Category Archives: Pengolahan Citra
Pengolahan Citra Digital menggunakan GUI MATLAB
PERHITUNGAN VOLUME TUMOR OTAK PADA CITRA MRI MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK RESNET-18
Tumor otak merupakan salah satu penyakit yang membutuhkan diagnosis akurat agar penanganannya optimal. Salah satu parameter penting dalam proses diagnosis adalah volume tumor, yang dapat digunakan untuk menentukan stadium penyakit dan memantau keberhasilan terapi. Metode manual berbasis ROI (Region of Interest) sering digunakan oleh radiolog, namun membutuhkan waktu lama dan sangat bergantung pada subjektivitas pengamat.
Penelitian ini mengimplementasikan metode semantic segmentation berbasis Convolutional Neural Network (CNN) arsitektur ResNet-18 pada citra MRI otak. Sebanyak 171 data citra DICOM beserta ground truth digunakan sebagai data latih untuk melatih model segmentasi. Sistem dilengkapi dengan antarmuka grafis (GUI) berbasis MATLAB yang mampu melakukan segmentasi otomatis, menghitung volume tumor, serta menampilkan visualisasi hasil dalam bentuk 2D maupun 3D.
-read more->Klasifikasi Citra Retina untuk Deteksi Microaneurisme Menggunakan KNN Berbasis Ekstraksi Ciri LBP dan Wavelet
Microaneurisme merupakan salah satu tanda awal retinopati diabetik yang muncul pada citra retina sebagai titik-titik kecil berwarna merah. Deteksi dini microaneurisme sangat penting untuk mencegah kerusakan penglihatan yang lebih parah. Pada penelitian ini, dibuat sebuah sistem klasifikasi citra retina dengan dua kelas keluaran: microaneurisme dan non microaneurisme.
Metode klasifikasi yang digunakan adalah K-Nearest Neighbor (KNN) dengan jumlah tetangga (k) = 5. Untuk mendapatkan ciri (fitur) yang representatif, citra diekstraksi menggunakan Local Binary Pattern (LBP) dan transformasi wavelet Daubechies. Hasil dari penelitian ini diharapkan dapat membantu proses diagnosis awal secara otomatis, cepat, dan akurat.
-read more->Segmentasi Semantik Citra Rontgen Skoliosis Menggunakan ResNet-18
Skoliosis adalah kelainan pada tulang belakang yang menyebabkan tulang melengkung ke samping. Pemeriksaan skoliosis biasanya dilakukan menggunakan citra rontgen. Namun, menganalisis citra secara manual membutuhkan waktu, tenaga, dan bisa berbeda antara satu dokter dengan yang lain.
Untuk membantu proses analisis, salah satu pendekatan modern adalah segmentasi semantik berbasis deep learning. Dengan teknik ini, komputer dapat menandai bagian tulang belakang secara otomatis sehingga dokter bisa fokus pada interpretasi hasilnya.
-read more->Klasifikasi Tingkat Kematangan Pada Tanaman Cabai Rawit (Capsicum Frutescens) Berdasarkan Fitur Warna Dengan Metode Support Vector Machine (SVM)
Cabai rawit (Capsicum frutescens) merupakan salah satu komoditas hortikultura yang memiliki peran penting dalam industri pangan. Penentuan tingkat kematangan cabai berpengaruh langsung terhadap kualitas produk dan nilai jual. Dalam praktiknya, sortasi cabai di lapangan masih banyak dilakukan secara manual oleh petani atau pekerja sortasi dengan mengandalkan penglihatan manusia. Metode manual ini rawan kesalahan karena faktor kelelahan, pencahayaan yang tidak seragam, serta perbedaan persepsi warna. Oleh karena itu, diperlukan sistem otomatis berbasis pengolahan citra yang mampu memberikan hasil klasifikasi yang konsisten.
Pengenalan Huruf Hijaiyah Menggunakan Jaringan Syaraf Tiruan Perceptron
Huruf hijaiyah merupakan dasar dari sistem penulisan bahasa Arab yang terdiri dari 29 huruf. Kemampuan mengenali huruf hijaiyah sangat penting dalam pembelajaran Al-Qur’an maupun pemrosesan teks Arab secara digital. Salah satu pendekatan komputasi yang dapat digunakan untuk klasifikasi pola visual adalah Jaringan Syaraf Tiruan (JST).
Pada penelitian ini digunakan arsitektur perceptron untuk mengenali huruf hijaiyah berdasarkan citra yang telah diproses menjadi bentuk biner. Data latih yang digunakan berjumlah 20 × 29 citra, sedangkan data uji berjumlah 10 × 29 citra.
-read more->Penerapan Deep Learning dalam Pengolahan Citra Digital
Pengolahan citra digital merupakan salah satu bidang yang berkembang pesat dalam beberapa dekade terakhir. Dengan semakin banyaknya data citra yang dihasilkan dari berbagai sumber seperti kamera digital, pemindaian medis, dan sensor satelit, diperlukan metode yang efektif untuk menganalisis dan memproses citra tersebut. Salah satu pendekatan terkini yang telah menunjukkan kinerja yang luar biasa dalam berbagai tugas pengolahan citra adalah deep learning.
