UJI KUALITAS MORFOLOGI BAHAN BAKAR NUKLIR TIPE PELAT DENGAN PEMANFAATAN IMAGE PROCESSING MENGGUNAKAN BAHASA PEMROGRAMAN PYTHON

UJI KUALITAS MORFOLOGI BAHAN BAKAR NUKLIR TIPE PELAT DENGAN PEMANFAATAN IMAGE PROCESSING MENGGUNAKAN BAHASA PEMROGRAMAN PYTHON Intan Savitri, Wenseslaus Roland*

ABSTRAK UJI KUALITAS MORFOLOGI BAHAN BAKAR NUKLIR TIPE PELAT DENGAN PEMANFAATAN IMAGE PROCESSING MENGGUNAKAN BAHASA PEMROGRAMAN PYTHON. Telah dilakukan uji kualitas morfologi bahan bakar nuklir tipe pelat dengan piranti lunak image processing yang dibangun menggunakan bahasa pemrograman python. Image yang diolah berupa hasil scan foto radiografi sinar-X dari bahan bakar nuklir tipe pelat. Dengan pemanfaatan image processing, uji kualitas morfologi yang tadinya dilakukan secara manual oleh manusia, dapat digantikan oleh mesin yaitu dengan pembuatan sebuah piranti lunak. Terdapat 5 kriteria penerimaan yang menentukan sebuah pelat elemen bakar diterima atau ditolak. Pada penelitian ini dilakukan pengujian terhadap 4 kriteria penerimaan, yaitu jarak F1 (Jarak meat ke sisi PEB dekat dengan nomor pelat), F2 (Jarak meat ke sisi PEB jauh dengan nomor pelat), B (Jarak meat ke ujung PEB dekat dengan nomor pelat) dan C (Jarak meat ke ujung PEB jauh dengan nomor pelat). Metode yang digunakan dalam image processing meliputi cropping, edge detection dengan metode canny, pencarian titik sudut serta pengukuran jarak sebuah titik terhadap persamaan garis lurus. Hasil dari penelitian ini adalah pembuatan sebuah piranti lunak yang dapat mengukur nilai F1, F2, B dan C serta membandingkan masing-masing nilai tersebut dengan kriteria penerimaan yang telah ditetapkan. Hasil keluaran dari piranti lunak ini diharapkan dapat membantu dalam pengambilan keputusan apakah pelat elemen bakar diterima atau ditolak. Kata-kata kunci: uji kualitas, image processing, pelat elemen bahan bakar, edge detection, python.

ABSTRACT MORPHOLOGY QUALITY TEST OF PLATE-TYPE NUCLEAR FUEL ELEMENT WITH THE UTILIZATION OF IMAGE PROCESSING USING PYTHON AS PROGRAMMING LANGUAGE. Morphology quality test for plate-type nuclear fuel element with image processing software built using python as programming language has been done. The processing image is an image scan of x-ray radiography photo of plate-type fuel element. The utilization of image processing enable a manually quality test replaced by machine using a software.There's five acceptance criteria that determine whether the plate-type element is accepted or rejected. The research tested 4 acceptance criteria, which are the distance of F1, F2, C and D. The image processing method covers cropping, edge detection with canny, vertex search, and measurement of shortest distance from point to line linear. The result of the research is a software that can measure the distance of F1, F2, B and C, and make a comparison with the acceptance criteria. The output of the software is expected to help a decision making whether the platetype fuel element is accepted or rejected Keywords: quality test, image processing, plate-type fuel element, edge detection, python

*

Pusat Pengembangan Informatika Nuklir – BATAN Serpong, e-mail: [email protected]

249

Lokakarya Komputasi dalam Sains dan Teknologi Nuklir, 10 Oktober 2012 (249-262)

