Hasil Pencarian  ::  Simpan CSV :: Kembali

"Akurasi hasil deteksi perubahan citra jarak jauh sangat tergantung pada akurasi metode klasifikasi yang digunakan. Salah satu cara untuk mendapatkan hasil yang lebih baik adalah dengan mengoptimalkan setiap prosedur pengolahan citra. Salah satunya dengan algoritma deteksi perubahan dengan menggunakan metode image differencing akan mendapatkan peta perubahan yang masih harus dianalisa sebagai prosedur klasifikasi citra binarisasi. Penelitian ini bertujuan melakukan kombinasi model penggabungan algoritma ambang. Serta membandingkan algoritma ambang untuk mendapatkan nilai ambang terbaik mengunakan fungsi entropi secara otomatis untuk memecahkan masalah deteksi perubahan dengan pendekatan klasifikasi data yang tidak tersedia. Dengan menggunakan asumsi model statistik untuk mengetahui kelas wilayah berubah dan tidak berubah yang menampilkan berbagai perkiraan algoritma ambang mengunakan analisa discriminan, entropi lokal, entropi gabungan, entropi global, relatif entropi lokal, relatif entropi gabungan dan relatif entropi global. Pada penelitian ini digunakan model fusi Markov random fields untuk menggabungkan informasi-informasi deteksi perubahan hasil identifikasi algoritma ambang yang lebih komprehensif dalam menunjang pembuat keputusan.Penelitian ini menemukan bawa pengunaan algoritma analisa discriminan terlalu sensitive untuk mendeteksi perubahan. Tingkat akurasi deteksi wilayah berubah terbaik mengunakan metode analisa discriminan sebesar 99% namun juga terlalu sensitif terhadap perubahan yang ditunjukan dengan tidak hanya wilayah yang terbakar terdeteksi juga wilayah tidak terbakar. Akurasi deteksi terbaik yang dapat dicapai mengunakan fungsi entropi dimiliki oleh lokal relatif entropi (99%) dan lokal entropi (97%) yang menjadikan sangat baik adalah mempunyai kesalahan deteksi kecil. Algorima fusi mengunakan metode Markov memberikan akurasi deteksi terbaik sebesar 93%, lebih rendah dari kemampuan deteksi dengan algoritma ambang yang menggunakan fungsi entropi. Namun algoritma fusi MRF akan semakin memastikan wilayah yang berubah. Secara umum, ditemukan bahwa pengurangan jumlah pixel dalam variasi histogram dalam citra berpengaruh besar pada tingkat akurasi deteksi perubahan dan sensitifitas algoritma ambang untuk mendeteksi perubahan. Semakin rendah jumlah pixel dalam variasi histogram semakin baik klasifikasi wilayah berubah terdeteksi dan semakin cepat waktu pemprosesan."

"Tesis ini membahas transformasi wavelet yang digunakan untuk menyelesaikan masalah deteksi tepi. Transformasi wavelet dan proses optimasi dipakai untuk menurunkan filter deteksi tepi. Filter ini terdiri atas fungsi-fungsi wavelet dan koefisien-koefisien yang bersesuaian dengan fungsi-fungsi wavelet tersebut. Filter deteksi tepi yang diperoleh merupakan perbaikan dari filter yang diberikan oleh Hsieh, Liao, dan Fan [HSI93].Fungsi filter ini diimplementasikan dengan bahasa C pada komputer workstation SUN SPARC 1+, dengan sistem operasi UNIX dan memori 8 Mbytes. Tiga macam citra digunakan untuk eksperimen, yaitu satu citra Lenna dan dua citra foto satelit.Berdasarkan perbandingan dengan hasil dari metode Canny dan metode DOG, dapat disimpulkan bahwa deteksi tepi dengan metode wavelets memberikan hasil yang cukup baik."

