Tugas Akhir Periode Juli 2010
IMPLEMENTASI SEGMENTASI GAMBAR MENGGUNAKAN DOMAIN
NEUTROSOPHIC DAN METODE WATERSHED
Yuli Wijayanti—Bilqis Amaliah, S.Kom, M.Kom, Anny Yuniarti, S.Kom, M.Com.Sc
Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember, Surabaya
Email : yoely_ks@cs.its.ac.id – bilqis@if.its.ac.id, anny@its-sby.edu
Abstrak Perkembangan dan kemajuan dibidang
teknologi dan informasi memberikan pengaruh yang
cukup besar dalam dunia analisis citra. Saat ini,
proses manipulasi citra menjadi semakin mudah
dilakukan, salah satu penyebabnya adalah
munculnya berbagai macam metode segmentasi
citra. Segmentasi citra merupakan langkah awal
dalam melakukan pengolahan citra, pengenalan
pola, visi komputer, dan mejadi faktor terpenting,
karena hampir sebagian besar dari pengolahan
citra bergantung pada hasil dari segmentasi.
Pada Tugas Akhir ini akan
diimplementasikan salah satu metode segmentasi
citra yang baru dikembangkan yaitu menggunakan
pendekatan neutrosophic dengan metode
Watershed. Neutrosophy digunakan untuk
menentukan domain neutrosophic pada citra,
sedangakan metode Watershed digunakan untuk
proses segementasi citra pada domain neutrosophic.
Evaluasi segmentasi menggunakan
domain neutrosophic dan metode Watershed
terbutkti dapat menghasilkan hasil segmentasi yang
lebih optimal dengan akurasi 64.04 jika
dibandingkan dengan metode lainnya seperti
segmentasi watershed menggunakan distance
transform, segmentasi watershed menggunakan
gradien, segmentasi watershed menggunakan
operasi morfologi dan gradien, segmentasi
watershed dengan marker-controlled, metode edge-
based (Sobel), dan metode region-based (mean-
shift).
Kata kunci : Neutrosophy, Neutrosophic Set,
Watershed, Metode Watershed, Segmentasi
Gambar, S-function, Thresholding,
Enhancement.
1. Pendahuluan
Salah satu proses utama dalam sebuah
pengolahan gambar adalah segmentasi. Segmentasi
gambar adalah proses mempartisi gambar menjadi
beberapa daerah atau obyek. Dengan adanya
segmentasi gambar maka obyek didalam suatu
gambar akan lebih mudah dibedakan antara yang
satu dengan yang lain, dengan hal ini proses
pengelolaan gambar akan menjadi lebih mudah.
Segmentasi gambar merupakan salah satu
faktor yang sangat penting dalam pengolahan
gambar, karena hasil segmentasi sangat berpengaruh
terhadap proses kelanjutan dari pengolahan gambar
1
tersebut, misalnya representasi beserta deskripsi dari
jumlah fitur, klasifikasi obyek, pengenalan, dan
masih banyak lagi. Begitu banyak metode
segmentasi yang telah dikembangkan saat ini
dengan berbagai kelebihan dan kekurangannya
masing-masing. Namun, metode segmentasi yang
dilakukan melalui sebuah pendekatan neutrosophic
masih tergolong baru. Untuk itu pada Tugas Akhir
ini akan diimplementasikan salah satu algoritma
segmentasi gambar menggunakan pendekatan
neutrosophic dengan metode watershed.
Neutroshophy sendiri merupakan salah satu
cabang dari philosophy yang terdiri dari empat
macam bidang antara lain : philosophy, logics, set
theory dan probability/statistics. Neutrosophic dapat
digunakan untuk menyelesaikan permasalahan yang
tidak dapat diselesaikan dengan menggunakan fuzzy
logic dimana permasalahannya berkaitan dengan
masalah ketidakpastian/ ambiguitas.
