hasil penelitian pembahasan - ekstraksi fitur
Post on 20-Oct-2015
21 Views
Preview:
DESCRIPTION
TRANSCRIPT
79
BAB 4
HASIL PENELITIAN DAN PEMBAHASAN
4.1 Antarmuka Proses Ekstraksi Fitur
Berikut ini adalah tampilan proses ekstraksi fitur melalui program yang telah
dibuat :
Gambar 4.1 Tampilan program pada fungsi ekstraksi fitur
Pada fungsi ekstraksi fitur, program akan meminta pengguna untuk meng-
input nama file hasil ekstraksi, image ID, dan jenis fitur yang akan di ekstrak. Selain
itu, program juga meminta pengguna untuk menunjukkan lokasi penyimpanan citra
yang akan diekstraksi fiturnya. Setelah semua proses peng-input-an selesai, maka
program akan mengekstraksi fitur dari citra yang ditunjuk dan menghasilkan vektor
80
fitur yang akan disimpan dalam bentuk file text (*.txt). Selanjutnya, file ini dapat
digunakan untuk pemrosesan training citra.
4.2 Antarmuka Proses Pelatihan Citra
Berikut ini adalah tampilan proses pelatihan (training) citra melalui program
yang telah dibuat :
Gambar 4.2 Tampilan program pada fungsi pelatihan citra
Pada fungs i pelatihan citra, program akan meminta pengguna untuk meng-
input file text yang telah memuat vektor fitur yang telah diekstraksi. Kemudian dari
file text inilah, program akan melatih vektor fitur tersebut ke dalam SVM (Support
Vector Machine). Sehingga selanjutnya SVM akan mengeluarkan salah satu output
yang akan sangat penting untuk digunakan dalam proses anotasi, yaitu image model.
4.3 Antarmuka Proses Anotasi Citra
Berikut ini adalah tampilan proses anotasi citra melalui program yang telah
dibuat :
81
Gambar 4.3 Tampilan program pada fungsi anotasi citra
Pada fungsi anotasi citra, program akan meminta output dari hasil training
citra, yaitu image model, nama file output dari hasil proses anotasi, serta jenis fitur
yang akan digunakan. Namun sebelum proses anotasi berjalan, pengguna harus
menunjukkan lokasi penyimpanan gambar yang akan dianotasi oleh program.
Output dari proses anotasi ini akan digunakan sebagai metadata dalam proses temu
kembali (retrieval) citra.
4.4 Antarmuka Proses Temu Kembali Citra
Berikut adalah tampilan awal fungsi temu kembali citra pada program yang
telah dibuat :
82
Gambar 4.4 Tampilan awal program pada fungsi temu kembali citra
Pada fungsi temu kembali citra, program akan meminta file XML yang telah
diperoleh dari hasil anotasi sebagai basis data. Kemudian dari basis data inilah,
program dapat menampilkan citra – citra yang sesuai dengan kata kunci yang
pengguna input dalam kotak search.
Dibawah ini adalah tampilan program ketika menampilkan citra citra dengan
beberapa macam kategori :
83
1. Kategori Langit (Sky)
Gambar 4.5 Tampilan program pada fungsi temu kembali citra
dengan kata kunci sky
84
2. Kategori Pantai (Beach)
Gambar 4.6 Tampilan program pada fungsi temu kembali citra
dengan kata kunci beach
85
3. Kategori Laut (Ocean)
Gambar 4.7 Tampilan program pada fungsi temu kembali citra
dengan kata kunci ocean
86
4. Kategori Tumbuhan Hijau (Vegetation)
Gambar 4.8 Tampilan program pada fungsi temu kembali citra
dengan kata kunci vegetation
87
5. Kategori Bebatuan (Rock)
Gambar 4.9 Tampilan program pada fungsi temu kembali citra
dengan kata kunci rock
4.5 Evaluasi
4.5.1 Prosedur Pengujian
Pengujian dilakukan terhadap anotasi citra otomatis guna menghasilkan nilai
precision dan recall. Perhitungan nilai precision dan recall dilakukan terhadap
citra yang telah dianotasi. Precis ion dan recall akan menunjukkan performa AIA
yang diuji. Berikut formula perhitungan precision dan recall yang digunakan :
P BC
88
Dimana :
P = Precision
R = Recall
A = Jumlah citra yang dianotasi secara otomatis berdasarkan kata kunci (keyword)
tertentu
B = Jumlah citra yang dianotasi dengan benar berdasarkan kata kunci (keyword)
tertentu
C = Jumlah citra yang nyata adanya pada basis data berdasarkan kata kunci
(keyword) tertentu
Selain itu, perhitungan nilai variance pada precision dan recall juga
dilakukan untuk menguji penyebaran nilai precision dan recall tersebut. Dimana
nilai variance yang rendah akan membuktikan penyebaran nilai precision dan
recall yang lebih merata, sehingga dapat lebih membuktikan keakuratannya.
