Perancangan dan lmplementasi Sistem Kunci Elektronik Pada Locker Dengan Media Bluetooth (Ajib Susanto, Yoga Krisnanto) Analisis BER {Bit Error Rate) Pada TeknologiAsymmetric Digital Subscriber Line (ADSL) Berbasis Delphi (Andi Kurniawano M. Munthohar) Forest Fire Database Technologies {Study Case in lndonesia)
(Dinar Mutiara K)
Gagasan Perbaikan Sistem Kerja Yang Optimal @wi Nurullzzhati) Sistem Pendukung Keputusan Untuk lnventory/Distribusi Pada Pusat Distribusi Minimarket Berjaringan (Jazuli)
Reedmuller Sebagai Kode Koreksi Error Pada Pengiriman Pesan Biner (Nova Rijati) SimulasiArea Parkir dan Dampak Perubahan Dimensi Ruang Terhadap Waktu Manuver Parkir @atih Setyaningrum, Agus S) Analisis Faktor-faktor Yang Paling Berpengaruh Terhadap Optimalisasi Stock Dalam Rantai Pasok di Supermarket (Rindra Yusianto) lnverter Volt/Hertz Kontrolsebagai Pengendali MotorAC 3 FASA (Sri Heranurweni, E. Agung N) Analisis Bullwhip Effect Dalam Manajemen Rantai Pasok (Tita Talitha) lmage Retrieval Berdasarkan Properti Statistik Histogram (Wijanarto)
F AKII'
T
AS TFKNIK IINMFNSIT A
IMAGE RETRIEVAL BERDASARKAN PROPERTI STATISTIK HISTOGRAM Wijanartol tJurusan
Teknik lnformatika Fakultas llmu Komputer Universitas Dian Nuswantoro Jalan Nakulo I No. S - 11 Semarang Email :
[email protected]
Abstrak
Dalam studi pengotahan citra. digital dampak perkembangan
ferasa sangat menggembirakan, karena bagaimanapun iuga, pengolahan citra aigitat nergZintung paaa -'"penyimpanan kecepatan pengolahan..pemrosesnya' *Jpas,ras (memori) datam implementasinya' Kompleksitas algoritma dan besarnya strittui aata memiaia Zxioat pada kebutuhan hardware vang harus iencukupinya. seoagaimiii t"an iiketai;;i;lnfiu", datam bidang pengembang.an database 1RoBusl, ydikit it;;y;;; dampak yang positif dalam dunia citra khususnya dan M'ultimeaa ^"mbawaMasatah utama datam umumnya. ligital database multimedia adalah bagiimana metakukan query terhadip citra i"i"i'""pat yang akan memberikan hasildengan iemiripan yang tinggi. lmplementasi image retrieval yang aidasi;kan pada propefti statistik histogram warna citra, nilai minimum, maximltm, modLts, mean, median, standard deviasi, skewness dan kurtosisnya adalah salah satu metode datam multimedia database. tmage retrieval berdasarkan histogram statistik citra cukup memenuhi standar informatio,n ietrievat, euery didasarkan pada intensitas statistik histogram citra (Min,max,mode,mean,median,standard dan kurtosis). Retrieving dan Extraition cepat dengan xemiripan didasarkandeviasi, kemiringan pada batasan ciri statistik, dan bukan pada ciri lainnva. Metode..ini dipat oiiahi oti* baik untik citra yang homogeny, dan sebagai studiawai untuk anafisa bentuk fuLttern recognition).
t"iiit
qi
iidi
iiti
Kata kunci : image retrievar, database murtimedia, property statistik
1.