Dengan menggunakan Neutrosophy kondisi
yang tidak pasti akan direpresentasikan. Pada Tugas
Akhir ini, neutrosophy digunakan untuk membantu
menangani masalah pengolahan gambar yaitu dalam
menentukan domain neutrosophic gambar, setelah
domain neutroshophic diketahui, langkah
selanjutnya adalah proses segmentasi menggunakan
metode watershed yang dilakukan pada domain
neutrosophic.
2. Nutroshophic Set
Neutrosophy merupakan cabang dari ilmu
filsafat yang mempelajari asal usul, sifat dan ruang
lingkup neutralities. Ide neutrosophy ini
diperkenalkan oleh Florentin Smarandache pada
tahun 1980. Terinspirasi dari permainan olahraga
(Menang, Kalah, atau Seri), dari kegiatan pemilihan
suara (Pro, Kontra, Null atau Abstain), dari (Positif /
Negatif /Nilai nol), dari (Ya/ Tidak/ NA), dari
pengambilan keputusan dan kontrol teori (Membuat
keputusan, Tidak membuat, atau Ragu-ragu), dari
(Diterima/Ditolak /Pending), dan lain-lain.
Istilah "neutrosophic" secara etimologis
berasal dari kata "neutrosophy" dimana dalam
bahasa Perancis dari asal kata
neutre, dan dalam bahasa Latin dari asal kata neuter,
yang artinya netral dan sophia dalam bahasa Yunani
berarti keterampilan atau kebijaksanaan. Apabila
dirangkai neurtosophy berarti pengetahuan tentang
pemikiran yang netral.
Tugas Akhir Periode Juli 2010
Neutrosophy dapat juga dianggap sebagai
sebuah proposisi, teori, kejadian atau peristiwa,
konsep ataupun entity, dimana “A” berelasi dengan
kebalikannya “Anti-A” dan berelasi dengan yang
bukan A, “Non-A” dan berelasi dengan “Neut-A”
yaitu selain “A” yaitu “Anti-A”. Neutrosophy
merupakan basis dari neutrosophic logic,
neutrosophic probability, neutrosophic set dan
neutrosophic statistics.
Merupakan generalisasi dari intuitionistic set,
classical set, fuzzy set, paraconsistent set, dialetheist
set, paradoxist set, dan tautological set. Setiap
element x(T, I, F) termasuk dalam set : t true, i
indeterminate, dan f false, dimana t, i dan f adalah
nilai real yang diambil dari set T, I, dan F dengan
tanpa batasan pada T, I, dan F, atau penjumlahannya
yaitu n = t+i+f.
Neutrosophic set mengeneralisasi :
 Intuitionistic set, mendukung set teori
yang tidak lengkap (for 0<n<100,
0<=t,i,f<= 100).
 Fuzzy logic (for n=100, i=0 dan 0<=
t,i,f<= 100).
 Boolean logic (for n=100, i=0, dan t,f
antara 0 atau 100).
 Multi-valued logic (for 0<= t,i,f<=100).
 Paraconsistent logic (for n>100, dan t,f
<100).
Dialetheism, mengatakan bahwa perpotongan
dari beberapa disjoint set tidaklah kosong (for
t=f=100 dan i = 0, beberapa paradox dapat
dinotasikan dengan ini).
3. Watershed
Watershed merupakan salah satu metode
yang digunakan untuk segmentasi sebuah gambar.
Konsep yang terdapat pada watershed ini
memvisualisasikan sebuah gambar dalam tiga
dimensi: dua koordinat ruang versus tingkat
keabuan (gray level). Koordinat ruang merupakan
posisi x dan y pada bidang datar dan tingkat
keabuan merupakan ketinggiannya, semakin ke arah
warna putih maka ketinggiannya semakin besar.
Dengan anggapan bentuk topografi tersebut,
maka di didapatkan 3 macam titik yang
dipertimbangkan dalam metode ini :
 Titik yang merupakan regional
minimum.
 Titik yang merupakan tempat dimana
jika setetes air dijatuhkan, maka air
tersebut akan jatuh hingga ke sebuah
posisi minimum tertentu.
