ekstraksi ciri warna, bentuk dan tekstur untuk temu...

i

EKSTRAKSI CIRI WARNA, BENTUK DAN TEKSTUR UNTUK

TEMU KEMBALI CITRA HEWAN

IDALIANA KUSUMANINGSIH

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2009

ii

EKSTRAKSI CIRI WARNA, BENTUK DAN TEKSTUR UNTUK

TEMU KEMBALI CITRA HEWAN

IDALIANA KUSUMANINGSIH

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer pada

Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2009

iii

ABSTRACT

IDALIANA KUSUMANINGSIH. Feature Extraction Based on Color, Shape and Texture for Animal

Image Retrieval. Under the supervision of SONY HARTONO WIJAYA.

The differences in color, shape, and texture characteristics between each animal cause difficulties

in animal image retrieval. Therefore, specified technique is needed to obtain pattern from each

animal’s feature so that image retrieval might works properly. One of the techniques to obtain the

pattern done by feature extraction. This research tries to develop image extraction method in Content

Based Image Retrieval approach by using three image visual features (color, shape, texture). In this

research, Fuzzy Color Histogram (FCH) for color feature extraction is used through computing the

membership function using Cauchy function. In FCH, one color may belong to two bins histogram or

more with different membership functions. Then, shape feature is extracted using edge direction

histogram, where each image is processed using Sobel edge detection, and then the direction is

mapped into a defined bin histogram. For texture feature extraction, the process uses co-occurrence

matrix with computing the values of energy, moment, entropy, maximum probability, contrast,

correlation and homogeneity. Similarity value between image query and images in database is

computed based on its features, those are color, shape, texture, and its combination. Recall and

precision value resulted in this research shows the largest average precision value is obtained from

searching process using index combination (color, shape, texture) of feature extraction.

Keywords: feature extraction, Fuzzy Color Histogram, edge direction histogram, co-occurrence

matrix

iv

Judul : Ekstraksi Ciri Warna, Bentuk dan Tekstur untuk Temu Kembali Citra Hewan.

Nama : Idaliana Kusumaningsih

NIM : G64052767

Menyetujui:

Pembimbing

Sony Hartono Wijaya, M.Kom.

NIP 198108092008121002

Mengetahui:

Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Pertanian Bogor

Dr. drh. Hasim, DEA.

NIP 196103281986011002

Tanggal Lulus:

v

PRAKATA

Alhamdulillahi Rabbil ‘alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas

limpahan rahmat dan hidayah-Nya sehingga tugas akhir dengan judul Ekstraksi Ciri Warna, Bentuk

dan Tekstur untuk Temu Kembali Citra Hewan dapat diselesaikan dengan baik. Dalam menyelesaikan

tugas akhir ini penulis mandapatkan banyak bantuan, bimbingan dan dorongan dari berbagai pihak,

oleh karena itu penulis mengucapkan terima kasih kepada :

1 Ayah, Ibu, Nenek, Mas Kolik, dan Mas Ihya, atas segala kasih sayang, doa dan dukungan yang

tak ternilai.

2 Bapak Sony Hartono Wijaya, M.Kom. selaku pembimbing atas bimbingan dan arahan selama

pengerjaan tugas akhir.

3 Ibu Yeni Herdiyeni, S.Si. M.Kom dan Ibu Dr. Ir. Sri Nurdiati, M.Sc. selaku penguji, atas segala

kritik dan saran yang telah diberikan.

4 Kak Balqis dan Kak Rizki atas bantuan dan penelitiannya.

5 Teman-teman satu bimbingan, Annisa, Siti Fatimah, Indah Khurotul Aini, dan Desca Marwan

Toni, atas dukungan dan kerjasamanya selama bimbingan.

6 Teman-teman LAB CI, Dani, Fitri, Ferry, Vera, Indra, Rafdi, dan Dimas, atas segala bantuan dan

diskusi selama pengerjaan tugas akhir.

7 Windy, Chika, Tara, Netty, Mega, dan seluruh teman-teman Departemen Ilmu Komputer IPB

angkatan 42 yang telah meramaikan hari-hari penulis dengan kebersamaan dan waktu yang tak

terlupakan.

8 Teman-teman Kost Putri White House, Fitri, Diana, Ulfa, Ana, Evelin, yang selalu memberi

keceriaan, bantuan serta dukungan.

9 Teman-teman KMK, khususnya Andri, Fitri, Farida, Dina, Bram, dan Rina yang telah bersedia

menjadi keluarga kedua penulis selama kuliah di Institut Pertanian Bogor.

Penulis juga mengucapkan terima kasih kepada semua pihak yang telah membantu pengerjaan

tugas akhir ini yang tidak dapat disebutkan satu per satu. Segala kritik dan saran yang membangun

akan diterima untuk perbaikan selanjutnya. Semoga penelitian ini dapat bermanfaat.

Bogor, Agustus 2009

Idaliana Kusumaningsih

vi

RIWAYAT HIDUP

Penulis dilahirkan pada tanggal 1 Januari 1987 di Klaten sebagai anak ketiga dari tiga bersaudara

dari ayahanda bernama Margito dan Ibunda bernama Mulyani. Pada tahun 2002, penulis menempuh

pendidikan menengah atas di SMU Negeri 1 Karanganom masuk program IPA dan lulus pada tahun

2005.

Pada tahun yang sama, penulis melanjutkan pendidikan di IPB melalui jalur USMI dan diterima

sebagai mahasiswi Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika

dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Pada tahun 2008, penulis melaksanakan

kegiatan Praktik Kerja Lapangan di PT Tugu Pratama Indonesia selama dua bulan.

iv

DAFTAR ISI

Halaman

DAFTAR GAMBAR .............................................................................................................................. v

DAFTAR TABEL .................................................................................................................................. v

DAFTAR LAMPIRAN ........................................................................................................................... v

PENDAHULUAN Latar Belakang .................................................................................................................................. 1 Tujuan ............................................................................................................................................... 1 Ruang Lingkup .................................................................................................................................. 1

TINJAUAN PUSTAKA Ekstraksi Ciri ..................................................................................................................................... 1 Fuzzy Color Histogram (FCH) .......................................................................................................... 1 Fungsi Cauchy ................................................................................................................................... 2 Edge Detection .................................................................................................................................. 2 Gray Level Co-occurrence Matrix .................................................................................................... 2 Recall dan Precision ......................................................................................................................... 3

METODE PENELITIAN Data ................................................................................................................................................... 3 Praproses ........................................................................................................................................... 3 Ekstraksi Ciri Warna ......................................................................................................................... 4 Ekstraksi Ciri Bentuk ........................................................................................................................ 4 Ekstraksi Ciri Tekstur ....................................................................................................................... 5 Pengukuran Kemiripan ...................................................................................................................... 5 Evaluasi ............................................................................................................................................. 6 Perangkat Keras dan Perangkat Lunak .............................................................................................. 6

