Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

Multicluster Kernel Intuitionistic Fuzzy C-Means dan State Transition Algorithm: Kerangka untuk Segmentasi Citra Bacillus Tuberkulosis pada Kondisi Cahaya Rendah Berbasis Pendekatan Semisupervised

Rektorat UDINUS 2024 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2024
Tujuan
Nomor
a9bfca64-1f87-414a-8b9a-188ca14f5d32
Terbit
2026-10-30

Universitas Dian Nuswantoro menyajikan penelitian mengenai kerangka segmentasi citra cahaya rendah untuk bacillus tuberkulosis dengan menggunakan pendekatan semisupervised. Kegiatan ini melibatkan peneliti UDINUS, yaitu Wulandari, Sari Ayu; Eddy Purnama, I Ketut; Yuniarno, Eko Mulyanto; dan Purnomo, Mauridhi Hery. Penelitian tersebut menanggapi kebutuhan terhadap citra beranotasi sebagai ground truth untuk deep learning serta kebutuhan waktu dan usaha yang besar dalam melakukan segmentasi bakteri secara manual. Kegiatan ini juga menanggapi tantangan pada citra bakteri dengan kondisi cahaya rendah, yang berpengaruh terhadap proses anotasi otomatis.

Sistem yang diusulkan menggunakan metode clustering berbasis fuzzy untuk meningkatkan segmentasi objek bakteri melalui konsep multicluster. State Transform Algorithm digunakan untuk memperoleh starting centroid karena Kernel Intuitionistic Fuzzy C-Means sensitif terhadap starting centroid dan dapat terjebak pada local optima. Penelitian ini melaporkan bahwa KIFCM-STA dengan bicluster menghasilkan akurasi yang rendah pada citra cahaya rendah. Sebagai kelanjutan hibrida dari KIFCM-STA, teknik multicluster yang disebut MKIFCM-STA diajukan untuk meningkatkan kinerja.

Kerangka tersebut menentukan jumlah cluster yang ideal menggunakan metode Silhouette dan menerapkan pemeringkatan cluster dengan Topsis untuk mengidentifikasi cluster yang berisi objek bakteri. Kegiatan ini membandingkan metode yang diusulkan dengan empat pendekatan sebelumnya, yaitu IFCM, KFCM, KIFCM, dan KIFCM-STA. Perbandingan mencakup aspek kualitatif melalui visualisasi citra dan aspek kuantitatif melalui average IOU, Dice, HD, ASD, serta Accuracy. Dalam tugas clustering citra cahaya rendah, model mencapai skor akurasi 89,438% dan dilaporkan meningkatkan kinerja secara signifikan. Temuan ini berkaitan dengan tujuan yang dinyatakan melalui penelitian mengenai pekerjaan berbasis citra terkait bacillus tuberkulosis dan segmentasi bakteri. Melalui kegiatan penelitian ini, UDINUS menyajikan kerangka yang berfokus pada clustering citra bakteri cahaya rendah dan peningkatan prosedur auto-annotation citra.

Rujukan https://www.scopus.com/pages/publications/85201565953?origin=resultslist