 Titik yang merupakan tempat di mana
jika air dijatuhkan, maka air tersebut
mempunyai kemungkinan untuk jatuh ke
2
salah satu posisi minimum (tidak pasti
jatuh ke sebuah titik minimum, tetapi
dapat jatuh ke titik minimum tertentu
atau titik minimum yang lain).
Untuk sebuah regional minimum tertentu,
sekumpulan titik yang memenuhi kondisi (b) disebut
sebagai catchment basin, sedangkan sekumpulan
titik yang memenuhi kondisi(c) disebut sebagai
garis watershed[8].
Inti dari metode watershed yaitu bagaimana
menentukan garis wateshed, dimana garis watershed
merupakan garis pembatas antar obyek dengan
background.
Pembentukan garis watershed atau dam dam
didasarkan pada citra biner, yang merupakan
anggota dari ruang integer dua dimensi Z2. Cara
termudah untuk membangun dam adalah dengan
menggunakan operasi morfologi dilatasi
(morphological dilation).
3.1 Dilasi
Operasi dilasi dilakukan untuk memperbesar
ukuran segmen obyek dengan menambah lapisan di
sekeliling obyek. Terdapat dua cara untuk
melakukan operasi ini, yaitu dengan cara mengubah
semua titik latar belakang yang bertetangga dengan
titik batas menjadi titik obyek, atau lebih mudahnya
set setiap titik yang tetangganya adalah titik obyek
menjadi titik obyek.
Cara kedua yaitu dengan mengubah semua
titik di sekeliling titik batas menjadi titik obyek, atau
lebih mudahnya set semua titik tetangga sebuah titik
obyek menjadi titik obyek[8].
Misalkan A dan B adalah himpunan-
himpunan piksel. Dilasi A oleh B dinotasikan
dengan dan didefinisikan sebagai berikut.
Ini berarti bahwa untuk setiap titik x B, maka
dilakukan translasi atau penggeseran dan kemudian
menggabungkan seluruh hasilnya (union). Atau
secara matematis dituliskan sebagai berikut :
4. Metode dan Impelementasi
Proses segmentasi gambar menggunakan
metode watershed akan di lakukan pada gambar
yang telah mengalami prepocessing. Tujuan
prepocessing yang di lakukan pada Tugas Akhir ini
yaitu dengan mengubah domain gambar ke dalam
domain neutrosophic. Berikut ini tahapan yang
harus dilakukan untuk merubah ke domain
neutrosophic tersebut.
Tugas Akhir Periode Juli 2010
Tahap pertama dari proses segmentasi ini
yaitu mengubah gambar masukan menjadi gambar
gray scale.
Tahap kedua adalah memetakan gambar dan
menentukan nilai matrix gambar pada domain T dan
matrix gambar pada domain F yang merupakan
komponen dari neutrosophic.
Tahap ketiga adalah proses perbaikan
gambar. Perbaikan gambar bertujuan untuk
mempertajam gambar untuk memudahkan proses
pada tahap selanjutnya.
Tahap keempat adalah menentukan threshold
pada matrix gambar T dan F, gambar T merupakan
gambar yang merepresentasikan sebuah obyek,
sedangkan gambar F merupakan gambar yang
merepresentasikan background. Masing-masing
gambar ini akan ditentukan nilai threshold nya.
Start
Input:
Gambar Grayscale dengan
blurry edge
Filtering dengan Mean filter
Memetakan citra dan Menentukan {T,F}
Enhancement
Menentukan tresholds pada T dan F
Menetapkan homogeniety dari
intensitas domain dan menentukan {I}
Mengubah menjadi citra biner
berdasarkan nilai dari {T,I,F}
Menerapkan algoritma watershed
untuk mengubah citra biner
Output : Gambar hasil
tersegmentsi
End
Gambar Error! No text of specified style in document..1
Diagram alir model secara umum
Tahap kelima adalah menentukan
homogeneity pada domain I dan, I merupakan
komponen neutrosophic yang merepresentasikan
3
edge yang ambigu atau kurang jelas dari suatu
obyek.