"Masalah yang biasa terjadi dalam pembuatan sistem pengenalan wajah adalah jumlah dimensi yang terlalu besar untuk diproses ke dalam classifier, sehingga biaya komputasi yang dibutuhkanpun akan semakin besar pula. Penelitian berikut mencoba untuk mereduksi dimensi dalam ruang spatial akan tetapi dari hasil reduksi dimensi ini tidak membuat proses ekstraksi fitur kehilangan informasi penting yang mengakibatkan penurunan akurasi pengenalan.Reduksi dimensi dalam ruang spatial ini didapatkan dengan cara membangkitkan sejumlah garis pada data citra secara acak. Ada dua metode dalam membangkitan garis yaitu Fitur Garis Acak (FGA) dan Template Fitur Garis Acak (TFGA). Pada FGA, sejumlah garis dibangkitkan pada seluruh data citra secara acak. Sedangkan TFGA, sejumlah garis dibangkitkan hanya satu kali saja dan himpunan garis ini yang akan digunakan untuk membangkitkan garis pada data citra yang lain. Dari masing-masing garis ini dibangkitkan sejumlah spatial window. Vektor representasi citra didapatkan dari rata-rata intensitas yang terdapat pada spatial window tersebut. Vektor representasi citra ini akan dijadikan fitur untuk classifier. Classifier yang digunakan adalah k-nearest neighborhod dan backpropagation sebagai pembanding.Dari hasil percobaan menggunakan database weizmann, didapatkan bahwa pengenalan akan lebih stabil jika metode untuk membangkitkan garis adalah TFGA. Selain stabil dengan metode TFGA ini akurasi pengenalan lebih baik dibandingkan dengan metode FGA pada jumlah garis yang sama. Pada jumlah garis yang terkecil dengan menggunakan classifier k-nearest neighborhod, rata-rata akurasi pengenalan metode FGA adalah 46.67% sedangkan dengan TFGA akurasi pengenalan adalah 57.14%. Dengan classifier pembanding backpropagation dan menggunakan metode TFGA didapatkan rata-rata akurasi pengenalan 78.29%. Secara umum dari keseluruhan metode semakin bertambah jumlah garis maka semakin meningkat pula tingkat akurasi pengenalan."

"Pada paper ini, dilakukan pemilihan feature dari citra RGB (Red-Green-Blue) untuk memprediksi tingkat kemanisan buah belimbing yang dicirikan dengan kandungan TPT (Total Padat Terlarut). Dari feature terpilih, dilakukan transformasi komponen utama satu dimensi (1D-PCA) dan dua dimensi (2D-PCA) untuk mereduksi dimensi citra. Kemudian dilanjutkan dengan proses pengenalan tingkat kemanisan yang dalam paper ini dikelompokkan menjadi tiga, yaitu manis, sedang, dan asam. Nilai batas tiap kelompok didasarkan pada bentuk histogram nilai TPT. Dari 300 citra buah belimbing diperoleh hasil bahwa secara akurasi, teknik 1D-PCA maupun 2D-PCA memberikan hasil yang relatif sama. Namun dari segi kecepatan, 2D-PCA jauh lebih cepat dibanding 1D-PCA, khususnya pada bagian pembentukan sumbu. Model hubungan tingkat kemanisan sebagai fungsi dari nilai RGB memberikan tingkat determinasi terbesarnya 69.9%. Percobaan menunjukkan bahwa 1D-PCA maupun 2D-PCA mampu menerangkan sekitar 95% model hubungan tersebut yang dikembangkan pada ruang asal. Teknik PCA digabungkan dengan jarak Euclidean untuk pengenalan mampu mengenali buah kelompok manis dengan akurasi 100%. Sedangkan untuk kelompok asam dan sedang teknik yang dilakukan gagal melakukan pengenalan dengan baik"

