007) menambahkan informasi tekstur yang didekomposisikan dengan discrete wavelet frames pada algoritma meanshift filtering standar yang menggunakan informasi warna dan spasial, dan menghasilkan kinerja segmentasi citra menjadi lebih baik. Wan

dkk. (2007) melakukan ekstraksi dan segmentasi tekstur mengunakan dekomposisi Gabor, dilanjutkan dengan segmentasi multiskala untuk ekstraksi warna dan deteksi batas region, dan digunakan adaptive region merging untuk menyempurnakan hasil segmentasi. Neutrosophic set (NS), generalisasi dari fuzzy set, merupakan himpunan dengan keanggotaan himpunan berdasarkan teori neutrosophy (Smarandache, 2005). Pada teori neutrosophy, setiap entitas tidak hanya mempunyai nilai kebenaran tertentu, tetapi juga mempunyai nilai kesalahan dan sekaligus nilai ketidakpastian, dimana ketiganya bebas satu sama lain. Permasalahan yang tidak dapat diselesaikan dengan menggunakan logika fuzzy yang berkaitan dengan masalah ketidakpastian dapat diselesaikan dengan NS. NS mulai banyak dikembangkan untuk berbagai aplikasi, seperti sistem basis data relasional, semantic web services, deteksi dataset keuangan, analisa perkembangan ekonomi, serta pengolahan citra (Guo dan Cheng, 2009). Oleh karena itu, penelitian ini mengintegrasikan kombinasi informasi warna dan tekstur dengan NS untuk segmentasi citra. Informasi warna diperoleh dari transformasi ruang warna RGB ke

Seminar Nasional Pascasarjana XII – ITS, Surabaya 12 Juli 2012 ISBN No. 979-545-0270-1

ruang warna L*u*v, sedangkan informasi tekstur didapatkan menggunakan transformasi Gabor wavelet. Kombinasi informasi tersebut ditransformasikan ke domain NS sebelum dilakukan proses -K-means clustering. Makalah ini disusun dengan struktur sebagai berikut: bagian 2 membahas tentang neutrosophic set, ruang warna L*u*v dan transformasi Gabor wavelet. Bagian 3 membahas mengenai skema sistem, yaitu, citra neutrosophic, dan -K-means clustering. Uji coba dan pembahasan diulas pada bagian 4, sedangkan kesimpulan dibahas pada bagian 5.

2. Dasar Teori Teori yang digunakan pada penelitian ini adalah neutrosophic set, ruang warna dan transformasi Gabor wavelet. Masing-masing teori dijelaskan pada pembahasan berikut ini. 2.1 Neutrosophic Set Florentin Smarandache pada tahun 1980, memperkenalkan neutrosophy sebagai cabang dari filsafat, yang merupakan pengetahuan tentang pemikiran netral. Neutrosophy mempertimbangkan proposisi, teori, kejadian, konsep ide, pernyataan atau entitas yaitu , berelasi dengan lawannya dan hal yang menetralkan keduanya (Smarandache, 2005). Komponen neutrosophy set (NS) adalah T, I, dan F, yang merepresentasikan , dan . Neutrosophy memperkenalkan konsep baru yang disebut yang merepresentasikan ketidakpastian. Konsep baru ini dapat menyelesaikan permasalahan tertentu yang tidak dapat diselesaikan oleh logika fuzzy. NS dapat diterapkan pada pemrosesan citra. Sebuah citra ditransformasikan ke dalam domain NS dengan merepresentasikan sebuah piksel sebagai P{T,I,F} yang berarti piksel tersebut t% benar, i% tidak tentu (indeterminate), f% salah, dimana nilai t bervariasi dalam T, i bervariasi dalam I, f bervariasi dalam F. 2.2 Ruang Warna Tahun 1931, CIE (Commision International de l’Eclairage) mendeskripsikan model warna CIEXYZ menggunakan tiga parameter X, Y, dan Z, untuk menspesifikasikan sembarang warna. Nilai dari X, Y, dan Z dapat dikomputasikan menggunakan transformasi linier dari RGB, sebagai berikut (EasyRGB) : 0.4124 0.3576 0.1805 = 0.2126 0.7152 0.0722 (1) 0.0193 0.1192 0.9505 Tahun 1976, CIE mendefinisikan ruang warna CIELUV (L*u*v) yang memiliki skala keseragaman persepsi sesuai persepsi mata

manusia. Ruang warna CIELUV diturunkan berdasarkan ruang warna CIEXYZ dan white reference point. Nilai Luv dapat dikomputasikan dengan transformasi dari ruang warna CIEXYZ, sebagai berikut (EasyRGB) : ∗