Tahap selanjutnya adalah mengubah gambar
pada domain neutrosophic menjadi gambar biner.
Dan tahap yang terakhir yaitu menggunakan metode
watershed untuk melakukan segmentasi gambar
pada gambar biner hasil dari proses sebelumnya.
Data masukan yang dibutuhkan oleh
perangkat lunak ini adalah semua jenis gambar
namun yang lebih diutamakan adalah gambar yang
uniform dengan edge yang kurang jelas atau
ambigu. Hal ini diutamakan karena metode
watershed dapat bekerja lebih bagus pada gambar-
gambar yang uniform dan dengan edge yang
ambigu.
Gambar 4.1 Diagram alir proses segmentasi gambar
4.1. Grayscaling
Grayscaling adalah proses perubahan nilai
piksel dari warna (RGB) menjadi gray-level. Pada
dasarnya proses ini dilakukan dengan meratakan
nilai piksel dari 3 nilai RGB menjadi 1 nilai. Untuk
memperoleh hasil yang lebih baik, nilai piksel tidak
langsung dibagi menjadi 3 melainkan terdapat
persentasi dari masing-masing nilai. Salah satu
prosentase yang digunakan dalam fungsi Image
Processing Toolbox adalah 29,9% dari warna merah
(Red), 58,7% dari warna hijau (Green), dan 11,4%
dari warna biru (Blue). Nilai piksel didapat dari
jumlah prosentase dari 3 nilai tersebut. Secara
matematis dapat ditulis sebagaimana persamaan di
bawah ini :
Gray Scale : 0.2989*R+0.5870* G+0.1140*B
Gambar Grayscale juga disebut gray-scale, gray
scale, atau gambar gray-level dan merupakan hasil
proses grayscaling. Grayscale adalah tingkat warna
keabuan dari sebuah piksel, dapat juga dikatakan
tingkat cahaya dari sebuah piksel atau dengan kata
lain adalah nilai yang terkandung dalam piksel
menunjukan tingkat terangnya piksel tersebut dari
hitam ke putih.
Biasanya ditetapkan nilainya antara 0 hingga
255 (untuk 256-graylevel), dengan 0 adalah hitam
dan 255 adalah putih. Karena hanya terbatas 1 byte
saja maka untuk memrepresentasikan nilai piksel
cukup 8 bit saja.
4.2. Pemetaan dan Penentuan{T,F}
Pada tahap kedua ini akan dilakukan
pemetaan dan penentuan matrix gambar pada
domain T serta domain F. Pemetaan gambar
dilakukan menggunakan mean filter dengan ukuran
Tugas Akhir Periode Juli 2010
window 20 x 20 sedangkan proses penentuan nilai T
dan T yang termasuk komponen dari neutrosophic
dilakukan menggunakan persamaan :
Dimana :
 Nilai intensitas dari gambar
hasil filtering.
a, b, dan c  Parameter yang menentukan
bentuk dari S-function.
Parameter nilai a, b, dan c dapat dihitung
menggunakan metode berdasar pada histogram
sebagai berikut :
(1) Menghitung histogram gambar.
(2) Menentukan local maxima dari histogram,
.