"Skripsi ini menjelaskan suatu metode deteksi kecepatan pengelasan yang bisa diaplikasikan untuk simulator pengelasan menggunakan augmented reality. Dalam proses pengelasan, faktor kecepatan pengelasan menjadi sangat penting karena merupakan salah satu faktor yang menentukan bagus tidak nya kualitas pengelasan. Welding simulator ini nantinya bisa digunakan sebagai bentuk pelatihan pengelasan dengan biaya yang relatif murah. Metode ini menggunakan software ARToolkit,OpenGL library dan Autodesk 3ds Max dalam pembuatannya. Dalam perhitungannya, metode ini menggunakan algoritma perbedaan koordinat dalam satuan waktu yang diambil dari besarnya frame per second (FPS) dari sebuah kamera. Setelah metode ini berhasil dibuat, data pengukuran diambil untuk mendapatkan seberapa tepat dan berapa kesalahan (error) pendeteksian kecepatan pada simulator dari kecepatan yang yang sebenarnya dengan parameter tingkat intensitas cahaya yang berbeda. Analisis dilakukan dan didapatkan nilai kesalahan yang tidak terlalu besar sehingga metode berhasil dibuat dan kedepannya pengembangan lebih lanjut bisa dilakukan untuk membuat fitur-fitur yang lebih canggih.

---

This paper explain about travel angle detection that able to use for welding simulator using augmented reality. Travel speed is one of important parameter that able to influence the welding quality. In the future, this simulator can be used by students who want to join welder training with low cost. This method used ARToolkit, OpenGL library and Autodesk 3ds Max software for build the simulator. The travel speed detection used distance of the coordinat per time unit that included inside of frame per second (FPS) in camera specification. After this method built successfully, data of speed detection was analized for how accurate and how many error from speed detection to actual speed with different lighting condition. The speed detection error was not far away from the actual speed, so this simulator can be development more to get more important feature on welding process in the future."

"Kendaraan roda dua atau yang biasa disebut sebagai motor merupakan kendaraan yang awam ditemukan khususnya di Negara Indonesia. Kendaraan yang sangat mudah untuk digunakan dan terjangkau harganya menjadikannya kendaraan nomor satu untuk digunakan sehari-hari. Banyak regulasi yang telah mengatur tentang keamanan dan kenyamanan untuk berkendara, namun masih banyak pihak yang melanggar hal tersebut. Oleh karena itu diperlukannya sebuah alat bantu yang dapat mendeteksi dan meregulasi pengendara sepeda motor. Menggunakan deep learning, komputer dapat mengelolah citra dengan tingkat akurasi yang tinggi dalam mendeteksi objek maupun klasifikasi objek. Salah satu metode Deep Learning yang digunakan untuk pengelolahan citra dan klasifikasi objek adalah YOLOv5 sebagai model utama. Tujuan dari Skripsi ini adalah untuk mengimplementasikan sistem detektor pengendara motor tanpa helm berbasi pengolahan citra dengan metode YOLOv5 dan melihat tingkat akurasi yang didapatkan. Hasil percobaan pada penelitian ini membuktikan bahwa sistem mampu melakukan deteksi dan kalkulasi dengan akurasi yang cukup tinggi yaitu sekitar 40 %. Hal ini sangat dipengaruhi dengan adanya jenis metode penentuan ID yang digunakan.

---

Two-wheeled vehicles or commonly referred to as motorbikes are vehicles that are commonly found, especially in Indonesia. A vehicle that is very easy to use and affordable, making it the number one vehicle for everyday use. Many regulations have regulated the safety and comfort of driving, but there are still many parties who violate this. Therefore we need a tool that can detect and regulate motorbike riders. Using deep learning, computers can manage images with a high degree of accuracy in detecting and classifying objects. One of the Deep Learning methods used for image processing and object classification is the YOLOv5. The purpose of this thesis is to implement an image processing-based helmetless motorcycle detector system using the YOLOv5 method and see the level of accuracy obtained. The experimental results in this study prove that the system is capable of performing detection and calculations with a fairly high accuracy of around 40%. This is strongly influenced by the type of ID determination method used."