PENDAHULUAN Latar belakang yang melandasi penelitian ini adalah uji kualitas morfologi bahan bakar nuklir tipe pelat yang dilakukan oleh PT. Batan Teknologi. Selama ini uji kualitas dilakukan secara manual dengan mengukur kesesuaian geometri meat serta jarak white point pada foto radiografi sinar X dengan menggunakan penggaris. Cara ini memiliki beberapa kelemahan, diantaranya lambat, hasil perhitungan yang kadang kala tidak tepat dan mahalnya tenaga manusia. Pemanfaatan image processing yang dilakukan oleh mesin dapat menggantikan tenaga manusia untuk uji kualitas. Pemanfaatan image processing untuk uji kualitas bahan bakar nuklir tipe pelat pada dasarnya adalah pemanfaatan teknologi komputer untuk mengolah citra digital dari hasil scan foto radiografi sinar X pelat elemen bakar. Fokus pengolahan citra digital ini adalah representasi untuk keperluan persepsi mesin secara otomatis. Hasil scan foto pelat elemen bakar memiliki karakteristik serupa pada beberapa bagian tertentu sehingga dapat diterapkan proses image segmentation, yaitu membagi citra menjadi beberapa objek atau area yang masing-masing memiliki karakteristik serupa. Salah satu algoritma segmentasi adalah dengan mempartisi citra berdasarkan perubahan mendadak pada intensitas citra. Algoritma tersebut dikenal dengan sebutan edge detection, yaitu proses mendeteksi diskontinuitas pada citra. Diskontinuitas adalah perubahan gray level secara mendadak (memiliki gradien tinggi) direpresentasikan sebagai batas dari sebuah objek pada citra. Proses edge detection menghasilkan tepi-tepi dari objek-objek citra yang tujuannya adalah untuk menandai bagian yang menjadi detail citra. Salah satu algoritma edge detection modern adalah deteksi tepi dengan menggunakan metode Canny. Ada beberapa kriteria pendeteksi tepian paling optimum yang dapat dipenuhi oleh algoritma Canny: 1. Mendeteksi dengan baik (kriteria deteksi) Kemampuan untuk meletakkan dan menandai semua tepi yang ada sesuai dengan pemilihan parameter-parameter konvolusi yang dilakukan. Sekaligus juga memberikan fleksibilitas yang sangat tinggi dalam hal menentukan tingkat deteksi ketebalan tepi sesuai yang diinginkan. 2. Melokalisasi dengan baik (kriteria lokalisasi) Dengan Canny dimungkinkan dihasilkan jarak yang minimum antara tepi yang dideteksi dengan tepi yang asli. 3. Respon yang jelas (kriteria respon) Hanya ada satu respon untuk tiap tepi. Sehingga mudah dideteksi dan tidak menimbulkan kerancuan pada pengolahan citra selanjutnya.

METODOLOGI Secara umum metodologi yang dilakukan dalam uji kualitas morfologi bahan bakar nuklir tipe pelat adalah sebagai berikut:

250

Uji Kualitas Morfologi Bahan Bakar Nuklir Tipe Pelat dengan ... (Intan Savitri, Wenseslaus Roland)

Cropping gambar. Dalam satu lembar foto radiografi sinar X dari bahan bakar nuklir tipe pelat terdapat 4 buah pelat yang terpotong menjadi 1/2 bagian. Dan kerena keterbatasan mesin scaner yang ada, satu gambar hasil scan hanya dapat memuat 3 buah pelat. Berikut contoh gambar hasil scan:

Gambar 1. Hasil scan foto radiografi sinar X dari PEB Foto scan ini hanya memuat setengah bagian saja dari pelat. Jadi untuk menguji satu buah pelat utuh, perlu dilakukan dua kali pengujian yaitu gambar pelat sebelah kanan dan gambar pelat sebelah kiri. Karena gambar hasil scan yang memuat lebih dari satu pelat, maka sebelum diproses perlu dilakukan proses cropping terlebih dahulu, yaitu pemotongan gambar bagian tertentu sesuai dengan nomor pelat. Proses ini penting dilakukan karena akan mempengaruhi proses pengolahan dan hasil akhir yang diperoleh. Contoh bagian yang di cropping:

Gambar 2. Cropping gambar Edge detection dengan metode canny Pada penelitian ini image processing yang perlu dilakukan adalah segmentasi untuk memisahkan bagian inti pelat yang berwarna putih, dengan tepi pelat yang berwarna abu-abu serta bagian film yang berwarna hitam pekat. Segmentasi dilakukan dengan edge detection menggunakan metode canny. Dipilih metode segmentasi ini karena alasan terdapatnya perbedaan gray level yang signifikan pada perbatasan masing-masing segmen. Dari pembacaan profil piksel sepanjang garis vertikal yang melalui daerah inti pelat, pinggir pelat dan bagian film didapat gambar berikut: 251