HASIL DAN PEMBAHASAN Data Penelitian .................................................................................................................................. 6 Praproses ........................................................................................................................................... 6 Ekstraksi Ciri Warna ......................................................................................................................... 6 Ekstraksi Ciri Bentuk ........................................................................................................................ 7 Ekstraksi Ciri Tekstur ....................................................................................................................... 7 Hasil Temu Kembali ........................................................................................................................ 8 Evaluasi Hasil Temu Kembali Citra .................................................................................................. 8

KESIMPULAN DAN SARAN Kesimpulan ..................................................................................................................................... 10 Saran ............................................................................................................................................... 10

DAFTAR PUSTAKA ........................................................................................................................... 10

LAMPIRAN ......................................................................................................................................... 12

v

DAFTAR GAMBAR

Halaman

1 Fungsi Cauchy ................................................................................................................................. 2

2 Operator Sobel ................................................................................................................................. 2

3 Metodologi penelitian ...................................................................................................................... 4

4 Citra sebelum dan sesudah dilakukan image enhancement.............................................................. 6

5 Citra sebelum dan sesudah cropping. .............................................................................................. 6

6 Citra Red panda ............................................................................................................................... 7

7 Hasil FCH dengan Cauchy 30 bin.................................................................................................... 7

8 Citra Canine ..................................................................................................................................... 7

9 Citra Canine (grayscale) sebelum dan sesudah dilakukan Sobel edge detection ............................. 7

10 Hasil edge direction histogram 36 bin ............................................................................................. 7

11 Citra leopard sebelum dan sesudah diubah menjadi grayscale ........................................................ 8

12 Hasil co-occurrence matrix dengan 7 ciri tekstur ............................................................................ 8

13 Grafik perbandingan nilai recall precision rata-rata seluruh citra ................................................. 10

DAFTAR TABEL

Halaman

1 Perbandingan nilai recall precision pada kelas Bear ....................................................................... 8

2 Perbandingan nilai recall precision pada kelas Canine ................................................................... 8

3 Perbandingan nilai recall precision pada kelas Skunk ..................................................................... 9

4 Perbandingan nilai recall precision pada kelas Red panda .............................................................. 9

5 Perbandingan nilai recall precision pada kelas Walruses ................................................................ 9

6 Perbandingan nilai recall precision pada kelas Leopard ................................................................. 9

7 Perbandingan nilai recall precision rata-rata seluruh citra pada database ..................................... 10

DAFTAR LAMPIRAN

Halaman

1 Nilai recall precision temu kembali citra menggunakan ciri warna untuk beberapa jumlah bin

histogram ......................................................................................................................................... 13

2 Penentuan nilai threshold pada Sobel edge detector ...................................................................... 14

3 Nilai recall precision temu kembali citra menggunakan ciri tekstur untuk beberapa jumlah level

keabuan ........................................................................................................................................... 15

4 Beberapa citra yang ada di dalam database .................................................................................... 16

5 Hasil temu kembali citra hewan ..................................................................................................... 18

1

PENDAHULUAN

Latar Belakang

Berdasarkan ilmu biologi, hewan

diklasifikasikan ke dalam beberapa kelas. Setiap

kelas hewan dibagi lagi ke dalam ordo

kemudian sub ordo. Dalam satu ordo, masing-

masing hewan memiliki karakteristik tersendiri

baik dari segi warna, bentuk maupun tekstur.

Hal ini menyebabkan sulitnya melakukan

pengenalan hewan. Oleh karena itu, diperlukan

suatu teknik untuk mendapatkan pola dari setiap

ciri hewan agar dapat melakukan pengenalan

citra hewan dengan baik.

Salah satu teknik untuk mendapatkan pola

suatu citra adalah dengan melakukan ekstraksi

ciri. Ekstraksi ciri dilakukan berdasarkan isi

visual dari citra yaitu warna, bentuk dan tekstur.

Tujuan dari ekstraksi ciri ini adalah

mendapatkan pola setiap ciri hewan, sehingga

dapat dilakukan temu kembali citra hewan

dengan membandingkan kesamaan ciri antara

hewan yang satu dengan hewan yang lain.

Penelitian sebelumya terkait dengan

ekstraksi ciri antara lain Balqis (2006) yang

telah menerapkan teknik Fuzzy Color

Histogram (FCH) untuk ekstraksi ciri warna

pada citra bunga. Berdasarkan penelitiannya,

FCH mampu mengatasi kesalahan dalam

kuantisasi dan memberikan hasil yang baik pada

sistem temu kembali citra. Pebuardi (2006)

melakukan pengukuran kemiripan citra berbasis

ekstraksi warna, bentuk dan tekstur dengan

menggunakan Bayesian Network pada data citra

yang beragam.

Penelitian ini akan melakukan ekstraksi ciri

citra hewan menggunakan gabungan ciri warna,

bentuk dan tekstur. Metode yang diterapkan

adalah Fuzzy Color Histogram untuk ekstraksi

ciri warna, edge direction histogram dengan

operator Sobel untuk ekstraksi ciri bentuk, dan

co-occurrence matrix untuk ekstraksi ciri

tekstur. Dengan menggunakan gabungan

ekstraksi ciri tersebut diharapkan dapat

meningkatkan hasil temu kembali citra hewan.

Dalam evaluasi hasil digunakan nilai recall dan

precision untuk mengetahui tingkat

keberhasilan terhadap hasil temu kembali.

Tujuan

Tujuan penelitian ini adalah mengevaluasi

hasil temu kembali citra hewan menggunakan

ciri warna, bentuk, tekstur dan gabungan

ketiganya.

Ruang Lingkup

Data citra yang digunakan dalam penelitian

ini adalah citra hewan yang datanya diperoleh

dari internet. Citra hewan yang dipakai adalah

hewan dari kelas Mamalia dengan ordo

Karnivora. Penelitian ini difokuskan pada

tahapan ekstraksi ciri.

TINJAUAN PUSTAKA

Ekstraksi Ciri

Ekstraksi ciri merupakan proses

pengindeksan suatu database citra dengan

isinya. Secara matematik, setiap ekstraksi ciri

merupakan encode dari vektor n dimensi yang

disebut dengan vektor ciri. Komponen vektor

ciri dihitung dengan pemrosesan citra dan

teknik analisis serta digunakan untuk

membandingkan citra yang satu dengan citra

yang lain. Ekstraksi ciri diklasifikasikan ke

dalam 3 jenis yaitu low-level, middle-level dan

high-level. Low-level feature merupakan

ekstraksi ciri berdasarkan isi visual seperti

warna dan tekstur, middle-level feature

merupakan ekstraksi berdasarkan wilayah citra

yang ditentukan dengan segmentasi, sedangkan

high-level feature merupakan ekstraksi ciri

berdasarkan informasi semantik yang

terkandung dalam citra (Marques & Furht

2002).