"Penelitian ini membahas studi tentang deteksi perubahan penutup lahan Kalimantan Tengah, menggunakan multi-temporal Synthetic Aperture Radar (SAR) JERS-i. Penggunaan citra SAR untuk observasi muka bumi dimana kondisi berawan dan kabut merupakan hambatan utamanya, mempunyai potensi yang sangat besar dalam memonitor perubahan area. Tetapi adanya proses koherensi data SAR membuat citra tersebut dengan mudah akan tercemar oleh bising speckle, yang merupakan.sinyal tak bebas dan berlaku sebagai bising multiplikatif.Pokok bahasan dari penelitian ini yang pertama adalah meminimumkan bising (denoising) speckle dengan menggunakan algoritma a trous. Selanjutnya kesulitan penggunaan citra optis untuk identifikasi obyek pada daerah yang sering berawan dan hujan lebat akan digantikan dengan citra SAR dengan memanfaatkan sifat transfcrmasi dari algoritma wavelet a troust. Transformasi ini akan menghasilkan satu set citra detail dari skala yang berbeda, sehingga citra SAR yang merupakan single band akan mendapatkan tambahan band dari citra-citra detail tersebut. Dengan demikian pemrosesan citra SAR dapat dianalogikan sebagai pemrosesan multiband dari citra optis, sehingga dapat menggali lebih banyak informasi untuk identifikasi obyek. Tahap berikutnya dilakukan pengklasteran pada citra detail tersebut dengan teknik Pemetaan Swa-Atur (Self-Organizing Map (SOA4)") karena tidak tersedianya data groundtruth. Tahap lerakhir adalah deteksi perubahan area menggunakan teknik Pcrbedaan Citra ("Image Differenciing") dan Analisa Komponen Utama ("Principle Component Analysis (PCA)").Proses denoising pada pra-pengolahan akan dilakukan dengan menggunakan pemodelan bising. Pada citra SAR karena bisingnya adalah speckle yang bersifat multiplikatif maka perlu dilakukan proses homomorphik, yaitu proses untuk memisahkan komponen deterministik (sinyal) dengan komponen statistik (bising) sehingga bising dapat dimodelkan dalam bentuk Gaussian. Untuk itu sebelum denoising citra akan di log-kan terlebih -dahulu sehingga terpisah antara kompcnen sinyal dan komponen bisingnya. Transformasi a trous adalah transformasi wavelet multiresolusi yang dilakukan skala (resolusi) per skala tanpa ada desimasi. Hasilnya adalah satu set citra detail wt (dimana i menyatakan tingkat skala, I 1,2.j ) dan satu citra approksimasi pada skala tertinggi c1, tanpa terjadi peruoahan ukuran citra pada setiap skala. Dalam transformasinya harga piksel ke-k ditentukan oleh c;+r(k) = ., h(n) c;(kl 2'n), dimana h adalah koefisien filter 133 spline dengan -2 n < +2 , menyebabkan harga pixel tersebut menjadi berkurang atau bertambah ditentukan oleh 5 harga pixel yang ke-(k+2'n). Secara analitis korelasi citra detail pada skala (i-1) dengan citra detail pada skala I dapat dibuktikan melalui w; = c(,.0 - c; dan secara eksperimen dapat dibuktikan melalui matriks korelasi dari PCA. Dengan adanya korelasi menyebabkan persoahan obyek dalam citra-citra detail dapat diamati. Citra detail dari transformasi a trous yang masih mengandung bising speckle akan di denois menggunakan teknik Multiresolution Support, yaitu teknik untuk uji signifikansi bising pada setiap pixel dari citra. Signifikansi bising didasarkan pada nilai standard deviasi 6; dari citra detail pada skala j dikalikan dengan konstanta K, yaitu K6.j. Hal inilah yang menyebabkan pemilihan harga K dipengaruhi oleh daerah observasi. Pada penelitian ini di lakukan percobaan dengan harga K = 2, 2.5, 3, 3.5 dan hasilnya yang terbaik adalah K = 3. Hasil