,

≤

− 16,

>

=

(2)

116 ∙ ∗

= 13 ∗ ∙ ( ′ − ′ ) (3) = 13 ∗ ∙ ( ′ − ′ ) (4) dengan Y, u', v' adalah besaran stimuli warna dan Yn, un dan vn sebagai besaran stimuli white reference point. Nilai u' dan v' didefinisikan sebagai berikut (EasyRGB) : ′ = (5) ∗

′

=

(6)

Dengan menggunakan Xref=95.047, Yref=100 dan Zref=108.883 menurut Standard Observer 2° dan Standard Illuminant C, persamaan nilai un’ dan vn’ didefinisikan sebagai berikut (EasyRGB) : × ′ = (7) × × ′

×

=

×

(8)

×

2.3 Filter Gabor Filter Gabor digunakan untuk menganalisis ciri tekstur dari suatu citra berdasarkan parameter skala dan orientasi (Dunn, D. dan Higgins, W.E., 1995). Filter Gabor 2D dapat dinyatakan sebagai ruang sinusoida dari frekuensi, skala dan orientasi dimodulasikan dengan fungsi Gaussian 2D, g(x,y), berikut ini : ( , )= exp − 2

sin(

+

[cos(

)+

(9)

)]

dengan j   1 dan W adalah frekuensi dari sinusoida yang termodulasi. 2.4 Filter Gabor Wavelet 2D Gabor wavelet adalah perhitungan ekstraksi fitur tekstur menggunakan filter Gabor beserta wavelet-nya. Tujuan Gabor wavelet adalah menganalisis frekuensi citra dengan cara proses dilatasi dan rotasi dengan parameter skala dan orientasi, sehingga dapat memunculkan suatu karakter khusus pada citra yang telah dikonvolusikan dengan Gabor wavelet tersebut. Rumus Gabor wavelet pada skala (m) dan orientasi (n) yang didapatkan dari hasil dilatasi dan rotasi pada fungsi filter Gabor dapat dinyatakan sebagai berikut : ( , )= ( ′, ′) (10) dengan : ′ = ( cos + sin ) (11) ′ = (− sin + cos ) (12)

Seminar Nasional Pascasarjana XII – ITS, Surabaya 12 Juli 2012 ISBN No. 979-545-0270-1

dimana: g(x’,y’) = fungsi filter Gabor yang telah dilakukan proses dilatasi dan rotasi sesuai dengan skala(m) dan orientasi (n) yang ditentukan, m dan n adalah integer, = faktor skala (a > 1), serta nilai = , K adalah jumlah total rotasi. Magnitude diperoleh dengan cara mengalikan sebuah citra dengan Gabor wavelet.

tiga fitur warna dan satu fitur tekstur, ditransformasikan ke dalam domain NS menjadi citra neutrosophic. Transformasi sebuah piksel P(i,j) pada citra fitur menjadi citra neutrosophic, PNS(i,j)={T(i,j), I(i,j), F(i,j)}, menggunakan persamaan berikut (Sengur dan Guo, 2011) : ̅( , ) =

3.1 Transformasi Informasi Transformasi informasi terdiri dari dua bagian, yaitu transformasi informasi warna dan tekstur. Transformasi informasi warna merupakan transformasi citra masukan dari ruang warna RGB menjadi ruang warna L*u*v berdasarkan persamaan (1) sampai dengan (8). Transformasi informasi tekstur diperoleh dengan cara mengubah citra masukan menjadi citra grayscale terlebih dahulu, dilanjutkan dengan penghitungan mean energy dari magnitude transformasi Gabor wavelet berdasarkan persamaan (9) sampai dengan (12). 3.2 Citra Neutrosophic Empat fitur hasil transformasi informasi yaitu