Warna merupakan salah satu ciri visual yang

digunakan dalam Content Based Image

Retrieval (CBIR). Warna sangat baik jika

digunakan untuk temu kembali citra karena

memiliki hubungan yang sangat kuat dengan

objek dalam sebuah citra dan melatarbelakangi

gabungan background, skala, orientasi,

perspektif dan ukuran suatu citra. Bentuk dapat

didefinisikan sebagai gambaran dari suatu objek

dalam posisi, orientasi dan ukuran. Ciri bentuk

dalam suatu citra sangat esensial untuk

segmentasi citra karena dapat mendeteksi objek

atau batas wilayah. Tekstur merupakan ciri citra

yang sangat menarik digunakan untuk

menentukan karakterisasi suatu citra dengan

aplikasi CBIR. Hal ini dikarenakan, tekstur

mengandung informasi penting mengenai

susunan struktur permukaan suatu citra.

(Acharya & Ray 2005).

Fuzzy Color Histogram (FCH)

Fuzzy Color Histogram (FCH) merupakan

salah satu metode untuk merepresentasikan

informasi warna dalam citra digital ke dalam

2

bentuk histogram. Metode ini

mempertimbangkan persamaan warna pada tiap

piksel warna yang terasosiasikan ke semua bin

histogram melalui fuzzy set membership

function. Pada FCH, satu warna dapat masuk

ke dalam dua bin histogram atau lebih dengan

derajat keanggotaan yang berbeda.

Inti dari FCH adalah bahwa tiap warna

direpresentasikan dengan himpunan fuzzy (fuzzy

set) dan hubungan antar warna dimodelkan

dengan fungsi keanggotaan (membership

function) dari himpunan fuzzy. Himpunan fuzzy

F pada ruang ciri Rn didefinisikan oleh

pemetaan μF : Rn

→ [0,1] yang dinamakan

membership function. Untuk setiap vektor ciri f

є Rn, nilai dari μF(f) disebut derajat

keanggotaan dari f terhadap himpunan fuzzy F.

Nilai dari μF(f) yang mendekati 1 berarti vektor

ciri f lebih representatif terhadap himpunan

fuzzy f (Zhang & Zhang 2004).

Fungsi Cauchy

Fungsi Cauchy merupakan suatu fungsi

keanggotaan. Berdasarkan hasil penelitian

Zhang dan Zhang (2004), secara umum fungsi

Cauchy lebih baik daripada fungsi Cone dan

Trapezoidal. Fungsi Cauchy C : Rn [0,1]

didefinisikan pada Persamaan (1).

(1)

dengan , , ,

adalah titik tengah dari lokasi himpunan fuzzy, d

merepresentasikan lebar dari fungsi, dan

menentukan bentuk (kehalusan) dari suatu

fungsi. Secara bersamaan, d dan

mendeskripsikan tingkat kekaburan (fuzziness)

dari ciri fuzzy yang bersesuaian. Pada Gambar 1

diilustrasikan fungsi Cauchy dalam R dengan

v=0, d=36, dan antara 0.01 sampai 100

(Zhang & Zhang 2004).

Gambar 1. Fungsi Cauchy.

Edge Detection

Ide dasar dari edge detection adalah

menemukan bagian pada citra yang mengalami

perubahan intensitas secara drastis. Ada dua

cara yang digunakan untuk menemukan bagian

tersebut yaitu mengunakan turunan pertama,

dimana intensitas magnitudonya lebih besar dari

threshold yang didefinisikan dan menggunakan

turunan kedua, dimana intensitas warnanya

mempunyai zero crossing.

Hal mendasar dari vektor gradien adalah

titik arah maksimum dari perubahan intensitas

warna pada koordinat (x,y). Arah maksimum

dari perubahan intensitas warna yang terjadi

didefinisikan pada Persamaan (2) (Gonzalez

&Woods 1992).

(2)

Salah satu operator untuk edge detection

yang menggunakan turunan pertama adalah

operator Sobel. Pada dasarnya operator Sobel

merupakan filter 3x3. Dalam penghitungan

gradien piksel arah sumbu x dan arah sumbu y

digunakan filter pada Gambar 2.

Jika Gx dan Gy adalah nilai keabuan yang

dihasilkan dengan memetakan Gx dan Gy pada

citra, maka untuk menghitung magnitudo

gradiennya digunakan Persamaan (3)

(McAndrew 2004).

(3)

Gray Level Co-occurrence Matrix

Co-occurrence matrix menggunakan

matriks derajat keabuan adalah untuk

mengambil contoh bagaimana suatu derajat

keabuan tertentu terjadi dalam hubungannya

dengan derajat keabuaan yang lain. Matriks

derajat keabuan adalah suatu matriks yang

elemen-elemennya merupakan frekuensi relatif

kejadian bersama dari kombinasi level keabuan

antar pasangan piksel dengan hubungan spasial

tertentu.

Misal diketahui sebuah citra Q(i,j), dan P

adalah sebuah matriks. Elemen P(i,j)

menyatakan jumlah berapa kali titik tersebut

-1 -2 -1

0 0 0

1 2 1

-1 0 1

-2 0 2

1 0 1

Sumbu y Sumbu x Gambar 2. Operator Sobel

Sumbu x

3

terjadi pada citra berdasarkan posisi tertentu.

Matriks P merupakan co-occurrence matrix

yang didefinsikan oleh sudut θ dan jarak d.

Berdasarkan matriks P dapat dihitung nilai-

nilai ciri tekstur seperti contrast, correlation,

energy, homogeneity, maximum probability,

moment dan entropy (Osadebey 2006).

Berikut adalah beberapa formula yang

digunakan untuk mengekstraksi ciri tekstur.

(A) Contrast

Contrast menyatakan kandungan variasi

lokal pada citra. Semakin tinggi nilai

contrast maka semakin tinggi tingkat

kekontrasannya.

(4)

(B) Correlation

Correlation menyatakan ukuran hubungan

linear dari nilai graylevel piksel

ketetanggan.

(5)

(C) Energy

Energy menyatakan tingkat keseragaman

piksel-piksel suatu citra. Semakin tinggi

nilai energy, maka semakin seragam

teksturnya.

(6)

(G) Homogeneity

Homogeneity menyatakan ukuran

kedekatan setiap elemen dari co-

occurrence matrix.

(7)

(D) Maximum probability (MP)

MP adalah nilai maksimum atau respon

terkuat dari co-occurrence matrix. Nilai

MP menyatakan tingkat keteraturan dari

suatu citra. Semakin tinggi nilai MP, maka

semakin teratur teksturnya.

(8)

(E) Inverse Difference Moment (IDM)

IDM merupakan kebalikan dari contrast.

Semakin tinggi nilai IDM maka semakin

rendah tingkat kekontrasannya.

(9)

(F) Entropy

Entropy menyatakan tingkat keacakan

piksel-piksel suatu citra. Semakin tinggi

nilai entropy, maka semakin acak

teksturnya.

(10)

dengan P(i,j) merupakan elemen baris ke-i,

kolom ke-j dari co-occurrence matrix. μi adalah

nilai rata-rata baris ke-i dan μj adalah nilai rata-

rata kolom ke-j pada matriks P. σi adalah

standard deviasi baris ke-i dan σj adalah

standard deviasi kolom ke-j pada matriks P.