rekonstruksi setelah uji signifikansi Multiresolulion Support adalah citra dengan residual artifact atau citra dengan struktur yang tidal: sebenarnya, oleh karena itu perlu dilakukan proses guna mengurangi efek residual artifact tersebut. Proses pengurangan residual artifact adalah suatu proses iterasi dimana akan dihitung citra residu, yaitu pengurangan citra asli dikurangi dengan citra dengan residual artifact. Pada setiap iterasi citra residu akan ditransformasi menggunakan a trous menjadi satu set citra detail residu dan citra appraksimasi residu. Selanjutnya ditentukan koefisien wavelet signifikan dan dilakukan rekonstruksi kembali. Bila residu masih dinyatakan signifikan maka citra residu akan ditambahkan ke citra residual artifact pada proses sebelumnya. Selanjutnya dilakukan proses iterasi kembali sampai harga residu sudah tidak signifikan lagi. Pada penelitian ini diambil toleransi error a 5 0.002 dan hasilnya adalah citra yang telah di denois atau citra denoising. Pada kelompok wavelet, hasil denoising menggunakan trous dapat menekan bising sampai 43% tanpa ada kerusakan struktur dan penurunan nilai rata-rata yang sangat rendah sampai 0.005%. Meskipun hasil denoising tidak sebaik Haar (50%) atau Daubechies (481') tapi trous mempunyai kekhususan dimana nilai variannya masih cukup tinggi, tidak mengalami pengerutan ukuran pada saat transformasi dan terdapat redundansi pada citra detaiinya sehingga tidak banyak kehilangan informasi. Hasil penelitian ini juga memperlihatkan bahwa transformasi a Emus mempunyai performansi yang cocok untuk aplikasi deteksi perubahan penutup laltan, karena obyek dalam citra, dapat diamati dalam skala yang berbeda. Makin tinggi tingkat resolusinya maka obyek dengan frekuensi rendah (misal sungai) akan makin jelas struktumya, sedang obyek dengan frekuensi tinggi (misal pohon-pohon yang bergerombol) akan nampak pada beberapa skala rendah dan selanjutnya akan menghilang. Hal ini terjadi karena dalam transfonnasinya harga pixel pada skala-(j+ I) ditentukan berdasarkan harga pixel ke-(k+2'n).Selanjutnya untuk identifikasi obyek, citra denoising akan ditransforrnasi menggunakan wavelet a trous sampai skala 4, karena pada skala 5, terlihat pembesaran obyek sungai sudah tidak proporsional Iagi. Citra detail ini akan di analogikan sebagai band-band seperti pada teknik pemrosesan multiband dari citra optis. Selanjutnya dilakukan pengklasteran pada masing-masing citra detail menggunakan teknik Pentetaan Swa-Atur (SCM), Untuk melakukan deteksi perubahan penutup lahan, akan dilakukan dua cars pemrosesan yaitu pertama akan dilakukan proses Perbedaan Citra pada satu set citra detail yang sudah terklaster dan yang kedua menggunakan PCA, Pada proses PCA dilakukan penseleksian band berdasarkan harga eigenvalue kovariannya. Pertama dipilih band dengan eigcn value terbesar, selanjutnya dipilih band lain yang mempunyai harga eigenvalue kovarian ? 10% dari harga eigenvalue band terbesar. PCA terpilih akan diklasterkan dan dilakukan proses Perbedaan Citra. Hasilnya diperoleh bahwa ada kemiripan antara basil dari proses PCA dan yang langsung dari Perbedaan Citra. Hasil pengamatan memperlihatkan bahwa telah terjadi perubahan pada daerah rawa, scattered trees dan tropical grass, sedangkan untuk obyek sungai, baik yang dalam maupun yang dangkal, sedikit sekali perubahannya. Verifikasi obyek dilakukan menggunakan peta thematik dengan skala 1:250.000 dan citra Landsat TM Kalimantan tengah yang diambil pada Maret (97).