Deep learning merupakan cabang dari machine learning yang menggunakan jaringan neural yang dalam (deep neural networks) untuk memodelkan dan memahami data yang kompleks. Dalam konteks pengolahan citra digital, deep learning telah digunakan untuk berbagai tugas, mulai dari klasifikasi objek hingga restorasi citra, deteksi anomali, segmentasi, dan banyak lagi. Dalam artikel ini, kita akan mempelajari berbagai aplikasi deep learning dalam pengolahan citra digital serta teknik-teknik yang digunakan untuk meningkatkan kinerja dan akurasi.
-read more->Metode Segmentasi Citra Digital
Segmentasi citra adalah salah satu tahapan penting dalam pengolahan citra yang bertujuan untuk membagi citra menjadi beberapa bagian yang memiliki makna atau sifat yang seragam. Proses ini bertujuan untuk mengidentifikasi objek, area, atau fitur penting dalam citra untuk analisis lebih lanjut. Dalam artikel ini, akan dibahas mengenai metode-metode segmentasi citra yang beragam, mulai dari pendekatan klasik hingga teknik-teknik terbaru yang didukung oleh kecerdasan buatan. Segmentasi citra digunakan dalam berbagai aplikasi, termasuk pengenalan pola, deteksi objek, klasifikasi citra, dan pengolahan citra medis.
1. Metode Segmentasi Klasik
– Metode Berbasis Ambang / Thresholding
Metode segmentasi berbasis ambang (thresholding) adalah salah satu pendekatan klasik yang paling sederhana dalam segmentasi citra. Ini melibatkan pemilihan nilai ambang (threshold) yang sesuai untuk memisahkan piksel ke dalam dua kelas, yaitu objek dan latar belakang, berdasarkan tingkat intensitasnya. Piksel dengan intensitas di atas threshold dianggap sebagai bagian dari satu kelompok, sementara piksel dengan intensitas di bawah threshold dianggap sebagai bagian dari kelompok yang lain.
-read more->Metode Ekstraksi Fitur Dalam Pengolahan Citra
Pada era digital saat ini, pengolahan citra telah menjadi bidang yang semakin penting dalam berbagai aplikasi, termasuk pengenalan pola, deteksi objek, komputer vision, dan banyak lagi. Salah satu aspek penting dalam pengolahan citra adalah ekstraksi fitur, di mana informasi yang relevan diekstraksi dari citra untuk tujuan analisis lebih lanjut. Dalam artikel ini, kita akan mempelajari metode-metode ekstraksi fitur citra, mulai dari pendekatan sederhana hingga teknik-teknik kompleks yang digunakan dalam penelitian terkini.
Ekstraksi fitur citra adalah proses mengubah data citra menjadi representasi fitur yang lebih sederhana dan informatif. Fitur-fitur ini mencerminkan karakteristik penting dari citra yang dapat digunakan untuk mengidentifikasi pola, membedakan objek, atau mengklasifikasikan citra. Dalam banyak aplikasi, ekstraksi fitur merupakan langkah awal yang penting sebelum analisis lebih lanjut, seperti pengenalan pola atau deteksi objek.
-read more->Cara Menghitung Nilai Threshold
Pengolahan citra digital adalah bidang yang luas dan penting dalam dunia komputer dan teknologi informasi. Salah satu teknik dasar dalam pengolahan citra adalah segmentasi citra, di mana citra dibagi menjadi beberapa bagian atau wilayah yang memiliki karakteristik tertentu. Salah satu metode yang umum digunakan dalam segmentasi citra adalah metode thresholding.
Metode thresholding membagi citra menjadi dua bagian, yaitu bagian yang bernilai di atas atau di bawah nilai threshold tertentu. Proses penghitungan nilai threshold ini adalah langkah krusial dalam penggunaan teknik ini. Pada artikel ini akan dibahas mengenai berbagai cara untuk menghitung nilai threshold pada pengolahan citra digital.
-read more->Arsitektur Convolutional Neural Network (CNN) untuk Pengolahan Citra Digital
Pengolahan citra digital adalah cabang penting dalam bidang kecerdasan buatan / Artificial Intelligence (AI) yang bertujuan untuk memahami, menganalisis, dan memanipulasi citra digital. Dalam beberapa tahun terakhir, Convolutional Neural Network (CNN) telah menjadi fondasi utama dalam pengolahan citra digital, menghasilkan kemajuan luar biasa dalam aplikasi seperti pengenalan objek, segmentasi citra, dan pengolahan citra medis. Artikel ini akan membahas secara mendalam arsitektur CNN dan peran krusialnya dalam pengolahan citra digital.
Konsep Dasar CNN
CNN adalah jenis arsitektur jaringan saraf tiruan yang terinspirasi oleh cara kerja visual manusia dan struktur jaringan saraf biologis. Salah satu fitur utama CNN adalah lapisan konvolusi, yang memungkinkan jaringan untuk secara otomatis mempelajari fitur-fitur penting dari citra melalui proses konvolusi dan pooling.
-read more->
Pemrograman Matlab 