Recall dan Precision

Recall dan precision merupakan parameter

yang digunakan untuk mengukur keefektifan

dari hasil temu kembali . Recall menyatakan

perbandingan jumlah materi relevan yang

ditemukembalikan terhadap seluruh materi

relevan. Sementara itu, precision menyatakan

perbandingan materi yang ditemukembalikan

yang relevan (Baeza-Yates & Riberio-Neto

1999).

Recall = (11)

Precision = (12)

dengan Ra adalah jumlah citra relevan yang

ditemukembalikan, R adalah jumlah citra

relevan dalam database dan A adalah jumlah

seluruh citra yang ditemukembalikan.

METODE PENELITIAN

Tahap-tahap yang dilakukan dalam

penelitian ini adalah praproses, ekstraksi ciri,

pengindeksan dan penemuan kembali citra.

Tahap penelitian yang lebih detail dapat dilihat

pada metodologi penelitian Gambar 3.

Data

Tahap awal sebelum pemrosesan citra

adalah tahap akuisisi atau pengumpulan data.

Data citra hewan yang digunakan dalam

penelitian ini adalah data citra hewan yang

diambil dari internet dan tersimpan dalam

format JPG.

Praproses

Tahap praproses yang dilakukan antara lain

melakukan image enhancement yaitu

menambah kekontrasan pada beberapa citra.

Selain itu juga dilakukan operasi resize dan

cropping. Tahap ini dilakukan agar citra hewan

yang akan diolah nanti memiliki kualitas yang

baik.

4

Gambar 3. Metodologi penelitian

Ekstraksi Ciri Warna

Pada ekstraksi ciri warna menggunakan

Fuzzy Color Histogram (FCH), akan digunakan

warna RGB untuk mempermudah pengolahan

citra. Langkah awal dalam penghitungan FCH

adalah penghitungan histogram awal. Penentuan

nilai warna kuantisasi awal didasarkan pada

sebaran warna hewan dalam database yang

terdiri dari 8 jenis hewan. Untuk tiap kelas

hewan diambil 25 warna piksel yang muncul

terbanyak sehingga dihasilkan 200 warna.

Penghitungan histogram awal dilakukan dengan

cara memetakan tiap piksel yang ditemukan ke

dalam 200 warna yang telah ditentukan.

Langkah selanjutnya adalah menghitung

nilai derajat keanggotaan. Jumlah bin FCH yang

digunakan adalah 15, 20, 25 dan 30 (Lampiran

1) yang ditetapkan menggunaan k-means

clustering. Jumlah bin yang dipilih adalah

yang mengoptimalkan nilai precision untuk

temu kembali citra menggunakan ciri warna.

Dalam penghitungan nilai derajat keanggotaan

digunakan fungsi Cauchy. Rumus yang

digunakan dapat dilihat pada Persamaan (13).

Warna kuantisasi c’ adalah warna hasil k-means

clustering, sedangkan semesta warna c adalah

sebaran warna citra hewan.

(13)

dengan

= fungsi keanggotaan Cauchy

= jarak Euclid antara c dengan c’

c’ = warna pada bin FCH

c = warna kuantisasi awal

= ukuran yang menentukan bentuk atau

kehalusan dari citra

= ukuran lebar fungsi keanggotaan.

Nilai parameter dan yang digunakan

adalah =2 dan =10 karena nilai tersebut

menghasilkan nilai precision terbesar untuk

temu kembali citra menggunakan ciri warna.

Tahap terakhir dalam ekstraksi ciri warna

adalah penghitungan nilai FCH. Nilai FCH

dihitung menggunakan Persamaan (14).

Histogram awal yang telah ditentukan dikalikan

dengan matriks derajat keanggotaan yang akan

menghasilkan nilai ciri yang cenderung sedikit

bergantung pada jumlah bin histogram yang

digunakan.

(14)

dengan

= Fuzzy Color Histogram (FCH)

= histogram warna yang dinormalisasi

= nilai keangotaan dari warna c ke warna

c’

Pada penghitungan FCH dengan fungsi

Cauchy perlu dilakukan normalisasi

menggunakan Persamaan (15).

(15)

Dengan demikian, nilai FCH yang dihasilkan

berkisar antara 0 dan 1 (Zhang & Zhang 2004).

Ekstraksi Ciri Bentuk

Ekstraksi ciri bentuk dilakukan dengan

menentukan edge direction histogram. Langkah

awal yang dilakukan untuk menentukan edge

direction histogram adalah mengubah citra

RGB menjadi citra grayscale. Pada citra

grayscale dilakukan deteksi tepi menggunakan

5

operator Sobel, kemudian dihitung arahnya

(edge direction).

Tahap selanjutnya adalah menentukan

piksel-piksel citra yang merupakan edge.

Sebuah piksel akan dianggap sebagai edge

apabila nilai magnitudonya lebih besar dari nilai

threshold yang ditetapkan. Langkah-langkah

dalam penentuan nilai threshold adalah sebagai

berikut (Pebuardi 2008):

1 Menghitung nilai threshold dengan cara

melakukan edge detection dengan operator

Sobel pada setiap citra. Hasilnya berupa

array threshold yang memiliki elemen

sebanyak citra yang ada dalam database.

2 Menghitung nilai mean dan standar deviasi

pada array threshold. Kemudian

menentukan selang nilai threshold yang

digunakan yaitu mean - standar deviasi ≤

threshold ≤ mean + standar deviasi.

3 Menghitung edge direction histogram untuk

tiap-tiap citra dengan beberapa nilai

threshold yang sudah didapatkan.

4 Menghitung nilai precision dengan cara

setiap citra yang ada dalam database

dijadikan sebagai citra kueri. Kemudian

menghitung rata-rata precision pada sepuluh

kali recall.

5 Nilai threshold yang akan digunakan adalah

nilai threshold yang memaksimumkan nilai

precision.

Penentuan nilai threshold dapat dilihat pada

Lampiran 2.

Penghitungan edge direction histogram

mengggunakan beberapa jumlah bin yaitu 18,

36 dan 72. Berdasarkan hasil dari ketiga bin

yang digunakan, kemudian diambil jumlah bin

yang mengoptimalkan nilai precision untuk

temu kembali citra menggunakan ciri bentuk

yaitu jumlah bin 36. Tahap terakhir dalam

ekstraksi bentuk adalah adalah menghitung

jumlah piksel pada edge yang bersesuaian

arahnya dengan jumlah bin yang telah

didefinisikan. Hasil nilai vektor yang

didapatkan kemudian dinormalisasi dengan cara

membagi nilai vektor dengan jumlah piksel

penyusun edge. Tujuan dari normalisasi ini

adalah agar vektor bentuk yang didapatkan

tidak dipengaruhi oleh perubahan skala citra.

Ekstraksi Ciri Tekstur

Langkah awal dalam ekstraksi ciri tekstur

adalah mengubah citra RGB menjadi citra

grayscale, kemudian menghitung nilai-nilai

co-occurrence matrix dalam empat arah

masing-masing 0o, 45

o, 90

o, dan 135

o.