Berikut adalah formula yang digunakan untuk menghitung variance
1
Dimana :
N = Banyaknya nilai precision atau recall yang dihitung
= Nilai precision atau recall tertentu
= Nilai rata – rata precision atau recall
Prosedur pengujian pada sistem anotasi memang berbeda dengan sistem
temu kembali citra pada umumnya. Pada sistem anotasi, hal yang penting tidaklah
89
hanya nilai precision yang tinggi, tetapi nilai recall yang tinggi juga menunjukkan
performa yang baik sebuah sistem anotasi. Sedangkan sistem temu kembali citra
pada umumnya, tujuan utamanya adalah untuk mendapatkan nilai precision yang
tinggi pada setiap recall-nya.
Dalam proses pengujian ini digunakan 100 buah citra untuk ditraining dan
200 citra untuk diklasifikasi. Semua citra tersebut dibagi secara merata menjadi 5
kategori.
Untuk membantu proses pengujian, dibuat sebuah program dengan
MATLAB v7.8.0.347(R2009A). Program tersebut akan memberikan antarmuka
yang lebih simple dan tidak membingungkan. Selain itu tentunya program ini akan
memberikan sebuah gambaran temu kembali yang lebih menarik. Program tersebut
dibagi menjadi 4 bagian utama, antara lain :
• Ekstraksi fitur
Program akan melakukan ekstraksi fitur dari citra.
• Training citra
Vektor fitur dari citra akan dilatih ke dalam SVM.
• Anotasi
Dilakukan anotasi dengan cara memberikan tag yang disimpan dalam file
XML
• Temu-kembali citra
Program akan menampilkan-citra citra yang sesuai dengan kata kunci
pencarian.
Pengujian dilakukan menggunakan komputer dengan spesifikasi :
90
• Intel Core i5 520M @2.40 Ghz
• RAM 4GB DDR3
• Hard Disk SATA 500GB
• Sistem Operasi Windows 7 Ultimate 32 Bit
4.5.2 Hasil Pengujian
Berikut adalah hasil pengujian yang telah dilakukan dengan menghitung
nilai precision dan recall untuk setiap kategorinya dan hasil pengujian disajikan
dalam bentuk tabel.
Namun untuk membuat hasil pengujian menjadi lebih jelas dan nyata, maka
dilakukan pengujian empiris dengan membandingkan beberapa macam anotasi
dengan segmentasi dan color space yang berbeda. Dalam hal ini, RGBL +
Moment, HSV + Moment, serta Lab + Moment juga turut disertakan sebagai
pembanding.
Dibawah ini adalah hasil pengujian nilai precision dan recall pada masing –
masing kategori dengan teknik RGB segmentation dan HSV segmentation.
