Segmentasi Citra Ikan Tuna Dengan Otomatisasi Parameter Dbscan Menggunakan Jumlah Titik Puncak Pada Histogram

Main Article Content

Wanvy Arifha Saputra
Didih Rizki Chandranegara
Agus Zainal Arifin

Abstract

Segmentasi pada citra ikan tuna menggunakan Density-Based Spatial Clustering of Application (DBSCAN) membutuhkan dua parameter utama, yaitu Eps dan MinPts. Parameter tersebut dapat melakukan segmentasi citra tanpa mengetahui jumlah kluster. Setiap citra memiliki nilai parameter yang berbeda untuk mendapatkan hasil segmentasi yang terbaik. Input nilai parameter dengan metode manual memiliki kelemahan dalam mendapatkan nilai yang optimal dan secara subjektif dalam menentukan nilai parameter tersebut. Kelemahan dalam mendapatkan nilai parameter yang optimal dapat menyebabkan nilai parameter yang salah dan akan berpengaruh pada hasil segmentasi dari setiap citra. Kami mengajukan metode baru yaitu segmentasi citra ikan tuna dengan otomatisasi parameter DBSCAN menggunakan jumlah titik puncak pada histogram, sehingga mendapatkan nilai parameter yang optimal untuk segmentasi dari setiap citra. Untuk mendukung hal tersebut, kami menggunakan Eps Spatial, Eps Color dan MinPts di algoritma DBSCAN. Parameter tersebut mengambil nilai  dari jumlah titik puncak pada histogram dalam ruang warna yang berbeda. Hasil dari metode ini dapat melakukan segmentasi citra ikan tuna dibuktikan dengan 30 citra yang telah digunakan dan mendapatkan akurasi diatas 90&. Jadi ini dapat melakukan segmentasi tanpa mengetahui nilai parameter tersebut.

Downloads

Download data is not yet available.

Article Details

Section
Artikel
Author Biographies

Wanvy Arifha Saputra, Politeknik Negeri Banjarmasin

Jurusan Elektro
Prodi Teknik Informatika

Didih Rizki Chandranegara, Institut Teknologi Sepuluh Nopember Surabaya

Teknik Informatika

Agus Zainal Arifin, Institut Teknologi Sepuluh Nopember Surabaya

Teknik Informatika

References

[1] Gao, G., & Li, M. (2014, April). Study on navigating path recognition for the greenhouse mobile robot based on K-means algorithm. In Networking, Sensing and Control (ICNSC), 2014 IEEE 11th International Conference on, pp. 451-456.
[2] Yao, H., Duan, Q., Li, D., & Wang, J. (2013, August). An improved K-means clustering algorithm for fish image segmentation. Mathematical and Computer Modelling, 58(3), pp. 790-798.
[3] Tan, K. S., & Isa, N. A. M. (2011, January). Color image segmentation using histogram thresholding–Fuzzy C-means hybrid approach. Pattern Recognition, 44(1), pp. 1-15.
[4] Manavalan, R., & Thangavel, K. (2011, December). TRUS image segmentation using morphological operators and DBSCAN clustering. In Information and Communication Technologies (WICT), 2011 World Congress on, pp. 898-903.
[5] Ye, Q., Gao, W., & Zeng, W. (2003, April). Color image segmentation using density-based clustering. In Acoustics, Speech, and Signal Processing, 2003. Proceedings.(ICASSP'03). 2003 IEEE International Conference on, pp. 345-348.
[6] Ester, M., Kriegel, H. P., Sander, J., & Xu, X. (1996, August). A density-based algorithm for discovering clusters in large spatial databases with noise. In Kdd, 96(34), pp. 226-231.
[7] Tran, T. N., Nguyen, T. T., Willemsz, T. A., van Kessel, G., Frijlink, H. W., & van der Voort Maarschalk, K. (2012, May). A density-based segmentation for 3D images, an application for X-ray micro-tomography. Analytica chimica acta, 725, pp. 14-21.
[8] Nguyen, T. T., Tran, T. N., Willemsz, T. A., Frijlink, H. W., Ervasti, T., Ketolainen, J., & van der Voort Maarschalk, K. (2011, December). A density based segmentation method to determine the coordination number of a particulate system. Chemical engineering science, 66(24), pp. 6385-6392.
[9] Deza, M. M., & Deza, E., Encyclopedia of distances. Springer Berlin Heidelberg, 2009, pp. 1-583.
[10] Li, G., & Xiao-ming, L. (2010, December). Color edge detection based on mathematical morphology in HSI space. In Computer and Information Application (ICCIA), 2010 International Conference on, pp. 5-8.