Pendahuluan
Dewasa ini perkembangan computer telah maju pesat, baik dari sisi kecepatan maupun da1 sisi penyimpanan, juga tidak.kalah pentingnya, kehajuan hardware tersebut membawa dampak yang sangat signifikan. terhadap perkembangan pengembangan software. Datam studi pengolahan citra digital dampak perkembangln terse6ut terasa sangat menggembirakan, karena bagaimanapun juga, pengolahan citE oigitat r"ng"i bergantung pada kecepatan pengolahan pemrosesnya dan kapasitas. penyimfanan (riemori) dalam implementasinya. Kompleksitas algoritma dan besarnya struktur data membawa akibat pada kebutuhan hardware yang harus mencukupinya. Sebagaimana telah diketahui kemajuan bidang pengembangan database (RDBMS), sLoit
i"r"* ;fi;t
ditunjukkan oleh Lu (1999), dalam bukunya Multimedia Daiabase wtanagem"eni
kuat ini
s"y"t"*r,
r_u menunjukkan tentang bagaimana mengerola ,yit", databise ya;'g dengan .suatu mengekstraksi suatu property baik dalam bentuk teks, suarajcitra dan video. Daiam"tutisan ini, penulis ingin mengangkat tema database citra dengan r"nyi*p"n properti statistik yang ada pada histogramnya- Disini penulis mencoba meigimfterientasir
berdasarkan propertinya tersebut. Seperti diketahui dalam dunia database.multimedia, obyek yang disimpan berupa propetiproperti yang diekstraksi dari struktur data teks, suara, citra dan video, dalam tulisan'ini penulis
{i(I
1GA9 61.07 Wh: * Pixelsi 4fnm t'lesr
Lseli
StdDs:
CMt:
tucsliF: CeiELffil:
I
Gambar 1. Histogram citra
3.
Metode Penelitian 3.3. Pendekatan Statistik
Elemen penting dalam tulisan ini, dan yang utama, adalah pendekatan statistik untuk ekstraksi citra digital. Statistik disini hanya dipakai sebagai alat bantu untuk membuat ciri terhadap citra yang akan diekstrak. Pendekatan statistik yang di pakai dalam ekstraksi ciri citra meliputi, ukuran gejala pusat (Nilai minimum, maksimum, modus/mode, median, mean), ukuran simpangan (standard deviasi), kemiringan (skewness) dan kurtosis (Sudjana,1996) dari distrbusi intensitas berdasarkan histogram warna pada citra yang diambil. Pemilihan terhadap parameter atau ciri statistik ini dipandang sebagai elemen yang sudah umum diketahui orang, sehingga pada saat meng-query-kan citra untuk dilakukan pencarian kemiripannya, orang sudah paham dengan ciri yang akan dicarinya. Jika ada sekelompok data kuantitatif, maka untuk menyebutkan ukuran numerik sebagaiwakil dari data disebut sebagai ukuran pemusatan. Rata-rata merupakan ukuran pemusatan dari sekumpulan data yang diurutkan dari yang terkecil hingga terbesar, yang menunjukkan pusat dari nilai-nilai lainnya (Wibisono,2005). 3.3.1 Nilai Minimum Nilai minimum merupakan nilai terkecil dari rentanglsekumpulan data yang ada, dalam hal ini merupakan nilai yang diperoleh dari sebaran histogram suatu citra yang disimpan dalam format B bit untuk tiap warnanya yaitu sebesar 256 tingkat keabuan, dan jika citra berwarna (24 bit) maka akan diambil rata-ratanya ke tingkat keabuan (greylevel) 8 bit. Jadi nilai terkecil atau minimaladalah 0.
3.3.2 Nilai Maksimum
Nilai maksimum merupakan kebalikan dari nilai minimum, yaitu nilai terbesar
dari
rentang/sekumpulan data yang ada, dalam hal ini merupakan nilai yang diperoleh dari sebaran histogram suatu citra yang disimpan dalam format B bit untuk tiap warnanya yaitu sebesar 255 tingkat keabuan, dan jika citra berwarna (24 bit) maka akan diambil rata-ratanya ke tingkat keabuan (greylevel) 8 bit. Jadi nilai terkecil atau minimal adalah 255.
____J rrain I I
G#titai
Minimum Dan Maksimum
L_ I r.au*
I
oatamlnrsvq#
3.3.3 Nilai ModelModus Merupakan nilai yang sering muncul dalam sekumpulan data untuk menyatakan fenomena
yang paling banyak terjadi atau paling banyak terdapat. Modus sering kali dipakai untuk menentukan rata-rata data (Sudjana,1996). Penentuan properti ini dalam ekstraksi ciri didasarkan frekuensi terbanyak diantara sebaran sepanjang 0 (Nol) sampai 255 pada level keabuan citra. Rumus umum untuk menghitung modus adalah (sudjana,1996):
u'\ Mo=b*o( ' \bl+
dimana
b p b'1 b2
b2
)
:
: batas bawah kelas modal ialah kelas interval dengan frekuensiterbanyak
:panjang kelas modal :frekuensi kelas modal dikurangi frekuensi kelas intervaldengan tanda kelas yang lebih kecil sebelum tanda kelas modal :frekuensi kelas modal dikurangifrekuensi kelas interval dengan tanda kelas yang lebih besar sebelum tanda kelas modal
3.3.4 Nilai Mean Mean atau rata-rata adalah ukuran pemusatan lokasi yang banyak digunakan, dan paling mudah untuk dihitung. Ada beberapa cara untuk menghitung rata-rata (mean), tetapi yang digunakan dalam tulisan ini adalah : Jr + Jr +...+ Xn
,=
N
dimana,
p xil ff
: Rata-rata (Mean) : Sekelompok data
: Total keseluruhan data Disini Mean dihitung dari total intensitas dari seluruh warna pada tingkat keabuan histogram dari minimum hingga maksimum dibagi dengan 255.