---

Wavelet A. Trolls Algorithm Aided Synthetic Aperture Radar Image Analyses Applied to Land Cover C1-Imange Detection in Central Kalimantan This research studied the land coverage change detection in Central Kalimantan using multi-temporal Synthetic Aperture Radar (SAR) MRS-I. The use of SA.R image for earth surface observation where haze and cloud coverage become a problem, has great potentiality in monitoring the area change. Due to coherence process of the SAR data, this makes the image easily contaminated by speckle noise, which is an independent signal and act as multiplicative noise.The main topic of this research is to minimize the speckle noise (denoising) by using the trout algorithm. Subsequently, to identify objects, SAR image processing is analogue with multiband process of the optical image. Because SAR is single band, a trous wavelet transformation is used to obtain the additional band for a set of detail image. The next step is clustering on the detail image with Self-Organizing Map {SOM} technique due to the unavailability of ground truth. The final step is area change detection with Image Differencing and Principle Component Analysis (PGA) techniques.The denoising in pre-process is performed with noise modeling. In SAR image, since the noise is speckle that is multiplicative in nature, homomorphism process or the process to separate deterministic (signal) and statistic (noise) components is performed so the noise can be modeled in Gaussian. Therefore, before denoising process, image has to take its logarithm first so the signal component is separated from the noise component. A trous transformation is a multiresolution wavelet transformation done in scale (resolution) by scale without decimation. The result is a set of detail image wt (where i represents scale level, r = 1,2.j ) and one approximation image in highest scale e without change in image size in all scales. This did not occur in known wavelet transforms, like Haar and Daubechies, where the transformation has one specific direction and suffering from the shrinking of the image size with the increase of the scale resolution. In the transformation, the value of the 11f' pixel determined by c;+r(k) = 2, h(n) c;(k+2'n), where h is the B3 spline filter coefficient with -2 5 n 5 +2, causing the value of the pixel to decrease or increase according to five (k+2'n) pixel values. The detail image on scale i is obtained from w, = c(1_J) - c,, so there are redundancy of the detail image scale (i-i) with the scale i. This causes the object changes in detail images to become observable. The detail image from a trous transformation that still contain speckle noise is denoised with Multiresolution Support technique, which is a technique for noise significancy testing on each image pixels. The noise significance is based on the standard deviation value of the detail image on the scale j (cr) multiplied with the constant K, that is K6;. This causes the choice of K value affected by the observation area. In this research, experiments are performed with the value of K = 2, 2.5, 3, 3.5 and, the best result is at the K value of 3. The reconstruction result after Multiresolution Support significance test is an image with residual artifact; therefore, it is needed to perform a process to reduce the effect of the residual artifact. The process to reduce the residual artifact is an iteration process where residual image is counted, which is original image reduction subtracted by image with residual artifact. During each iteration, residual image is transformed with a trous into a set of residual detail images and a residual approximation image. Subsequently, significant wavelet coefficient is determined, and the reconstruction is performed. If the residue still significant, then the residual image is added to the residual artifact image of the previous process, and the iteration is performed until the residual value is not significant. In this research, error tolerance is taken at e 5 0,002 and the result is a denoised image.In a wavelet group, the denoising result with a trous can suppress the noise down to 43% without structural damage and very low average devaluation of 0.005%. Although the denoising result is not as good as Haar (50%) or Daubechies (48%), a trous have specification that the transformed image result did not suffer the shrinking in size and have redundancy on the detail image so it's not lose much information. While in wavelet transformation with Haar and Daubechies, the higher the scale will result in structural damage, where visually indicated by boxed shape in Haar, and spots in Daubechies. The result of this research also shown that 'a trous transformation have suitable performance for land coverage area change detection application, and since the objects are in images, it's observable in different scales. Low-frequency objects will become clearer when the resolution is higher, while higher-frequency objects visible in some lower scales and subsequently disappearing. This happens because in the transformation the pixel value in the scale -0+1) is determined by the value of the pixel -(k+ 2'n).For the object identification, denoised image is transformed with a trous wavelet resulting in a set of detail images. Image transformation is done to 4U' scale, since in the 5u' scale, the object magnification is no longer proportional. This detail image is analog as bands like in multib and processing of optical image. Clustering is done on each detail images with. Self-Organizing Map technique. To detect the area coverage change, two processes are performed. First is direct Image Differencing process on a set of clustered detail images, second is with the PCA. In the PCA process, the first step is band selection based on the eigen value co-variant. The band with the biggest eigen value is chosen first, then pick another band with co-variant eigenvalue ? 10% of the biggest. eigen value band. The chosen PCA from March 97 and August 98 images are clustered and processed with image Differencing. So, to process the area change detection with SAR image could be done right away with a trolls wavelet transformation, and for the area detection is using Image Differencing. The result indicates that there are similarities between the result with PCA and without PCA. The observation result shown that there are changes on swamps, scattered trees, and tropical grass areas. While for rivers, either deep or shallow, there is very little change. Object verification is done with thematic map on 1:250000 scale and Landsat TM image taken on March 97."