(3) Menghitung nilai rata-rata local maxima
menggunakan persamaan :
(4) Menentukan local maxima sebagai puncak yang
tingginya melebihi . Kemudian
asumsikan bahwa puncak yang pertama kali
ditemukan sebagai dan puncak yang
terakhir kali ditemukan sebagai . background-nya adalah dengan memilih sebuah
(5) Menentukan batas gray level dan
Dengan , dan adalah nilai gray
level yang lebih besar dari 0 dan pertama kali
ditemukan serta adalah nilai gray level
yang lebih besar dari 0 dan terakhir kali di
temukan, maka proses untuk mencari batas
dan dapat dituliskan ke dalam persamaan
sebagai berikut:
(6) Menentukan parameter nilai a dan c : Secara
matematis rumus untuk menghitung nilai a dan
c adalah sebagaimana dibawah ini dengan
 kelompok piksel baru yaitu
  Kemudian menghitung nilai threshold
(7) Menghitung parameter b dengan menggunakan
prinsip maximum entropy sebagaimana
persamaan 2.6.1 dan 2.6.2, Parameter nilai b
berada diantara nilai a dan nilai c. Untuk
mengetahui nilai b yang optimal, diperlukan
pengecekan terhadap seluruh kemungkinan nilai
b. Nilai b yang optimal akan menghasilkan nilai
maximum entropy H(X) yang terbesar.
4.3. Enhancement
Proses enhancement pada tahap ini bertujuan
untuk memperbaiki gambar pada domain baru.
Metode yang digunakan untuk melakukan perbaikan
gambar Tugas Akhir ini yaitu menggunakan
transformasi intensitas atau biasanya disebut dengan
mapping intensitas. Berikut ini fungsi yang
digunakan untuk melakukan perbaikan gambar
tersebut :
Dimana : merupakan gambar hasil
perbaikan dan merupakan fungsi transformasinya.
3.4 Tresholding
Salah satu cara untuk mengambil objek dari
. nilai threshold T yang dapat memisahkan
kelompok yang satu dengan kelompok yang lain.
Maka semua piksel yang memiliki nilai >
nilai T disebut titik objek, sedangkan yang lain
disebut titik background. Proses ini disebut
thresholding. Sebuah gambar yang telah diseleksi
menggunakan nilai threshold dapat didefinisikan:
Nilai T dapat ditentukan dengan banyak cara,
salah satunya adalah melalui perhitungan dibawah
ini :
 Menentukan inisial threshold pada
f(x,y) (gambar yang dihitung threshold
nya)
 Memisahkan f(x,y) dengan
menggunakan , kemudian
mengelompokkannya menjadi 2
 Masing kelompok pada F1 dan F2 di cari
nilai rata-ratanya yaitu
baru dengan persamaan :
4
Tugas Akhir Periode Juli 2010
 Ulangi langkah ke-2 hingga 4 sehingga
selisih nilai dari lebih kecil
dari =0.0001.
 Jika kondisi pada langkah ke-4 telah
terpenuhi maka, tersebut adalah nilai
threshold yang di dapatkan.
4.5. Menetapkan homogenitas dari domain
intensitas dan menentukan {I}
Homogenitas menunjukkan kehomogenan
variasi intensitas dalam gambar. Pada sumber
makalah dari Tugas Akhir ini homogenitas
didefinisikan menggunakan standar deviasi dan
intensitas discontinuity.
Standart deviasi merepresentasikan
kekontrasan daerah lokal (local region). Sebelum
menentukan standar deviasi dalam gambar, terlebih
dahulu harus ditentukan nilai rata-rata setiap
pikselnya terhadap ukuran window. Dibawah ini
merupakan persamaan untuk menghitung nilai rata-
rata tersebut:
Dimana :
= Nilai intensitas piksel.
d = Ukuran window yang digunakan.
(x,y) = Merupakan koordinat pusat masing-masing
window.
Persamaan yang digunakan untuk menentukan
standar deviasi adalah sebagai berikut :
Dimana adalah rata-rata.
Operator sobel yang digunakan pada Tugas
Akhir ini terdiri dari kernel berukuran 3x3, Kernel
ini dirancang untuk merespon secara maksimal garis
tepi yang bergerak secara vertikal dan horizontal
relatif terhadap grid piksel, satu kernel untuk setiap
orientasi tegak lulus (perpendicular orientation).
Kernel dapat digunakan secara terpisah
dengan gambar masukannya untuk menghasilkan
pengukuran yang terpisah dari komponen gradien
orientasinya (Gx dan Gy) komponen gradient ini
disebut juga Perkiraan derevative horisontal dan
vertikal. Besarnya gradien secara matematis dapat
dihitung dengan mengkonvolusikan antara operator
sobel dengan gambar masukannya.