91
Tabel 4.1 Tabel Nilai Precision dan Recall dengan RGB segmentation
Color Space : RGB
Keywords MEAN
Beach Ocean Rock Sky Vegetation
A 143 109 37 102 100
B 47 83 32 100 89
C 49 96 56 181 131
Precision 0.329 0.761 0.865 0.980 0.890 0.765
Recall 0.959 0.865 0.571 0.552 0.679 0.725
Color Space : RGBL
Keywords MEAN
Beach Ocean Rock Sky Vegetation
A 119 125 49 118 90
B 45 89 36 116 82
C 49 96 56 181 131
Precision 0.378 0.712 0.735 0.983 0.911 0.744
Recall 0.918 0.927 0.643 0.641 0.626 0.751
Color Space : HSV
Keywords MEAN
Beach Ocean Rock Sky Vegetation
A 72 71 76 139 107
B 34 64 48 136 103
C 49 96 56 181 131
Precision 0.472 0.901 0.632 0.978 0.963 0.789
Recall 0.694 0.667 0.857 0.751 0.786 0.751
Color Space : Lab
Keywords MEAN
Beach Ocean Rock Sky Vegetation
A 55 127 69 153 83
B 32 87 42 150 75
C 49 96 56 181 131
Precision 0.582 0.685 0.609 0.980 0.904 0.752
Recall 0.653 0.906 0.750 0.829 0.573 0.742
92
Color Space : RGBL + Moment
Keywords MEAN
Beach Ocean Rock Sky Vegetation
A 59 118 85 135 98
B 30 86 49 131 87
C 49 96 56 181 131
Precision 0.508 0.729 0.576 0.970 0.888 0.734
Recall 0.612 0.896 0.875 0.724 0.664 0.754
Color Space : HSV + Moment
Keywords MEAN
Beach Ocean Rock Sky Vegetation
A 69 66 82 135 109
B 33 60 49 132 103
C 49 96 56 181 131
Precision 0.478 0.909 0.598 0.978 0.945 0.782
Recall 0.673 0.625 0.875 0.729 0.786 0.738
Color Space : Lab + Moment
Keywords MEAN
Beach Ocean Rock Sky Vegetation
A 52 115 86 156 83
B 30 83 42 153 74
C 49 96 56 181 131
Precision 0.577 0.722 0.488 0.981 0.892 0.732
Recall 0.612 0.865 0.750 0.845 0.565 0.727
93
Tabel 4.2 Tabel Nilai Precision dan Recall dengan HSV segmentation
Color Space : RGB
Keywords MEAN
Beach Ocean Rock Sky Vegetation
A 125 99 66 109 97
B 44 72 48 104 87
C 49 96 56 181 131
Precision 0.352 0.727 0.727 0.954 0.897 0.732
Recall 0.898 0.750 0.857 0.575 0.664 0.749
Color Space : RGBL
Keywords MEAN
Beach Ocean Rock Sky Vegetation
A 105 114 76 124 78 B 42 81 47 119 72
C 49 96 56 181 131
Precision 0.400 0.711 0.618 0.960 0.923 0.722
Recall 0.857 0.844 0.839 0.657 0.550 0.749
Color Space : HSV
Keywords MEAN
Beach Ocean Rock Sky Vegetation
A 67 72 87 143 111
B 44 63 49 139 104
C 49 96 56 181 131
Precision 0.657 0.875 0.563 0.972 0.937 0.801
Recall 0.898 0.656 0.875 0.768 0.794 0.798
Color Space : Lab
Keywords MEAN
Beach Ocean Rock Sky Vegetation
A 51 113 99 152 77 B 38 81 51 146 69
C 49 96 56 181 131
Precision 0.745 0.717 0.515 0.961 0.896 0.767
Recall 0.776 0.844 0.911 0.807 0.527 0.773
94
Color Space : RGBL + Moment
Keywords MEAN
Beach Ocean Rock Sky Vegetation
A 51 110 108 135 87
B 31 75 50 131 82
C 49 96 56 181 131
Precision 0.608 0.682 0.463 0.970 0.943 0.733
Recall 0.633 0.781 0.893 0.724 0.626 0.731
Color Space : HSV + Moment
Keywords MEAN
Beach Ocean Rock Sky Vegetation
A 63 71 98 137 109 B 39 61 55 133 103
C 49 96 56 181 131
Precision 0.619 0.859 0.561 0.971 0.945 0.791
Recall 0.796 0.635 0.982 0.735 0.786 0.787
Color Space : Lab + Moment
Keywords MEAN
Beach Ocean Rock Sky Vegetation
A 47 98 113 154 80
B 35 68 50 150 71
C 49 96 56 181 131
Precision 0.745 0.694 0.442 0.974 0.888 0.749
Recall 0.714 0.708 0.893 0.829 0.542 0.737
95
Dibawah ini adalah hasil pengujian anotasi dengan tipe color space & segmentasi yang berbeda.
Tabel 4.3 Tabel Nilai Precision dan Recall dengan color space dan segmentasi yang berbeda.