Penghitungan co-occurrence matrix digunakan

beberapa level keabuan yaitu 8, 16, 32 dan 64

(Lampiran 3). Level keabuan yang dipakai

adalah yang mengoptimalkan nilai precision

untuk temu kembali citra menggunakan ciri

tekstur.

Informasi tekstur direpresentasikan

menggunakan tujuh ciri tekstur yaitu contrast,

correlation, energy, homogeneity, maximum

probability, moment dan entropy. Penghitungan

tujuh ciri tekstur tersebut dilakukan dalam

empat arah masing-masing 0o, 45

o, 90

o, dan

135o, sehingga untuk setiap ciri akan dihasilkan

empat nilai. Nilai dari setiap ciri tekstur adalah

rata-rata dari keempat arah sudut tersebut. Hal

ini dilakukan agar ciri tekstur yang dihasilkan

tidak dipengaruhi oleh rotasi citra. Ciri tekstur

yang dihasilkan kemudian direpresentasikan

dengan sebuah vektor yang memiliki tujuh

elemen dan nilai akhir dari ciri tekstur diperoleh

dengan melakukan normalisasi terhadap vektor

masing-masing citra.

Pengukuran kemiripan

Hasil dari ekstraksi ciri baik warna, bentuk

maupun tekstur adalah indeks yang

merepresentasikan setiap citra hewan.

Berdasarkan indeks tersebut maka dilakukan

pengukuran kemiripan antara citra kueri dengan

citra dalam database. Hasil dari citra yang

ditemukembalikan adalah citra dalam database

yang memiliki tingkat kemiripan yang tinggi

dengan citra kueri.

Pengukuran kemiripan dilakukan

berdasarkan salah satu ciri warna, bentuk dan

tekstur dengan menggunakan ukuran kesamaan

cosine. Rumus kesamaan cosine dapat dilihat

pada Persamaan (16) (Rodrigues & Araujo

2004).

(16)

dengan

= karakteristik ke-i sebuah citra di dalam

database.

= karakteristik ke-i sebuah citra kueri.

Pengukuran kemiripan berdasarkan

gabungan antara ketiga ciri (warna, bentuk,

tekstur) dihitung menggunakan Bayesian

Network. Misalkan karakteristik warna

direpresentasikan dengan CC, bentuk dengan

CS, dan tekstur dengan CT. Jika diberikan kueri

Q, maka peluang citra I yang memiliki

informasi CC, CS, dan CT dapat ditentukan

dengan Persamaan (17).

6

(17)

Berdasarkan inference yang dilakukan

Rodrigues dan Araujo (2004) nilai dapat

dihitung menggunakan Persamaan (18) yang

merupakan persamaan umum model Bayesian

Network untuk CBIR.

(18)

dengan

= peluang terjadinya citra , jika

kueri citra Q terjadi.

= peluang terjadinya citra yang

memiliki ciri warna, jika citra

kueri yang memiliki ciri warna

CC terjadi.


memiliki ciri bentuk, jika citra

kueri yang memiliki ciri bentuk

CS terjadi.


memiliki ciri tekstur, jika citra

kueri yang memiliki ciri tekstur

CT terjadi.

Nilai merupakan pengukuran kemiripan

antara dua buah citra. Jika sebuah citra

direpresentasikan dengan sebuah vektor maka

nilai akan sama dengan kesamaan

cosine antara citra di dalam database dengan

citra kueri (Rodrigues & Araujo 2004).

Evaluasi

Evaluasi merupakan tahap akhir dari

penelitian ini. Evaluasi ini dilakukan untuk

mengukur tingkat keberhasilan dalam proses

temu kembali citra hewan berdasarkan

ekstraksi ciri warna, bentuk dan tekstur.

Pengujian yang dilakukan dalam evaluasi ini

adalah menghitung nilai recall dan precision

dari proses temu kembali citra berdasarkan

penilaian relevansinya. Hasil temu kembali

citra dikatakan baik apabila nilai precision

besar.

Perangkat Keras dan Perangkat Lunak

Perangkat keras yang digunakan dalam

penelitian ini adalah Processor Intel Celeron

1,73 GHz, memori DDR RAM 992 MB dan

harddisk 60 GB. Perangkat lunak yang

digunakan adalah Sistem operasi Windows XP

Service Pack 2 dan Matlab 7.0.1

HASIL DAN PEMBAHASAN

Data Penelitian

Data yang digunakan pada penelitian ini

terdiri atas 600 citra hewan. Data hewan yang

digunakan adalah hewan dari kelas Mamalia

dengan ordo Karnivora. Citra hewan

dikelompokkan ke dalam 6 kelas yaitu kelas

Bear (110 citra), Canine (110 citra), Red panda

(100 citra), Skunk (100 citra), Walruses (80

citra) dan Leopard (100 citra). Format citra

adalah JPG dengan ukuran panjang 100 piksel

dan lebarnya bervariasi. Beberapa contoh data

citra hewan yang digunakan dapat dilihat pada

Lampiran 4.

Praproses

Praproses citra dilakukan agar citra yang

diolah berkualitas baik. Salah satu tahap

praproses yang dilakukan adalah melakukan

image enhancement yaitu menambah

kekontrasan pada beberapa citra yang dianggap

kurang kontras (Gambar 4). Citra yang akan

diolah juga dilakukan operasi resize dan

cropping (Gambar 5). Tujuan dari operasi

resize adalah agar ukuran piksel tidak terlalu

besar. Operasi cropping dilakukan apabila ada

beberapa citra yang mempunyai garis tepi.

Tujuan operasi cropping adalah untuk

menghilangkan garis tepi citra asli agar Sobel

edge detector tidak menangkap informasi yang

salah dalam menentukan edge pada sebuah

citra.

Gambar 4. Citra sebelum dan sesudah

dilakukan image enhancement.

Ekstraksi Ciri Warna

Berdasarkan Lampiran 1, dapat dilihat

bahwa nilai rata-rata precision terbesar untuk

temu kembali citra menggunakan ciri warna

adalah jumlah bin 30. Dengan demikian, hasil

dari ekstraksi ciri warna menggunakan FCH

Gambar 5. Citra sebelum dan sesudah cropping.

7

untuk seluruh citra yang ada di dalam database

adalah sebuah matriks yang berukuran 30 x

600. Hal ini dikarenakan, jumlah bin yang

digunakan adalah 30 dengan 600 citra yang ada

di dalam database, sehingga setiap citra

direpresentasikan dengan sebuah vektor yang

memiliki elemen sebanyak 30. Diberikan

contoh citra Red yang diekstraksi menggunakan

ciri warna (Gambar 6). Histogram warna hasil

ekstraksi ciri warna pada Red panda dapat

dilihat pada Gambar 7.