Kemudian untuk mencari besarnya nilai
mutlak gradien pada setiap titik dan orientasi
gradien dilakukan penggabungan nilai Gx dan Gy,
besarnya nilai mutlak ini seringkali disebut dengan
discontinuity, berikut ini persamaannya :
5
Proses selanjutnya setelah nilai dari standar
deviasi dan juga intensitas discontinuity ditemukan
maka dilakukan normalisasi antara strandar deviasi
dengan discontinuity, kemudian selanjtunya
dilakukan pencarian homogenitasnya dengan
persamaan dibawah ini :
Dimana :
Indeterminate I(x,y) yang merepresntasikan
gambar pada domain I, dihitung dengan
menggunakan persamaan sebagai berikut :
4.6. Mengubah menjadi gambar biner
berdasar nilai {T,I,F}
Pada tahap ini, hal yang dilakukan adalah
membagi gambar menjadi 3 bagian : Objects(O),
edges(E), dan background (B). T(x,y)
merepresentasikan derajat untuk menjadi bagian dari
objek piksel, I(x,y) merepresentasikan derajat untuk
menjadi bagian dari piksel edges, dan F(x,y)
merepresentasikan derajat untuk menjadi bagian dari
piksel background untuk piksel P(x,y).
Dibawah ini penjelasan dari ketiga bagian
tersebut :
Dimana dan merupakan hasil dari treshold
pada tahap ke-3 dan dalam percobaan yang
dilakukan penulis.
Setelah piksel O, E, dan B didapatkan
selanjutnya gambar akan dipetakan menjadi gambar
biner. Pada gambar biner obyek dan background
dipetakan sebagai 0 sedangkan edges dipetakan
sebagai 1. Dibawah ini merupakan fungsi
pemetaannya :
4.7. Segmentasi dengan metode Watershed
Watershed merupakan salah satu metode
yang digunakan untuk segmentasi gambar. Konsep
yang terdapat pada watershed ini yaitu dapat
Tugas Akhir Periode Juli 2010

memvisualisasikan sebuah gambar dalam tiga 3D

Grafik Perbandingan Metode pencarian
dimensi
parameter membership function
Dibawah ini merupakan langkah-langkah dari
algoritma watershed. 120
(1) Tentukan daerah (region) ,

Nilai akurasi dalam (%)

100
dengan merepresentasikan objek dan
background yang memiliki nilai 0. 80
(2) Lakukan d ilasi pada daerah tersebut dengan
menggunakan stuktur elemen 3 x 3. 60
(3) Bentuklah dam pada posisi dimana dua daerah Alternatif 1
40
terhubung. Alternatif 2
(4) Ulangi langkah (3) hingga semua daerah 20
tergabung. 0
1 6 1116212631
5. Uji Coba Dan Evaluasi
Gambar
Untuk mengetahui kinerja terhadap sistem
yang telah dibuat dilakukan proses uji coba terhadap Gambar 5.1 Perbandingan pencarian
3 macam : parameter a,b dan c
Perbandingan proses pencaraian parameter
maximum dari membership function dengan
membandingkan antara alternatif 1 yaitu metode Tabel 5.1 Rata-rata nilai akurasi setiap lamda pada
berdasar histogram sebagaimana yang dijelaskan setiap window(%)
pada makalah utama [1], dan alternatif 2 yaitu Window Window Window window
metode berdasar histogram juga yang dijelaskan Lamda
3 5 7 9
pada makalah referensi [9]. 0.01 48,53494 48,41144 48,30397 48,22458
Membandingkan hasil segmentasi dengan
menggunakan nilai parameter yang optimal yang 0.02 48,87342 48,63233 48,61276 48,51049
didapatkan dari uji coba sebelumnya dibadingkan 0.03 48,9569 48,95694 48,79838 48,78918
dengan metode yang lain yaitu seperti segmentasi
0.04 50,278 48,98314 48,99037 48,86759
watershed menggunakan distance transform,
segmentasi watershed menggunakan gradien, 0.05 50,45036 49,22686 49,00619 48,92676
segmentasi watershed menggunakan operasi 0.06 50,52641 49,76099 49,25476 49,06583
morfologi dan gradien, segmentasi watershed
dengan marker-controlled, metode deteksi tepi 0.07 53,21026 50,57955 49,24268 49,09936
menggunakan sobel dan metode deteksi region 0.08 53,50888 50,74159 49,99755 49,21387
menggunakan mean-shift.