Color Space
Segmentation
Keywords MEAN Precision
MEAN Recall
Variance Precision
Variance Recall
Beach Ocean Rock Sky Vegetation
Precision Recall Precision Recall Precision Recall Precision Recall Precision Recall
RGB RGB 0.329 0.959 0.761 0.865 0.865 0.571 0.98 0.552 0.89 0.679 0.765 0.725 0.229 0.161 HSV 0.352 0.897 0.727 0.75 0.727 0.857 0.954 0.574 0.896 0.664 0.731 0.748 0.210 0.120
RGBL RGB 0.378 0.918 0.712 0.927 0.735 0.643 0.983 0.641 0.911 0.626 0.744 0.751 0.210 0.150 HSV 0.4 0.857 0.71 0.843 0.618 0.839 0.959 0.657 0.923 0.55 0.722 0.749 0.206 0.124
HSV RGB 0.472 0.694 0.901 0.667 0.632 0.857 0.978 0.751 0.963 0.786 0.789 0.751 0.202 0.063 HSV 0.657 0.898 0.875 0.656 0.563 0.875 0.972 0.768 0.937 0.794 0.801 0.798 0.162 0.086
Lab RGB 0.582 0.653 0.685 0.906 0.609 0.75 0.98 0.829 0.904 0.573 0.752 0.742 0.161 0.115 HSV 0.745 0.776 0.717 0.844 0.515 0.911 0.961 0.807 0.896 0.527 0.767 0.773 0.155 0.131
RGBL + Moment
RGB 0.508 0.612 0.729 0.896 0.576 0.875 0.97 0.724 0.888 0.664 0.734 0.754 0.176 0.107
HSV 0.608 0.633 0.682 0.781 0.463 0.893 0.97 0.724 0.943 0.626 0.733 0.731 0.196 0.099
HSV + Moment
RGB 0.478 0.673 0.909 0.625 0.598 0.875 0.978 0.729 0.945 0.786 0.782 0.738 0.204 0.084
HSV 0.619 0.796 0.859 0.635 0.561 0.982 0.971 0.735 0.945 0.786 0.791 0.787 0.169 0.113
LAB + Moment
RGB 0.577 0.612 0.722 0.865 0.488 0.75 0.981 0.845 0.892 0.565 0.732 0.727 0.185 0.116
HSV 0.745 0.714 0.694 0.708 0.442 0.893 0.974 0.829 0.888 0.542 0.749 0.737 0.183 0.120
96
4.6 Pembahasan
Berdasarkan data hasil pengujian, dapat dilihat bahwa pada H SV
segmentation dengan co lor space HSV menghasilkan mean precision dan mean
recall yang tinggi jika dibandingkan dengan sistem anotasi dengan tipe
segmentasi dan tipe color space lainnya.
Jika ditelusuri lebih dalam, H SV segmentation dengan color space H SV
menghasilkan nilai precision dan reca ll yang tinggi pada dua keyword, yaitu
pada keyword sky dan keyword vegetation. Sedangkan pada keyword rock dan
keyword beach, nilai precision yang dicapai leb ih rendah dibanding dua keyword
sebelumnya, yaitu pada 0.563 di keyword rock dan 0.657 di keyword beach.
Hal di atas dapat terjadi karena sistem mengalami sedik it kesulitan dalam
membedakan warna, seperti warna awan pada langit dianotasikan sebagai pasir
putih pada pantai. Selain itu, penyebaran warna pada citra juga berpengaruh.
Jika terdapat noise pada gambar, maka akan mempengaruhi proses segmentasi
sehingga hasil segmentasi akan tidak sempurna. Tidak hanya itu, pelatihan citra
yang penyebaran warnanya tidak merata juga berpengaruh. Penyebaran warna
yang tidak merata akan mempengaruhi pelatihan citra pada SVM (Support
Vector Machine). SVM sangat rentan dan sensitif dengan noise sehingga akurasi
yang dihasilkan akan menurun.
Namun HSV segmentation dengan color space H SV tetap memberikan
hasil yang terbaik jika dibandingkan dengan pembanding lainnya. Hal tersebut
dapat disebabkan oleh sifat penentuan warna pada HSV yang lebih sesuai
dengan persepsi warna pada mata manusia.
Penambahan Moment pada pengu jian ternyata tidak menghasilkan
perbedaan yang cukup sign ifikan, dimana n ilai precision dan reca ll yang
97
dihasilkan masih belum mampu mengungguli HSV segmenta tion dengan color
space HSV.
HSV segmentation dengan color space HSV juga menghasilkan nilai
variance precision dan variance recall yang rendah. Hal tersebut membuktikan
bahwa penyebaran precision dan recall pada hasil pengujian cukup merata.
Dengan nilai mean precision dan mean recall yang tinggi serta variance
precision dan variance reca ll yang rendah membuktikan bahwa HSV
segmentation dengan color space HSV memberikan hasil yang terbaik.
top related