Gambar 3. Profil piksel Dari gambar diatas dapat terlihat bahwa bagian area film, pinggir pelat dan inti pelat terdapat perbedaan gray level yang cukup signifikan. Dilihat dari gambar, selisih gray level ketiga segmen tersebut lebih besar dari 10. Karena perbedaan yang cukup signifikan inilah maka dapat diterapkan edge detection menggunakan metode canny. Dengan memanfaatkan library skimage pada python, proses edge detection menggunakan metode canny menjadi lebih mudah. Yaitu cukup dengan menjalankan fungsi sebagai berikut: skimage.filter.canny (image, sigma=1.0, low_threshold=0.1, high_threshold=0.2, mask=None) Langkah penerapan algoritma canny adalah sebagai berikut: a) Smoothing Mereduksi noise dengan gaussian filter b) Finding gradients Menghitung gradien menggunakan operator sobel c) Non-maximum suppression Piksel yang memenuhi syarat lokal maxima masuk sebagai kandidat edge d) Double thresholding Memilih edge yang potensial dari kandidat edge menggunakan operasi thresholding e) Edge tracking by hysteresis Menghapus edge-edge yang tidak terhubung ke edge yang potensial Penerapan edge detection dengan metode canny pada area pelat yang dipilih menghasilkan gambar sebagai berikut:

252


Gambar 4. Penerapan metode canny Pencarian titik sudut Proses edge detection menghasilkan tepi-tepi dari objek-objek citra yang membagi daerah inti pelat, tepi pelat dan bagian film. Untuk mendapatkan posisi titik sudut pada inti dan tepi pelat perlu dilakukan filterisasi titik dari kumpulan titik yang dihasilkan dari edge detection. Langkahnya sebagai berikut : a) Untuk tiap titik yang dihasilkan dari edge detection, cari nilai pada tiap ordinat y yang hanya memiliki 4 nilai absis x. Dicari 4 titik karena sebagai penanda dari perpindahan antara derah hitam ke abu-abu, abu-abu ke putih, putih ke abu-abu dan abu-abu ke hitam.

Gambar 5. Proses scaning 4 titik Gambar berikut memperlihatkan hasil proses scaning 4 titik. Titik-titik berwarna hijau adalah hasil scaning 4 titik sedangkan titik-titik berwarna merah adalah titik yang dihasilkan dari edge detection.

Gambar 6. Hasil scaning 4 titik 253


b) Filterisasi selanjutnya adalah pengecekan derajat kemiringan. Hal ini dilakukan dengan asumsi bahwa garis batas antara area hitam dengan abu-abu, maupun garis batas antara area abu-abu dengan putih adalah sebuah garis lurus dengan derajat kemiringan tertentu. Langkah yang dilakukan adalah dengan membandingkan kemiringan titik pertama dengan titik kedua, titik kedua dengan titik ketiga dan seterusnya sampai titik ke-n. Kemudian dicari nilai gradien yang paling sering muncul. Titik-titik yang mempunyai nilai gradien sama dengan gradien yang paling sering muncul tersebut ditandai dan yang lainnya dieliminasi.Sampai tahap ini didapat 4 buah titik pada tiap garis vertikal tertentu. Titik ini kemudian dijadikan titik acuan untuk pencarian titik sudut. Berikut hasil yang didapat :

Gambar 7. Titik acuan pencarian titik sudut c) Apabila titik acuan yang didapat pada tiap garis horizontal nilainya lebih dari 2 buah titik acuan maka dilakukan filterisasi untuk menentukan 2 buah titik acuan pada setiap garis horizontal yang kemudian akan digunakan sebagai titik acuan untuk pencarian titik sudut. Penentuan dilakukan dengan mencari nilai koordinat y minimal dan koordinat y maksimal dari suatu nilai x yang besarannya berdekatan. Contoh pada gambar 7 didapat 3 buah kumpulan titik acuan yaitu A, B dan C, yang kemudian dijadikan titik acuan untuk mencari titik sudut sebelah kiri adalah titik A dan titik acuan untuk mencari titik sudut sebelah kanan adalah titik C. d) Saat proses edge detection menggunakan canny didapat sekumpulan koordinat. Kumpulan koordinat inilah yang kemudian dibandingkan nilainya dengan titik acuan. Pembandingan dilakukan ke arah kiri mulai dari titik acuan dengan nilai koordinat y minimal terus sampai koordinat min_width dan kearah kanan mulai dari titik acuan dengan nilai koordinat y maksimal terus sampai koordinat max_width dengan syarat nilai x selisihnya lebih kecil dari 2 piksel dari nilai x titik acuan. Pencarian titik sudut selesai dilakukan, dengan didapat hasil 8 buah titik sudut.