( , )=

Transformasi informasi warna dan tekstur menjadi citra neutrosophic

Operasi -mean dan -enhancement

Proses segmentasi menggunakan -Kmeans clustering

Citra segmentasi

(15) (16) (17)

dengan ̅ ( , ) adalah nilai mean lokal dari citra, (i,j) adalah nilai absolut dari perbedaan antara intensitas g(i,j) dan nilai mean lokal ̅ ( , ) pada (i,j). Dua operasi yaitu operasi -mean dan operasi enhancement digunakan untuk mengurangi nilai ketidakpastian pada citra NS, sehingga probabilitas suatu piksel termasuk dalam kelas tertentu (kelas T atau F) menjadi lebih tinggi. Operasi -mean, ( ), didefinisikan untuk menghitung nilai mean antara tetangga pada NS. ( )= Hasil dari operasi -mean adalah ( ), (̅ ) , ( ) . Operasi -mean ( ) dengan persamaan berikut (Sengur dan Guo, 2011) : (, )=

×

×

( )= (, )= ̅ (, )=

×

∑ < ≥ ∑ < ≥ ∑

∑

( , )

(, )

̅ ( , )=

(18) (19)

/ /

∑

/ /

( , )

(20) (21)

/ /

∑

/

( ( , ) − ( , ))

/

( , )

(22) (23) (24)

( ) = ( ( ) , (̅ ), ( )) (25) ̅ ( , ) adalah nilai absolut dari dengan perbedaan mean intensitas (intensitas rata-rata) ( , ) dan nilai rata-rata dari mean intensitas (intensitas rata-rata) setelah operasi -mean. Operasi -enhancement, ′ ( ), dilakukan supaya keanggotaan himpunan T menjadi lebih dapat dibedakan dan mempunyai constrast yang tinggi, sehingga lebih cocok untuk segmentasi. Hasil dari operasi -enhancement adalah ′ ( ) ′ ( ) ′( ) ′( ) = , , . Operasi -enhancement, ′ ( ), didefinisikan sebagai berikut (Sengur dan Guo, 2011) : ( , ) < 0.5 2 (, ) ′ ( , )= 1 − 2(1 − ( , )) ( , ) ≥ 0.5

Selesai

Gambar 1. Skema Sistem

(13) (14)

( , )=1− ( , )

( , )=

Transformasi informasi tekstur menggunakan Gabor wavelet

( , )

/

(, )

( )=

Transformasi informasi warna dari RGB ke Luv

/

∑

( ( , ) − ̅ ( , ))

Mulai Input citra tekstur berwarna

/

(, )

( , )= (, )=

3. Skema Sistem Sistem dibuat mengikuti proses pada skema sistem yang dirancang. Skema sistem dapat dilihat pada Gambar 1.

/

∑

×

(26)

′( ) =

′

< ≥

(27)

Seminar Nasional Pascasarjana XII – ITS, Surabaya 12 Juli 2012 ISBN No. 979-545-0270-1

2 (, ) 1 − 2(1 − ( , ))

′ ( , )=

( , ) < 0.5 ( , ) ≥ 0.5 (28)

′( ) =

< ≥

′

′( , ) = ′ ( , )=

×

′ (, )=

′ ( ) , ′

/

∑

/

∑

/

′( , ) (30)

( ′( , ) − ′( , ))

(31)

( )=

′

(29) /

′

(32)

′

′(

), ′( ),

′(

)

(33)

′ dengan ( , ) adalah nilai absolut dari perbedaan antara intensitas ′ ( , ) dan nilai lokal rata-rata ′ ( , ) pada (i,j) setelah operasi enhancement. Parameter  dan  yang digunakan pada operasi -mean dan operasi -enhancement mempengaruhi hasil dari segmentasi. Nilai parameter  dan  dapat ditentukan berdasarkan karakteristik citra sesuai nilai entropy-nya. Nilai entropy digunakan untuk mengevaluasi distribusi dari elemen-elemen pada domain neutrosophic set (Sengur dan Guo, 2011). Jika nilai entropy besar, berarti intensitas mempunyai probabilitas sama dan terdistribusi seragam, demikian pula sebaliknya. Penentuan nilai parameter  dan  secara adaptif menggunakan persamaan berikut : ( , ) log ( , ) = −∑ ∑ (34)

= − log =

+

(35)

(

)( (

) )

(36)

