Search

Seiring dengan kemajuan komputer, teknik pemrosesan gambar menjadi berkembang dengan pesat. Segmentasi citra adalah salah satu bidang dalam pemrosesan gambar untuk mengenali suatu obyek gambar. Salah satu segmentasi citra adalah ekstraksi fitur tepi (edge detection) dan kurva dari sebuah gambar. Paper ini akan memberikan informasi mengenai studi perbandingan teknik deteksi tepi dengan berbagai metode. Perbandingan metode meliputi bentuk objek yang akan dikenali tepinya, tingkat akurasi gambar, waktu eksekusi program dan output yang diberikan. Ada tujuh algoritma deteksi tepi yang digunakan, algoritma ini terbagi menjadi dua yaitu orde satu meliputi Sobel, Prewit, Robert, Isotropic, dan Compas. Sedangkan orde dua meliputi Canny dan Laplacian. Hasil percobaan dievaluasi berdasarkan nilai kemiripan dengan citra asli dengan pendekatan MSE dan PSNR. Hasil evaluasi menujukkan bahwa dari 3 citra yang di ujicoba metode canny mendapatkan 2 hasil terbaik dari ketiga citra dengan nilai MSE & PSNR pada citra 1 dan 2 sebesar 246,95 & 3,67 dB dan 249,16 & 2,55 dB.

Dalam makalah ini, akan diperkenalkan notasi image (pre-image) di bawah homomorfisma grup, dan akan dibuktikan image (pre-image) interior subgrup fuzzy (interior subgrup) di bawah homomorfisma grup selalu interior subgrup fuzzy (interior subgrup). [In this paper, we will introduce the image (pre-image) under the group homomorphism, and we will prove the image (pre-image) of the interior of the fuzzy subgroup (the interior of the subgroup) under the group homomorphism is always the interior of the fuzzy subgroup (the interior of the subgroup).]

Creating effective mathematics learning is a complex and continuous undertaking. Using the right approach of learning and utilizing technological developments is an attempt to improve the quality of learning. This paper examines the problem solving learning computer-assisted and how its potential in developing high-order thinking skills of students. /div

This paper addresses the problem of the signal segmentation within a hierarchical Bayesian framework by using reversible jump MCMC sampling. The signal is modelled by piecewise constant MA processes where the numbers of segments, the position of abrupt, the order and the coefficients of the MA processes for each segment are unknown. The reversible jump MCMC algorithm is then used to generate samples distributed according to the joint posterior distribution of the unknown parameters. These samples allow to compute some interesting features of the a posterior distribution. Main advantage of the algorithm reversible jump MCMC algorithm is produce the joint estimators for the parameter and hyper parameter in hierarchical Bayesian. The performance of the this methodology is illustrated via several simulation results. Keywords : Hierarchical Bayesian model, Reversible Jump MCMC methods, Signal Segmentation, piecewise constant Moving-Average (MA) processes