254


Gambar 8. Hasil titik sudut

Pengukuran jarak suatu titik terhadap persamaan garis lurus. Jarak antara titik dengan garis adalah panjang ruas garis yang ditarik dari titik tersebut yang tegak lurus terhadap garis itu. Bila dilihat dari gambar berikut, maka jarak antara titik P dengan garis g adalah panjang ruas garis PQ yang tegak lurus terhadap garis g, yaitu d.

Gambar 9. Jarak titik ke garis Misal pada garis g terdapat 2 titik yaitu (xa, ya) dan (xb, yb), maka gradien garis yang melalui dua titik tersebut adalah: y b− y a (1) m= x b− x a Persamaan garis yang melalui titik (xa, ya) dan (xb, yb) yaitu: y− y a =m (x − x a )

(2)

atau bisa ditulis: mx − y+y a − mx a = 0

(3)

255


Persamaan garis dapat juga ditulis: ax+by+c= 0

(4)

Dari persamaan 3 dan persamaan 4 didapat: a=m ; b=− 1 ; c=y a − mx a

(5)

Persamaan garis g ax+by+c= 0 dapat ditulis:

y=−

(ab )x− (bc )

(6)

Dua garis yang saling tegak lurus perkalian gradiennya adalah -1. Maka persamaan garis yang tegak lurus dengan garis g dan memotong titik (x1, y1) adalah : b (7) y− y 1 = (x− x 1 ) a Kedua garis tersebut berpotongan di titik Q(x2,y2) dan dengan memasukkannya kedalam persamaan 6 dan 7, didapat x2,y2 sebagai fungsi dari x1,y1 : (8)

Dari persamaan 8 didapat :

ab x 2=

(ba x − y − cb ) 1

2

(9)

1

a +b

2

Substitusi nilai x2 pada persamaan 9 ke persamaan 6 :

y2= −

((

(ab )

ab

b c x −y− a 1 1 b 2

a +b

2

)

)− c

(10)

b

Dari persamaan 9 dan 10 dengan mensubstitusi nilai a, b dan c dari persamaan 5 maka didapat nilai x2 dan y2 yang merupakan koordinat dari titik Q. Dengan menggunakan rumus Phytagoras, didapat jarak antara titik P dan Q adalah:

d=

256

√(x − x ) + (y − y ) 2

2

1

2

2

1

(11)


Dengan merapkan rumus diatas dapat dilakukan perhitungan terhadap geometri meat berupa nila F1, F2, C dan D. Nilai F1, F2, B dan C ditujukkan pada ilustrasi gambar berikut :

Gambar 10. Posisi geometri meat F1 : Jarak meat kesisi PEB dekat dari nomor F2 : Jarak meat kesisi PEB jauh dari nomor B : Jarak meat ke ujung PEB dekat dari nomor pelat C : Jarak meat ke ujung PEB jauh dari nomor pelat Contoh untuk mencari jarak F1 yang dilakukan adalah pengukuran jarak titik T5 ke garis yang melalui titik T1 dan T7. Langkahnya sebagai berikut : a) Cari nilai a, b dan c dari persamaan 5 dengan koordinat acuan adalah titik T1 dan T7 b) Cari sebuah koordinat pada garis T1T7 yang dilalui oleh garis yang melalui titik T5 dan memotong tegak lurus garis T1T7, selanjutnya koordinat ini disebut sebagai titik F1(x2,y2). Nilai x2 dan y2 didapat dengan menerapkan perhitungan pada persamaan 9 dan 10. c) Jarak F1 adalah jarak titik T5 ke titik F1, dan didapat dengan menerapkan rumus jarak 2 titik pada persamaan 11. Dengan menerapkan prinsip yang sama, dapat juga ditentukan jarak F2, B dan C sebagai berikut: Tabel 1. Penghitungan Jarak F2, B dan C JARAK

KETENTUAN

F2

Pengukuran jarak titik T6 ke garis yang melalui titik T2 dan T8

B

Pengukuran jarak titik T5 atau T6 ke garis yang melalui titik T7 dan T8

C

Pengukuran jarak titik T3 atau T4 ke garis yang melalui titik T1 dan T2

257


HASIL DAN PEMBAHASAN Pengujian dilakukan terhadap satu nomor pelat tertentu sisi sebelah kanan atau sebelah kiri. Karena gambar hasil scan yang memuat lebih dari satu pelat, maka sebelum diproses perlu dilakukan proses cropping terlebih dahulu. Untuk mempermudah pengguna piranti lunak ini, proses cropping sudah terintegrasi didalam piranti lunak. Caranya yaitu dengan mengklik tombol 'pilih area', kemudian klik dan drag bagian gambar yang hendak di crop. Kemudian untuk keperluan pendataan perlu juga diisikan variabel nomor pelat dan sisi pelat kanan/kiri. Untuk menghitung nilai F1, F2 B atau C di klik tombol 'Process'.