=1− (37) dengan h dan w adalah tinggi dan lebar citra. Nilai Enmin=0, min =0.01 dan max=0.1 akan digunakan pada penelitian ini. Parameter  digunakan untuk mengurangi ketidakpastian. 3.3 -K-Means Clustering Setelah operasi -mean dan operasi enhancement pada domain NS selesai dilakukan, maka dilakukan clustering untuk proses segmentasi. Metode K-means clustering yang dimodifikasi untuk NS, disebut -K-means clustering, diterapkan pada himpunan bagian T. Dengan mempertimbangkan akibat dari ketidakpastian menggunakan threshold , dua himpunan yaitu T dan I dikomposisikan ke dalam himpunan baru untuk clustering, menghasilkan X(i,j) sebagai berikut (Sengur dan Guo, 2011) : ( , ); (, )≤ (, )= (38) ( , ); (, )> Fungsi objektif dari -means didefinisikan sebagai berikut (Sengur dan Guo, 2011) : =∑ ∑ ∑ ‖ ( , )− ‖ (39) =

∑

( , )∈

(, )

(40)

dengan Zl adalah centroid dari setiap cluster. Untuk mendapatkan jumlah cluster K secara otomatis, diterapkan indeks validitas yang

diusulkan Xie dan Beni (1991) untuk domain neutrosophic, sebagai berikut : ( )= (41) ,

dengan JTC adalah ukuran kepadatan, n adalah jumlah data yang akan dikelompokkan dan denominator NXB adalah ukuran pemisah. Secara umum, nilai K* optimal ditemukan dengan menyelesaikan min2Kn-1 NXB(K), supaya menghasilkan kinerja clustering yang baik untuk kumpulan data X.

4. Uji Coba dan Pembahasan Uji coba dilakukan dengan menggunakan 30 citra tekstur berwarna dan citra ground truthnya yang diperoleh dari website http://www.eecs.berkeley.edu/Research/Projects/ CS/vision/grouping/. Citra tekstur berwarna digunakan sebagai citra masukan, sedangkan citra ground truth digunakan dalam proses pengukuran kinerja sistem. Citra ground truth berupa citra tepi dari cluster yang terbentuk. Contoh citra masukan dan citra ground truthnya dapat dilihat pada Gambar 2. Pengukuran kinerja sistem dilakukan dengan teknik F-measure. F-measure diukur dengan mencocokkan thinned edges dari citra tepi hasil segmentasi sistem yang diusulkan dengan citra ground truth, untuk kemudian dihitung nilai precision (P) dan recall (R). Precision adalah jumlah piksel terambil yang terdeteksi sebagai tepi yang benar dibagi dengan jumlah piksel yang terambil yang terdeteksi sebagai tepi. Recall adalah jumlah piksel terambil yang terdeteksi sebagai tepi yang benar dibagi dengan jumlah piksel tepi sebenarnya. Nilai F-measure diinterpretasikan sebagai rata-rata dari precision dan recall yang diberi bobot. F-measure mencapai hasil tertinggi untuk nilai 1 dan terendah ketika nilainya 0. Persamaan F-measure yang digunakan sebagai berikut : =

× × ( )

(42)

Uji coba dilakukan dengan melakukan beberapa skenario. Skenario pertama dengan tujuan mengamati rata-rata F-measure kinerja sistem terhadap perubahan variasi paramater transformasi Gabor wavelet, yaitu ukuran filter window untuk menghitung mean energy magnitude transformasi Gabor wavelet, skala dan orientasi Gabor wavelet. Ukuran filter window yang diujicobakan yaitu 3x3, 5x5 dan 7x7. Hasil uji coba variasi parameter ukuran filter window terhadap rata-rata F-measure pada Tabel 1. Sesuai Tabel 1 dapat dilihat, window ukuran 3x3 menghasilkan kinerja segmentasi citra terbaik. Hal itu berarti, window berukuran 3x3 sudah cukup untuk mendapatkan karakteristik tekstur lokal yang lebih seragam dari mean energynya.