Ekstraksi Ciri Bentuk

Ekstraksi ciri bentuk dimulai dengan

melakukan temu kembali tepi citra dengan

operator Sobel. Berdasarkan Lampiran 2, nilai

threshold yang memperbesar nilai rata-rata

precision adalah 0.12. Hasil dari ekstraksi ciri

bentuk menggunakan edge direction histogram

untuk seluruh citra yang ada di dalam database

adalah sebuah matriks berukuran 36 x 600. Hal

ini karena jumlah bin yang digunakan adalah 36

dengan 600 citra yang ada di dalam database,

sehingga setiap citra direpresentasikan dengan

sebuah vektor yang memiliki 36 elemen.

Pada Gambar 8 diberikan contoh citra

Canine yang diekstraksi menggunakan ciri

bentuk. Citra Canine (grayscale) sebelum dan

setelah dilakukan Sobel edge detection dapat

dilihat pada Gambar 9, sedangkan hasil hasil

ekstraksi ciri bentuk menggunakan edge

direction histogram dapat dilihat Pada Gambar

10.

Ekstraksi Ciri Tekstur

Berdasarkan Lampiran 3, dapat dilihat

bahwa jumlah level keabuan 16 mampu

meningkatkan nilai rata-rata precision untuk

temu kembali citra menggunakan ciri tekstur.

Pada ekstraksi ciri tekstur setiap citra

direpresentasikan dengan sebuah vektor yang

memiliki 7 elemen yaitu contrast, correlation,

energy, homogeneity, maximum probability,

moment dan entropy. Dengan demikian, hasil

dari ekstraksi ciri tekstur menggunakan co-

occurrence untuk seluruh citra yang ada di

dalam database adalah sebuah matriks yang

berukuran 7 x 600.

Pada Gambar 11 diberikan contoh citra

Leopard yang diekstraksi menggunakan ciri

teksur, yang mana harus diubah dulu ke dalam

citra grayscale. Hasil dari ekstraksi ciri tekstur

pada citra Leopard dapat dilihat pada Gambar

12.

Gambar 6. Citra Red panda.

Gambar 7. Hasil FCH dengan Cauchy 30 bin.

Gambar 8. Hasil FCH dengan Cauchy 25 Bin

Gambar 8. Hasil FCH dengan Cauchy 25 Bin

Gambar 9. Citra Canine (grayscale) sebelum dan

sesudah dilakukan Sobel edge

detection.

Gambar 10. Hasil edge direction histogram 36

bin.

Gambar 8. Citra Canine.

8

Gambar 11. Citra leopard sebelum dan sesudah

diubah menjadi grayscale.

Hasil Temu Kembali Citra

Pada Lampiran 5 dapat dilihat beberapa

hasil temu kembali citra hewan menggunakan

ciri warna, bentuk, tekstur dan gabungan

ketiganya (warna, bentuk, tekstur). Hasil temu

kembali citra yang ditampilkan adalah 37 citra

teratas yang memiliki ukuran kesamaan terbesar

dengan citra kueri.Citra yang digunakan sebagai

kueri diambil dari tiap kelas hewan dan

memiliki beberapa citra yang relevan dalam

database.

Evaluasi Hasil Temu Kembali Citra

Evaluasi hasil temu kembali citra dilakukan

dengan menghitung nilai precison tiap kelas

citra setiap kali recall. Dalam penghitungan

nilai precision, maka setiap citra yang ada di

kelas tersebut dijadikan sebagai citra kueri.

Hasil akhir dari nilai precision dihitung dengan

merata-ratakan nilai precision setiap citra kueri.

Berikut ini akan dipaparkan nilai-nilai

precision pada setiap kelas hewan dalam

database. Nilai rata-rata precision yang

disajikan adalah berdasarkan ciri warna, bentuk,

tekstur dan gabungan ketiganya.

Pada Tabel 1 disajikan perbandingan nilai

recall precision pada kelas Bear. Berdasarkan

Tabel 1 dapat dilihat bahwa nilai rata-rata

precision pada kelas Bear menggunakan

gabungan ketiga ciri (warna, bentuk, tekstur)

lebih tinggi daripada menggunakan ciri warna,

bentuk dan tekstur itu sendiri. Akan tetapi, nilai

precision dengan ciri tekstur pada recall 0.6,

0.7, 0.8, 0.9 dan 1 lebih tinggi daripada dengan

gabungan ketiga ciri.

Tabel 1. Perbandingan nilai recall precision

pada kelas Bear

Recall Warna Bentuk Tekstur Gabungan

0 1 1 1 1

0.1 0.2836 0.3016 0.3185 0.3445

0.2 0.2296 0.2529 0.2591 0.2800

0.3 0.2057 0.2270 0.2434 0.2533

0.4 0.1953 0.2149 0.2385 0.2415

0.5 0.1906 0.2028 0.2221 0.2292

0.6 0.1876 0.1945 0.2178 0.2166

0.7 0.1841 0.1890 0.2082 0.2059

0.8 0.1835 0.1865 0.2040 0.1968

0.9 0.1867 0.1863 0.2030 0.1930

1 0.1839 0.1840 0.1949 0.1850

Rataan 0.2755 0.2854 0.3009 0.3042

Perbandingan nilai recall precision pada

kelas Canine dapat dilihat pada Tabel 2.

Berdasarkan Tabel 2 dapat dilihat bahwa nilai

rata-rata precision tertinggi pada kelas Canine

diperoleh menggunakan gabungan ketiga ciri.

Sementara itu, nilai rata-rata precision

menggunakan ciri bentuk lebih tinggi daripada

ciri warna dan tekstur. Hal ini dikarenakan,

citra-citra pada kelas canine mempunyai bentuk

yang hampir sama. Pada recall 0.1 nilai rata-

rata precision menggunakan ciri warna lebih

tingggi daripada menggunakan ciri bentuk dan

tekstur.


pada kelas Canine


0 1 1 1 1

0.1 0.3509 0.3180 0.2593 0.3601

0.2 0.2657 0.2545 0.2251 0.2823

0.3 0.2322 0.2283 0.2185 0.2564

0.4 0.2241 0.2176 0.2139 0.2432

0.5 0.2163 0.2145 0.2126 0.2338

0.6 0.2125 0.2130 0.2133 0.2263

0.7 0.2097 0.2116 0.2107 0.2188

0.8 0.2053 0.2124 0.2079 0.2106

0.9 0.1954 0.2098 0.2045 0.2026

1 0.1853 0.1942 0.1920 0.1873

Rataan 0.2885 0.2976 0.2871 0.3110


kelas Skunk dapat dilihat pada Tabel 3. Tabel 3

menunjukkan bahwa nilai rata-rata precision

tertinggi pada kelas Skunk diperoleh

menggunakan gabungan ketiga ciri. Sementara

itu, nilai rata-rata precision dengan ciri bentuk

lebih tinggi daripada ciri warna dan tekstur.

Gambar 12. Hasil co-occurrence matrix dengan

7 ciri tekstur.