Gambar 11. Tahapan pengujian Untuk sebuah pelat dengan nomor tertentu, perlu dilakukan 2kali pengujian, yaitu bagian pelat sebelah kiri dan bagian pelat sebelah kanan. Dan suatu pelat dkatakan diterima apabila hasil pembacaan nilai F1, F2 dan B untuk pelat sebelah kanan semuanya diterima dan hasil pembacaan nilai F1, F2 dan C untuk pelat sebelah kiri semuanya diterima. Berikut hasil pembacaan pelat dengan nomor CBBJ 6191 sebelah kanan dan CBBJ 6193 sebelah kanan.

258


Gambar 12. Pembacaan pelat CBBJ 6191 kanan

Gambar 13. Pembacaan pelat CBBJ 6193 kanan

259


Tabel 2. Hasil pembacaan pelat CBBJ 6191 kanan No

Variabel Hasil

Kriteria Penerimaan

Keterangan

1

F1

2.26

2.8 s/d 5.2

Ditolak

2

F2

3.02

2.8 s/d 5.2

Diterima

3

B

7.92

7.5 s/d 17.5

Diterima

4

C

-

7.5 s/d 17.5

Tidak dihitung sebelah kanan

karena

pelat

Tabel 3. Hasil pembacaan pelat CBBJ 6193 kanan No

Variabel Hasil

Kriteria Penerimaan

Keterangan

1

F1

3.39

2.8 s/d 5.2

Diterima

2

F2

3.02

2.8 s/d 5.2

Diterima

3

B

10.94

7.5 s/d 17.5

Diterima

4

C

-

7.5 s/d 17.5

Tidak dihitung sebelah kanan

karena

pelat

Dari hasil pembacaan pada tabel 2 dapat dilihat bahwa nilai F1 untuk pelat CBBJ 6191 kanan nilainya (2.26) berada diluar kriteria penerimaan (2.8 s/d 5.2). Tidak perlu dilakukan uji untuk pelat CBBJ 6191 kiri karena dapat disimpulkan CBBJ 6191 ditolak karena ada salah satu nilai yang berada di luar kriteria penerimaan. Dari hasil pembacaan yang dilakukan oleh piranti lunak yang dikembangkan dalam penelitian ini didapat kesesuain hasil dengan hasil pembacaan yang dilakukan secara manual dengan menggunakan penggaris yang dilakukan oleh pihak PT. Batan Teknologi. Hasil pembacaan manual juga menunjukkan bahwa pelat CBBJ 6191 masuk kedalam kriteria ditolak karena ketidaksesuaian geometri meat. Dari hasil pembacaan pada tabel 3 dapat dilihat nilai F1, F2 dan B untuk pelat CBBJ 6193 kanan semuanya sesuai dengan kriteria penerimaan. Perlu dilakukan pengujian untuk bagian pelat sebelah kiri sebelum kemudian dapat diputuskan apakah pelat CBBJ 6193 diterima atau ditolak.

KESIMPULAN DAN RENCANA PENGEMBANGAN Image processing dapat digunakan untuk uji kualiatas morfologi bahan bakar nuklir tipe pelat. Python sebagai sebuah bahasa pemrograman telah dapat mendukung image processing dengan menggunakan metode canny. Mesin/piranti lunak belum sepenuhnya dapat menggantikan tenaga manusia dalam uji kualitas, hal ini disebabkan 260