Seminar Nasional Pascasarjana XII – ITS, Surabaya 12 Juli 2012 ISBN No. 979-545-0270-1

Uji coba variasi parameter skala dilakukan untuk skala 5 (yaitu 1,2,3,4,5) dan 10 (yaitu 0.5,1,1.5,2,2.5,3,3.5,4,4.5,5). Sedangkan variasi parameter orientasi dilakukan untuk sudut orientasi bernilai 4 (perubahan sudut 45), 6 (perubahan sudut 30), 9 (perubahan sudut 20) dan 18 (perubahan sudut 10). Hasil uji coba variasi parameter skala dan orientasi terhadap nilai rata-rata F-measure seperti terlihat pada Tabel 2. Sesuai Tabel 2 dapat dilihat pada skala 10 dan orientasi 4 tercapai hasil terbaik. Skenario kedua adalah uji coba variasi parameter gamma (), untuk mendapatkan nilai gamma terbaik diterapkan pada proses pembentukan himpunan -clustering. Hasil uji coba variasi parameter gamma dapat dilihat pada Tabel 3. Sesuai hasil uji coba, nilai gamma mencapai nilai F-measure yang stabil untuk gamma >=0.25. Hal itu berarti, nilai piksel benar T(i,j) akan diganti menjadi nilai rata-rata T(i,j), jika nilai ketidakpastian piksel I(i,j) lebih besar dari 0.25. Skenario ketiga yang dilakukan adalah membandingkan kinerja penerapan indeks validitas dalam pemilihan jumlah cluster otomatis menurut persamaan (41) dengan Fmeasure terbaik yang dihasilkan. Dari hasil uji Tabel 1: Hasil Uji Coba Variasi Parameter Ukuran Window Ukuran Window Rata-rata Fmeasure

3x3

5x5

7x7

0.438959

0.438959

0.422818

Tabel 2: Hasil Uji Coba Variasi Parameter Skala dan Orientasi Gabor Wavelet Skala

Orientasi 4 6 9 18 4 6 9 18

5

10

Rata-rata F-measure 0.43743 0.43615 0.43594 0.43605 0.43886 0.42826 0.43828 0.43715

Tabel 3: Hasil Uji Coba Variasi Parameter Gamma Gamma 0.1 0.15 0.2 0.25 0.3 0.35

Rata-rata F-measure 0.437629 0.438985 0.438864 0.438962 0.438962 0.438962

Tabel 4: Hasil Uji Coba Pembandingan Metode Segmentasi Gamma Gabor NS Wavelet NS K-means FCM

Rata-rata F-measure 0.463892 0.479866 0.428745 0.419635

coba, sebanyak 21 citra dari 30 citra (70%), penentuan jumlah cluster otomatis yang didapatkan sesuai dengan F-measure terbaiknya. Skenario uji coba terakhir adalah membandingkan kinerja segmentasi yang diusulkan, yaitu -K-means clustering (Gabor NS), dengan metode segmentasi pembanding. Metode pembanding yang digunakan adalah metode segmentasi yang diusulkan oleh Sengur dan Guo (2011) yang melakukan segmentasi citra tekstur berwarna menggunakan transformasi wavelet berbasis Neutrosophic Set (Wavelet NS), metode K-Means clustering, dan Fuzzy C-Means clustering (FCM). Pembandingan metode yang diusulkan dengan metode Wavelet NS dilakukan karena ingin membandingkan kinerja metode ekstraksi informasi tekstur dalam proses segmentasi. K-Means clustering dan FCM dipilih karena ingin membandingkan hasil metode yang diusulkan dengan metode yang tidak menggunakan NS. Selain itu juga, FCM dipilih untuk membandingkan kinerja fuzzy set dan NS. Rata-rata F-measure hasil perbandingan metode dapat dilihat pada Tabel 4. Sesuai Tabel 4, perbandingan kinerja metode berbasis NS (Gabor NS dan Wavelet NS) menghasilkan rata-rata F-measure Wavelet NS yang lebih baik dibandingkan Gabor NS, namun, perbedaannya tidak terlalu besar. Sedangkan kinerja metode yang menggunakan NS terbukti lebih baik dibandingkan metode lain yang tidak menggunakan NS. Kinerja Gabor NS lebih baik dibanding FCM, hal itu membuktikan bahwa kinerja NS lebih baik dibandingkan dengan fuzzy set pada segmentasi citra. Tiga contoh hasil citra uji coba pembandingan beserta nilai F-measure (F) terdapat pada Gambar 2. Sesuai Gambar 2 dapat dilihat, bahwa -K-means clustering menggunakan NS (Gabor NS dan Wavelet NS) dapat melakukan segmentasi citra dengan baik, batas antar objek dan latar belakang dapat dibedakan dengan baik. Sedangkan metode clustering yang tidak menggunakan NS cenderung menghasilkan citra segmentasi yang oversegmentation. Metode Gabor NS dan Wavelet NS menghasilkan kinerja segmentasi citra yang hampir sama baik. 5. Kesimpulan Dari hasil uji coba yang telah dilakukan, didapatkan kesimpulan sebagai berikut : Segmentasi citra tekstur berwarna berbasis kombinasi informasi warna pada ruang warna L*u*v dan informasi tekstur menggunakan transformasi Gabor wavelet dengan metode γ-Kmeans clustering pada domain neutrosophic set menghasilkan kinerja segmentasi citra yang baik. Selain itu pula, metode clustering yang menggunakan NS memberikan hasil kinerja yang lebih baik dibandingkan metode clustering yang