9

Berdasarkan nilai recall dapat dilihat juga

bahwa pada recall 0.1 nilai precision dengan

ciri warna lebih tinggi daripada dengan ciri

bentuk dan tekstur.


pada kelas Skunk


0 1 1 1 1

0.1 0.3118 0.2965 0.2764 0.3348

0.2 0.2465 0.2546 0.2502 0.2941

0.3 0.2286 0.2472 0.2307 0.2682

0.4 0.2190 0.2421 0.2184 0.2518

0.5 0.2120 0.2343 0.2129 0.2401

0.6 0.2091 0.2272 0.2101 0.2314

0.7 0.2028 0.2196 0.2109 0.2232

0.8 0.1956 0.2099 0.2066 0.2164

0.9 0.1888 0.2012 0.1973 0.2042

1 0.1779 0.1820 0.1730 0.1746

Rataan 0.2902 0.3013 0.2897 0.3129


kelas Red panda dapat dilihat pada Tabel 4.


rata-rata precision tertinggi pada kelas Red

panda diperoleh menggunakan ciri warna. Hal

ini dikarenakan citra pada kelas Red panda

memiliki warna yang secara keseluruhan hampir

sama. Nilai rata-rata precision terendah pada

kelas Red panda diperoleh menggunakan ciri

bentuk, hal ini karena citra pada kelas ini

mempunyai posisi dan bentuk yang bervariasi.


pada kelas Red panda


0 1 1 1 1

0.1 0.4306 0.1926 0.3079 0.3844

0.2 0.3642 0.1865 0.2480 0.3143

0.3 0.3237 0.1884 0.2268 0.2784

0.4 0.3078 0.1940 0.2127 0.2649

0.5 0.2917 0.1979 0.2039 0.2512

0.6 0.2820 0.1990 0.1995 0.2384

0.7 0.2717 0.1986 0.1969 0.2287

0.8 0.2594 0.1964 0.1968 0.2193

0.9 0.2329 0.1902 0.1884 0.2055

1 0.1949 0.1760 0.1755 0.1763

Rataan 0.3599 0.2654 0.2869 0.3238


kelas Walruses dapat dilihat pada Tabel 5.


rata-rata precision tertinggi pada kelas Walruses

diperoleh dengan menggunakan ciri tekstur.

Namun, pada recall 0.1 nilai rata-rata precision

menggunakan gabungan ketiga ciri paling tinggi

daripada menggunakan ciri lain.


pada kelas Walruses


0 1 1 1 1

0.1 0.2091 0.2136 0.2655 0.2772

0.2 0.1727 0.1520 0.2301 0.2247

0.3 0.1554 0.1371 0.2122 0.1980

0.4 0.1510 0.1300 0.2002 0.1883

0.5 0.1483 0.1244 0.1893 0.1801

0.6 0.1465 0.1228 0.1797 0.1746

0.7 0.1459 0.1239 0.1737 0.1676

0.8 0.1465 0.1271 0.1709 0.1620

0.9 0.1464 0.1324 0.1657 0.1547

1 0.1379 0.1335 0.1469 0.1388

Rataan 0.2327 0.2179 0.2667 0.2605


kelas Leopard dapat dilihat pada Tabel 6.


rata-rata precision tertinggi pada kelas Leopard

diperoleh dengan menggunakan gabungan

ketiga ciri. Akan tetapi, pada recall 0.1, 0.2 dan

0.3 nilai precision dengan ciri bentuk lebih

tinggi daripada dengan gabungan ketiga ciri.


pada kelas Leopard


0 1 1 1 1

0.1 0.4100 0.8111 0.7159 0.7551

0.2 0.3290 0.7686 0.6676 0.7276

0.3 0.2968 0.7049 0.6542 0.7035

0.4 0.2778 0.6653 0.6392 0.6907

0.5 0.2569 0.6228 0.6215 0.6697

0.6 0.2400 0.5768 0.6018 0.6347

0.7 0.2254 0.5204 0.5657 0.5912

0.8 0.2140 0.4618 0.5143 0.5279

0.9 0.1984 0.3759 0.3556 0.4155

1 0.1721 0.2042 0.2261 0.2243

Rataan 0.3292 0.6102 0.5965 0.6310

Pada Tabel 7 disajikan pula nilai recall

precision untuk semua citra yang ada di

database. Dalam penghitungan nilai recall

precision ini semua citra di dalam database

sebanyak 600 citra dijadikan sebagai citra kueri.


rata-rata precision seluruh citra dalam database

tertinggi diperoleh menggunakan gabungan

ketiga ciri yaitu sebesar 03588. Sementara itu,

nilai rata-rata precision menggunakan ciri

tekstur sebesar 0.3389, lebih tinggi daripada

menggunakan ciri warna dan bentuk. Nilai rata-

10

rata precision menggunakan ciri bentuk sebesar

0.3321 dan ciri warna paling rendah yaitu

sebesar 0.2997.


rata-rata seluruh citra dalam database


0 1 1 1 1

0.1 0.3363 0.3588 0.3580 0.4124

0.2 0.2705 0.3149 0.3137 0.3557

0.3 0.2425 0.2918 0.2983 0.3282

0.4 0.2313 0.2802 0.2880 0.3152

0.5 0.2211 0.2689 0.2780 0.3024

0.6 0.2147 0.2583 0.2715 0.2885

0.7 0.2083 0.2464 0.2622 0.2742

0.8 0.2023 0.2348 0.2512 0.2569

0.9 0.1929 0.2182 0.2203 0.2307

1 0.1769 0.1808 0.1863 0.1826

Rataan 0.2997 0.3321 0.3389 0.3588

Grafik perbandingan nilai recall precision

rata-rata seluruh citra dalam database dapat

dilihat pada Gambar 13.

Gambar 13. Grafik perbandingan nilai recall

precision rata-rata seluruh citra.

KESIMPULAN DAN SARAN

Kesimpulan

Penelitian ini telah mengimplementasikan

Fuzzy Color Histogram, edge direction

histogram dan Gray Level co-occurrence

Matrix untuk ekstraksi ciri warna, bentuk dan

tekstur pada citra hewan. Berdasarkan nilai rata-

rata precision seluruh citra dalam database,

diketahui bahwa nilai rata-rata precision untuk

ciri warna sebesar 0.30, untuk ciri bentuk

sebesar 0.33 dan untuk ciri tekstur sebesar 0.34.

Nilai precision meningkat dengan

menggunakan gabungan ketiga ciri (warna,

bentuk, tekstur) menjadi 0.36. Hal ini

membuktikan bahwa hasil temu kembali citra

hewan baik jika digunakan gabungan ketiga ciri

(warna, bentuk, tekstur).

Saran

Data yang digunakan pada penelitian ini

beragam dan memiliki latar belakang yang

kompleks sehingga untuk meningkatkan hasil

temu kembali citra sebaiknya digunakan metode

ekstraksi ciri lainnya. Metode ekstraksi ciri

yang dapat digunakan seperti FCH dengan

derajat keanggotaan FCM, untuk ekstraksi ciri

warna, Fourier descriptor untuk ekstraksi ciri

bentuk dan Tamura untuk ekstraksi ciri tekstur.

DAFTAR PUSTAKA

Acharya T & Ajoy K. Ray. 2005. Image

Processing Principles and Applications.