"Kuantifikasi citra terhadap pengukuran resolusi spasial, umumnya menggunakan protokol standar yang diterbitkan oleh National Electrical Manufacturers Association (NEMA). Namun, metode ini memiliki keterbatasan pada metode fitting data yang dilakukan. Akurasi yang lebih baik diberikan oleh fungsi Gaussian. Selanjutnya, penentuan resolusi spasial seperti berdasarkan Point Spread Function (PSF) dapat dipengaruhi oleh keberadaan noise atau error dalam data yang dapat menurunkan kontras citra. Oleh karena itu, untuk menjamin akurasi kuantifikasi citra, dilakukan dengan memastikan error sekecil mungkin dan memiliki perkiraan yang dapat diandalkan tentang seberapa besar error tersebut. Penelitian ini ditujukan untuk menyelidiki bagaimana tingkat noise yang berbeda pada pengukuran Full Width at Half Maximum (FWHM) berdasarkan metode NEMA dan Gaussian mempengaruhi keakuratan sistem pencitraan. FWHM digunakan untuk mengkarakterisasi resolusi spasial berdasarkan profil PSF. Hasil yang diperoleh diharapkan dapat memberikan informasi pada fisikawan medis mengenai pengaruh error dari pengukuran FWHM dalam rangka optimasi layanan klinis di rumah sakit. Dalam penelitian ini, model error yang digunakan adalah kombinasi model error proporsional dan Fractional Standard Deviation (FSD). Hasil penelitian menunjukkan terdapat peningkatan relatif deviasi FWHM terhadap variasi FSD 1% hingga 5% pada bidang dua dimensi dan tiga dimensi berdasarkan metode NEMA dan Gaussian. Peningkatan ini menjelaskan bahwa semakin tinggi tingkat noise pada sistem pencitraan, maka akan semakin mempengaruhi pengukuran FWHM yang berdampak pada penurunan kontras citra. Selanjutnya, terdapat korelasi antara error pixel value dan error FWHM. Semakin tinggi persentase nilai error pixel value pada sistem pencitraan, maka akan semakin mempengaruhi peningkatan persentase nilai error pada pengukuran FWHM.

---

Image quantification of spatial resolution measurements, generally using standard protocols published by the National Electrical Manufacturers Association (NEMA). However, this method has limitations on the data fitting method performed. Better accuracy is given by Gaussian function. Furthermore, spatial resolution determination such as based on Point Spread Function (PSF) can be influenced by the presence of noise or errors in the data that can decrease image contrast. Therefore, to ensure the accuracy of image quantification, it is done by ensuring the slightest possible error and having a reliable estimate of how big the error is. This study is intended to investigate how different noise levels in Full Width at Half Maximum (FWHM) measurements based on NEMA and Gaussian methods affect the accuracy of imaging systems. The FWHM is used to characterize spatial resolution based on PSF profiles. The results are expected to provide information to medical physicists about the effect of error in FWHM measurement to optimize clinical services in hospitals. In this study, the error model used is a combination of the proportional error model and the Fractional Standard Deviation (FSD). The results showed that there was an increase in the relative deviation of FWHM to the FSD variation of 1% to 5% in two-dimensional and three-dimensional fields based on the NEMA and Gaussian methods. This increase explains that the higher the noise level in the imaging system, the more it affects the FWHM measurement which has an impact on the decrease in image contrast. Furthermore, there is a correlation between the pixel value error and the FWHM error. The higher the percentage of error pixel value in the imaging system, the more it will affect the increase of percentage error FWHM measurement."