Seminar Nasional Pascasarjana XII – ITS, Surabaya 12 Juli 2012 ISBN No. 979-545-0270-1

tidak menggunakan NS. Metode berbasis NS juga terbukti menghasilkan kinerja segmentasi citra yang lebih baik dibanding dengan fuzzy set. Kinerja transformasi Gabor wavelet pada ekstraksi informasi tekstur yang digunakan pada penelitian ini hampir sama baik dengan transformasi wavelet. Keberhasilan penentuan jumlah cluster otomatis menggunakan indeks validitas yang sesuai dengan F-measure terbaik sebesar 70%. Penelitian masih dapat dikembangkan untuk meningkatkan kinerja transformasi Gabor wavelet. Uji coba dapat dilakukan dengan variasi parameter skala dan orientasi yang lebih beragam, serta pemberian nilai inisialisasi parameter filter Gabor yang lebih sesuai. Penentuan jumlah cluster otomatis yang sesuai dengan F-measure terbaik masih dapat dikembangkan, dengan memperhatikan kemiripan informasi warna atau tekstur antara objek dan latar belakangnya, serta dapat pula ditambahkan informasi lain seperti pencahayaan dalam proses ekstraksi fitur citra. 6. Pustaka Chen, J., Pappas, T.N., Mojsilovi´c, A. and Rogowitz, B.E., (2005). Adaptive Perceptual Color-Texture Image Segmentation. IEEE Transactions on Image Processing, 14 (10). Dunn, D. and Higgins, W.E., (1995). Optimal Gabor Filter for Texture Segmentation. IEEE Transactions on Image Processing, 4(7) : p. 947-965. No

Citra asli

Citra ground truth

EasyRGB. Color Conversion Math and Formulas. The EasyRGB Color Search Engine, [Online], Available: http://www.easyrgb.com/index.php?X=MA TH [15 February 2012]. Guo, Y. and Cheng, H.D., (2009). New Neutrosophic Approach to Image Segmentation. Pattern Recognition, 42: p. 587-595. Ozden, M. and Polat, E., (2007). A Color Image Segmentation Approach for Content-Based Image Retrieval. Pattern Recognition, 40: p. 1318-1325. Sengur, Y. and Guo, A., (2011). Color Texture Image Segmentation Based on Neutrosophic Set and Wavelet Transformation. Computer Vision and Image Understanding, 115: p. 1132-1144. Smarandache, F.A., (2005). Unifying Field in Logics Neutrosophic Logic, Neutrosophy, Neutrosophic Set, Neutrosophic Probability. American Research Press, 4th edition. Wan, T., Canagarajah, N. and Achim, A., (2007). Multiscale Color-Texture Image Segmentation with Adaptive Region Merging. IEEE International Conference on Acoustics, Speech and Signal Processing, I: p. 1213-1216. Xie, X.I. and Beni, G., (1991). A validity measure for fuzzy clustering. IEEE Transactions on Pattern Analysis and Machine Intelligence, 13:p. 841-847.

Gabor NS

Wavelet NS

K-means

FCM

F =0.668403

F =0.669331

F =0.238966

F =0.224076

F =0.600446

F =0.575891

F =0.368353

F=0.322441

F =0.639588

F =0.642764

F =0.618415

F =0.619567

1

2

3

Gambar 2: Hasil Citra Uji Coba Pembandingan Metode Segmentasi