0.09 54,12991 50,72315 50,5702 49,80185
Uji coba dilakukan terhadap 34 macam
gambar yang berbeda. Dari Gambar 5.1 tidak 0.1 55,1613 51,30657 50,79668 50,46706
terlihat perbedaan yang signifikan apabila dilihat
secara visual, namun apabila dicari rata-ratanya Untuk perbandingan dengan metode lain,
maka akan terlihat bahwa nilai keakuratan dari nilai akurasi tiap metode dapat dilihat Tabel 5.2
preprocessing dengan alternatif 2 terbukti
menghasilkan hasil segmentasi yang lebih bagus Tabel Error! No text of specified style in document..2
Perbandingan rata-rata nilai akurasi antara metode
dengan perbandingan rata-rata nilai akurasi 56,378 neutorosphic dengan metode pembanding yang
untuk alternatif 1 dan 56,583 untuk alternatif 2. lain(%)
Hasil uji coba untuk mencari rata-rata nilai
parameter lamda dan ukuran window yang optimal Gambar 1 2 3 4 5 6
dapat dilihat pada Tabel 5.1. Berdasarkan Tabel 5.1 Rata2 64, 42,94 26,7 36,8 44, 47,
nilai parameter lamda yang optimal yaitu 0.1 dan akurasi 04 9 47 6
dari tabel tersebut juga dapat dilihat bahwa ukuran
Keterangan dari Tabel
window yang menghasilkan rata-rata nilai akurasi
(1) Segmentasi gambar menggunakan domain
tertintinggi terdapat pada window berukuran 3x3 neutrosophic dan metode watershed
dengan rata-rata akurasi 55,1613% (2) Segmentasi watershed menggunakan distance
transform
(3) Segmentasi watershed menggunakan gradient

6
Tugas Akhir Periode Juli 2010

(4) Segmentasi watershed menggunakan operasi
morfologi dan gradient
(5) Segmentasi watershed dengan marker-
controlled
(6) Metode deteksi tepi menggunakan sobel.
Dari Tabel 5.2 terbukti bahwa segmentasi
gambar menggunakan domain neutrosophic dan
metode watershed memiliki tingkat akurasi yang
lebih baik jika dibandingkan dengan beberapa
meode segmentasi yang lain sebagaimana yang telah
disebutkan di atas.
Untuk perbandingan metode berbasis region
yaitu mean-shift dapat dilihat dari hasil segmentasi
yang dihasilkan oleh metode ini dengan metode
yang diusulkan. Untuk metode means-shift
parameter yang digunakan adalah bandwidth = 7,
color = 3, minimum = 10, sedangkan pada metode
watershed dengan pendekatan neutrosophic
menggunakan parameter window berukuran 3x3
dengan nilai lamda 0.1.
a. Dari hasil uji coba pencarian parameter a, b,
dan c pada proses pencarian parameter
maximum dari membership function dengan
antara alternatif 1 yaitu metode berdasar
histogram yang dijelaskan pada makalah
utama[1], dan alternatif 2 yaitu metode berdasar
histogram yang dijelaskan pada makalah
referensi[9] terbukti bahwa alternatif 2
menghasilkan hasil segmentasi yang lebih
optimal dengan perbandingan rata-rata nilai
akurasi 56,378 untuk alternatif 1 dan 56,583
untuk alternatif 2.