"Citra tipikal hitam-putih merupakan citra kontinyu karena gray level shade-nya bcrgabting secara kontinyu dalam intensitas dan spatiality.Dalam suatu pemrosesan citra dilakukan proses kuantisasi, dimana citra terkuantisasi tidak kontinyu, namun tersusun dari piksel diskrit.Resolusi citra didefinisikan sebagai kemampuan untuk memproduksi citra dengan kualitas visual dan dapat dibandingkan dcngan citra kontinyu aslinya. Diperlukan jumlah piksel nicmadai untuk penampilan kontinyu spasial dan juga jumlah gray level untuk penampilan depth of field dan kontras. Piksel merupakan elemen utama dalam resolusi citra diskrit.Dalam tesis ini diusulkan peningkatan resolusi citra untuk pencitraan medik memakai Filter Infinite Impulse Response. Tiga teknik peningkatan resolusi citra yang dikenal, masing-masing : (1) Pendekatan frekuensi/Fast Fourier Transform dari teorema sampling, (2) Pendekatan spasial memakai fungsi interpolasi; dan (3) pendekatan alternatif memakai Infinite Impulse Response Filter (mirip dengan pendekatan FFT, namun lebih mudah dalam pelaksanaan).Peningkatan resolusi citra melalui FFT dilakukan dengan, pertama, memakai sifat spektrum yang akan cepat mcnurun akibat meningkatnya frekuensi dan kedua, memakai teorema sampling untuk obyek oversumpled.Peningkatan resolusi citra memakai interpolasi spasial dilakukan dengan mengkonvolusikan citra yang sudah diekspansi 2 N x 2 N dengan operator interpolasi. Hasilnya tampak agak buram, namun hal ini dapat di-deblur memakai high pass filter.Peningkatan resolusi citra memakai Infinite Impulse Response fitter, meningkatkan ukuran citra melalui replikasi piksel dan garis horisontal. Effeknya, terjadi peningkatan perioda sampling pada arah horisontal maupun vertikal. Pendekatan ini sama dengan pendekatan FFT dan langkah-langkah tersebut di atas sama dengan menerapkan fungsi interpolasi square.Kualitas citra yang dihasilkan sama dengan pada pendekatan FFT.

---

Typical black and white images are called continuous - tone images because the shade of gray level blend continuosly both in intensity (level) and spatiality (area). The quantized images is not continuous, but is composed of discrete pixels with each having a discrete gray level assigned to it. Image resolution may be defined as the ability to reproduce images with a visual quality that is comparable to the continuous-tone original.This requires a suffient number of pixels to give the appearance of spatial continuity and a sufficient number of gray levels to give the appearance of depth and contrast. The pixel is the basic element.of picture resolution in the discrete pixel system.In the next discussion, three means of doubling image resolution are compared respectively ; (1) The Fast Fourier Transform Frequency approach of the sampling theorem, (2) through spatial approach using interpolation functions; and (3) an alternative approach using Infinite Impulse Response filter, which is similiar to the FFT approach, but much simpler to implement.Doubling image resolution through FFT are implemented by using, first, the rapidly decreasing spectrum with increasing frequency and second, the whittakershannon sampling theorem for oversampled objects.Doubling using spatial interpolation are held by convolving the stretched 2 N x 2 N image with an interpolation operator. The result is slightly blurry, it is, however, possible to deblur through high-pass filtering.Doubling image resolution using Infinite Impulse Respons filter, double the image size by replication of pixels and horizontal lines this has the effect of increasing the horizontal and vertical sampling periods to twice their values. The approach is similar to the FFT approach and the step mentioned above is equivalent to applying the square interpolation function. The enlarged image obtained should be similar to the one obtained from the FFT approach."