Canada : John Wiley & Sons Inc.,

Hooboken, New Jersey.

Baeza-Yates R, Ribeiro-Neto B.1999. Modern

Information Retrieval. New York: Addison

Wesley.

Balqis DP. 2006. Fuzzy Color Histogram untuk

Temu Kembali Citra Bunga. [Skripsi].

Bogor : Fakultas Matematika dan Ilmu

Pengetahuan Alam, Institut Pertanian Bogor.

Gonzalez RC & Richard E. Woods. 1992.

Digital Image Processing. New York :

Addison-Wesley Publishing Company, Inc.

Marques O, Furht B. 2002. Content-Based

Image and Video Retrieval. Florida Atlantic

University Baca Raton, FL, USA : Kluwer

Academic Publisher.

McAndrew A. 2004. Introduction to Digital

Image Processing with MATLAB. United

States : Course Technology, a division of

Thomson Learning, Inc.

Osadebey ME. 2006. Integrated Content-Based

Image Retrieval Using Texture, Shape and

Spasial Information. [Thesis]. Umea :

Department of Applied Phyiscs and

Electronics, Umea University.

Pebruardi R. 2008. Pengukuran Kemiripan

Citra Berbasis Warna, Bentuk, dan Tekstur

menggunakan Bayesian Network. [Skripsi].

Bogor : Fakultas Matematika dan Ilmu

Pengetahuan Alam, Institut Pertanian Bogor.

11

Rodrigues PS & Arnaldo de Albuqueque

Araujo. 2004. A Bayesian Network Model

Combining Color, Shape and Texture

Information to Improve Content Based

Image Retrieval System. LNCC, Petropolis,

Brazil.

Zhang R, Zhang Z. 2004. A Robust Color

Object Analysis Approach to Efficient Image

retrieval. EURASIP Journal on Applied

Signal Processing, 871-885.

12

LAMPIRAN

13

Lampiran 1 Nilai recall precision temu kembali citra menggunakan ciri warna untuk beberapa jumlah

bin histogram.

Tabel 8. Nilai recall precision untuk beberapa jumlah bin histogram

Recall 15 20 25 30

0 1 1 1 1

0.1 0.3126 0.3217 0.3289 0.3363

0.2 0.2578 0.2652 0.2687 0.2705

0.3 0.2379 0.242 0.2439 0.2425

0.4 0.2275 0.2313 0.2322 0.2313

0.5 0.2196 0.2218 0.2238 0.2211

0.6 0.2133 0.2145 0.2158 0.2147

0.7 0.2053 0.2075 0.2088 0.2083

0.8 0.1973 0.2004 0.2012 0.2023

0.9 0.1889 0.1913 0.1922 0.1929

1 0.1749 0.1757 0.1771 0.1769

Rataan 0.2941 0.2974 0.2993 0.2997

Jumlah bin histogram yang dipilih adalah 30 karena mengoptimalkan hasil temu kembali citra

hewan menggunakan ciri warna.

14

Lampiran 2 Penentuan nilai threshold pada Sobel edge detector.

Penentuan nilai threshold untuk edge detector dari setiap citra yang ada dalam database

dilakukan dengan menggunakan fungsi edge dengan operator Sobel yang ada di MATLAB. Nilai

threshold setiap citra yang dihasilkan berupa sebuah array yang memiliki 600 elemen Nilai mean

yang diperoleh adalah 0.1618 dan nilai standar deviasinya adalah 0.0397. Dengan demikian, nilai

threshold yang digunakan berada pada selang 0.1221 sampai 0.2015 (0.1221 ≤ threshold ≤ 0.2015).

Berdasarkan batas dari selang kepercayaan nilai threshold , maka dipilih beberapa nilai threshold

sebagai sample yaitu 0.12, 0.14, 0.16, 0.18, dan 0.20.

Tabel 9. Nilai recall dan precision untuk beberapa nilai threshold

Recall 0.12 0.14 0.16 0.18 0.20

0 1 1 1 1 1

0.1 0.3588 0.3519 0.3480 0.3500 0.3449

0.2 0.3149 0.3130 0.3112 0.3103 0.3038

0.3 0.2918 0.2914 0.2909 0.2905 0.2855

0.4 0.2802 0.2802 0.2812 0.2802 0.2729

0.5 0.2689 0.2681 0.2692 0.2660 0.2565

0.6 0.2583 0.2571 0.2557 0.2516 0.2427

0.7 0.2464 0.2463 0.2426 0.2381 0.2282

0.8 0.2348 0.2303 0.2260 0.2212 0.2116

0.9 0.2182 0.2130 0.2082 0.2021 0.1978

1 0.1808 0.1808 0.1797 0.1789 0.1761

Rataan 0.3321 0.3302 0.3284 0.3263 0.3200

Berdasarkan data pada Tabel dapat diambil kesimpulan bahwa nilai threshold yang digunakan

untuk penghitungan edge direction histogram adalah 0.12 karena mengoptimalkan hasil temu kembali

citra hewan.

15

Lampiran 3 Nilai recall precision temu kembali citra menggunakan ciri tekstur untuk beberapa

jumlah level keabuan.

Tabel 10. Nilai recall precision untuk beberapa jumlah level keabuan

Recall 8 16 32 64

0 1 1 1 1

0.1 0.3398 0.3580 0.3485 0.3398

0.2 0.2993 0.3137 0.3051 0.2993

0.3 0.2857 0.2983 0.2898 0.2857

0.4 0.2777 0.2880 0.2819 0.2777

0.5 0.2710 0.2780 0.2741 0.2710

0.6 0.2629 0.2715 0.2674 0.2629

0.7 0.2537 0.2622 0.2569 0.2537

0.8 0.2415 0.2512 0.2460 0.2415

0.9 0.2151 0.2203 0.2172 0.2151

1 0.1813 0.1863 0.1825 0.1813

Rataan 0.3298 0.3389 0.3336 0.3298

Jumlah level keabuan yang digunakan adalah 16 karena mengoptimalkan hasil temu kembali citra

hewan menggunakan ciri tekstur.

16

Lampiran 4 Contoh beberapa citra yang ada di dalam database.

1 Kelas Bear

citra_001.jpg citra_010.jpg citra_013.jpg citra_043.jpg citra_044.jpg


2 Kelas Canine



3 Kelas Skunk



17

Lanjutan

4 Kelas Red Panda


citra_348.jpg citra_350.jpg citra_354.jpg citra_358.jpg citra_381jpg

5 Kelas Walruses



6 Kelas Leopard


citra_537.jpg citra_575.jpg citra_578.jpg citra_582.jpg citra_592jpg

18

Lampiran 5 Hasil temu kembali citra hewan

Hasil temu kembali citra menggunakan ciri warna.

Hasil temu kembali citra menggunakan ciri bentuk.

19

Lanjutan

Hasil temu kembali citra menggunakan ciri tekstur.

Hasil temu kembali citra menggunakan gabungan ketiga ciri (warna, bentuk, tekstur).

ekstraksi ciri warna, bentuk dan tekstur untuk temu...

Documents