b. Proses segmentasi citra menggunakan domain
neutrosophic dengan metode watershed dapat
menghasilkan hasil segmentasi yang optimal
dengan parameter lamda = 0.1 dan ukuran
window = 3 berdasarkan hasil akurasinya
64,0413 %.
c. Metode watershed dengan pendekatan pada
domain neutrosophic terbukti dapat
menghasilkan hasil segmentasi yang lebih
optimal dengan akurasi 64.04 jika dibandingkan
segmentasi watershed menggunakan gradien,
segmentasi watershed menggunakan operasi
morfologi dan gradien, segmentasi watershed
dengan marker-controlled, metode edge-based
(Sobel), metode region-based (mean-shift).

7. Daftar Pustaka
[1] Ming Zhang, Ling Zhang, H.D. Cheng,
2009, A neutrosophic approach to
image segmentation based on
watershed method, on Signal
Processing in ScienceDirect.
[2] Yanhui Guoa, H.D.Chenga, 2008, New
neutrosophic approach to image
segmentation, on Pattern Recognition in
ScienceDirect.
[3] Florentin Smarandache, 2000,
Neutrosophic Set – A Generalization
of the Intuitionistic Fuzzy Set., MSC
2000: 03B99, 03E99.
Gambar Error! No text of specified style in document..3 [4] Florentin Smarandache, 2005, A
Perbandingan dengan metode lain, (a) Gambar UNIFYING FIELD IN LOGICS:
Capitol asli (b) Segmentasi menggunakan mean-shift
NEUTROSOPHIC LOGIC.
(c) Segmentasi watershed dengan marker-controlled (d)
Segmentasi menggunakan menggunakan domain NEUTROSOPHY, NEUTROSOPHIC
neutrosophic dan metode watershed SET, NEUTROSOPHIC
PROBABILITY., ISBN 978-1-59973-
Dari Gambar 5.2 dapat dilihat hasil 080-6.
perbandingan antara metode yang diusulkan dengan [5] Haibin Wang, Florentin Smarandache,
metode segmentasi yang lain, dari gambar tersebut Yan-Qing Zhang, Ranshekhar
terlihat bahwa metode yang diusulkan menhasilkan Sunderraman, 2005, Interval
hasil segemntasi yang lebih baik dibandingakn Neutrosophic Set and Logic : Theory
dengan yang lain. and Apllications in Computing.
[6] Charles Ashbacher, 2002,
6. Simpulan INTRODUCTIONTO
Dari uji coba yang telah dilakukan dan NEUTROSOPHIC LOGIC.
setelah menganalisis hasil pengujian terhadap [7] Florentin Smarandache, 2005, N-norm
deteksi serat asing menggunakan segmentasi gambar and N-conorm in Neutrosophic Logic
dapat diambil beberapa kesimpulan antara lain:

7
Tugas Akhir Periode Juli 2010

and Set,and the Neutrosophic

Topologies.
[8] R.C. Gonzalez, R.E. Woods, Digital
Image Processing, second ed., Prentice-
Hall, New York, 2002.
[9] H.D. Cheng, H. Xu, A novel fuzzy logic
approach to contrast enhancement,
Pattern Recognition 33 (2000) 809–919.
[10] Adang Suhendra, “Catatan Kuliah
Pengantar Pengolahan Citra”,
(http://www.docstoc.com/docs/20866735
/Catatan-Kuliah-Pengantar-Pengolahan-
Citra, diakses 10 Juni 2010).
[11] Wikipedia, “Membership function”,
(http://en.wikipedia.org/wiki/Membershi
pfunction%28mathematics%29, diakses
11 Juni 2010)
[12] Robert Fisher, Simon Perkins,
Ashley Walker, Erik Wolfart, “Sobel
Edge Detector”,
(http://homepages.inf.ed.ac.uk/rbf/HIPR
2/sobel.htm, diakses 14 juni 2010).