karena kadang kala terjadi kesalahan interpretasi mesin dalam pembacaan gambar. Pembacaan hasil yang dilakukan secara manual oleh manusia dan otomatis oleh mesin masih mungkin terjadi perbedaan, disebabkan karena kualitas gambar hasil scan foto yang tidak bagus. Untuk sebuh image processing kualitas gambar masukan menjadi penentu utama dalam keberhasilan interpretasi oleh mesin. Untuk meningkatkan peranan mesin dalam uji kuliatas bahan bakar nuklir tipe pelat rencana pengembangan selanjutnya adalah sebagai berikut : 1. Penggabungan 2 sisi pelat sebelah kanan dan kiri sehingga hasil akhir penentuan sebuah pelat dapat dilakukan dalam satu langkah pengujian. Dengan penggabungan 2 sisi pelat ini juga dapat dilakukan penghitungan panjang dan lebar meat. Pada penelitian ini panjang dan lebar meat dianggap sesuai kriteria dengan pertimbangan pelat dibuat oleh proses fabrikasi yang sudah baku sehingga panjang dan lebar untuk setiap pelat adalah sama dan telah sesuai dengan kriteria penerimaan. 2. Penentuan bentuk meat dekat dari nomor pelat (C A E D SD) dan bentuk meat jauh dari nomor pelat (CAED SJ). Pada penelitian ini bentuk ujung meat belum dapat ditentukan karena proses yang dilakukan adalah penarikan garis lurus dari titik-titik sudut, sehingga bentuk ujung meat selalu berupa garis lurus. 3. Penentuan white point. Pada penelitian ini keberadaan white point tidak dapat dideteksi. Hal ini disebabkan karena kualitas masukan gambar hasil scan yang kurang bagus.

UCAPAN TERIMA KASIH Penulis menyampaikan terimakasih kepada pihak PT. Batan Teknologi yang telah banyak membantu dalam menjelaskan alur proses uji kualitas yang dilakukan secara manual serta ijin dalam penggunaan data pelat dalam penelitian ini. Ucapan terimakasih juga penulis sampaikan kepada tim PIPKPP - PPIN - BATAN.

DAFTAR PUSTAKA 1. WINARNO, EDY, “Aplikasi Deteksi Tepi Pada Realtime Video Menggunakan Algoritma Canny Detection”, Jurnal Teknologi Informasi Dinamik, 16 (1) (2011) 44-49. 2. RAFAEL C. GONZALES, RICHARD E. WOOD, "Digital Image Processing, 2nd Edition", Prentice Hall Inc., New Jersey, 2002. 3. GINTING, E.D, “Deteksi Tepi Menggunakan Metode Canny Dengan MatLab Untuk Membedakan Uang Asli dan Uang Palsu”, 2012. www.gunadarma.ac.id/library/articles/.../Artikel_50404934.pdf

261


4. YULIANA, F.M, ”Persamaan Garis Lurus”, http://genius.smpn1mgl.sch.id/file.php/1/ANIMASI/matematika/PERSAMAAN%20GARIS%20LUR US/pgl02.html 5. KURNIAWAN, ADITYA, “Penurunan Rumus Jarak Suatu Titik Terhadap Suatu Garis Lurus”, 2010. http://insinyur-muslim.blogspot.com/2010/05/penurunanrumus-jarak-suatu-titik.html 6. ANONIM,

scikits-image.org,

”Inheritance

diagram

for

skimage.filter”.

http://scikits-image.org/docs/0.4/api/skimage.filter.html#canny 7. ANONIM, GAIBlog, “Implementasi Canny Edge Detector”, 2010. http://pebbie.wordpress.com/2010/01/07/implementasi-canny-edge-detector/

DAFTAR RIWAYAT HIDUP

1. Nama 2. Instansi / Unit Kerja 3. Pekerjaan / Jabatan

: Intan Savitri, S.kom : PPIN – BATAN : Staf Sub Bid Pengembangan Website dan Multimedia / Pranata Komputer Ahli Tk. 1

4. Riwayat Pendidikan • 1999 – 2000 : Jurusan Farmasi, Universitas Indonesia • 2000 – 2003 : D3 Komputer dan Sistem Informasi, MIPA, UGM • 2003 – 2006 : Program Ekstensi Ilmu Komputer, MIPA, UGM. 5. Pengalaman Kerja • Juni 2006 – Desember 2007 : Staf Penunjang (Web dan Aplikasi) pada departement Perlengkapan Dan Jasa, Divisi Internal BPMigas • Januari 2008 – Sekarang : Staf SubBid Pengelolaan Website dan Multimedia, Bidang Sistem dan Jaringan Komputer, PPIN - BATAN 6. Organisasi Profesional :7. Publikasi Ilmiah yang pernah disajikan/diterbitkan : -

262

UJI KUALITAS MORFOLOGI BAHAN BAKAR NUKLIR TIPE PELAT DENGAN PEMANFAATAN IMAGE PROCESSING MENGGUNAKAN BAHASA PEMROGRAMAN PYTHON

Recommend Documents