3.3.5 Nilai Median Merupakan data yang berada ditengahtengah nilainya setelah diurutkan dari kecil ke besar, rumus umum mencari median adalah (Wibisono,2005) :
Jika nilai median sama dengan Me, maka 50% dari data yang harga-harganya tinggi sama dengan Me, sedang 50% lagi harga-harganya paling rendah sama dengan Me. 3.3.5 Nilai Standard Deviasi Simpangan Baku (Standard Deviasi) merupakan ukuran penyimpangan dari sekelompok data yang dirumuskan sebagai (Wibisono,2005) :
Nilai simpangan baku sebenarnya merupakan akar dari nilai variance, dimana keragaman data
pada histogram dapat dibedakan. Jadi Histogram citra mempnyai tingkat keragaman yang besar atau kecil dapat dilihat dari simpangan bakunya, yaitu dengan menarik akar pada nilai variance-nya.
3.3.7 Nilai Skewness
Skewness atau kemiringan adalah ukuran yang digunakan untuk menentukan derajat taksimetri sebuah model. Model kurva histogram yang positif terjadi bila kurva mempunyai ekor yang memanjang sebelah kanan. Sebaliknya jika ekornya memanjang sebelah kiri didapat
model negatif, dan jika ekornya berimbang disebut model simetri. Skewness atau kemiringa
diukur dengan mengguanakan model sebagai berikut (Sudjana,ig96):
(Mean- Median)
'-
S tan
'-
S
skewness, skewness,
dardDeviasi 3(Mean - Merlian) tandardDeviasi
Kedua rumus tersebut masing-masing dinamakan koefisien pearson tipe pertama dan kedua.
Jadi jika histogram citra mempunyai hasil negatif atau mendekati 0 berarti mempunyai kemiringan ke kiri dan sebaliknya jika hasilnya positif mendekati 255 mempunyai kemiringan ke kanan.
3.3.8 Nilai Kurtosis
Kurtosis dalam histogram dapat dibedakan menjadi 3 bentuk (Wibisono,2o05), yaitu bentuk leptokurtis, suatu distribusi yang lebih lancip dibandingkan dengan distribusi normal, hentuk platykurtis, suatu distribusi yang lebih tumpul dibandingka n distribusi normal, dan bentuk mesokurtis, yaitu distribusi normal berbentuk genta setangkup. ,
alGFomis
-- eE,esomais Gambar 3. Grafik Kurtosis
Untuk menghitung koefisien momen kurtosis diperlukan rumus sebagai berikut:
.' =4lr+ r d! -^()1r,,:\)Er,o,)-r[iE, tn l'fr"'
':\:nrr,)'-,[;I
t
dimana jika
do >
,,0,)l
:
3 bentuk
kurva leptokurtis
do< 3 bentuk kurva platykurtis d+ =3 bentuk kurva mesokurtis
3.3.9 Euclide Distance Euclide distance dirumuskan sebagai perbandingan jarak terdekat dari obyek yang yang diquerykan dengan obyek yang dicari. Rumus umumnya
E(q,p)=
W
:
dimana : q adalah citra yang di querykan dengan properti tertentu p adalah citra yang dicari kemiripannya dengan properti yang sama dengan q
3.4 Database citra Database merupakan kumpulan record yang saling berhubungan yang tersusun atas suatu field-field yang mempunyai nilai dan struktur data yang boleh berlainan. Sedangkan dalam terminologitulisan ini database citra dapat diartikan sebagai suatu database biasa yang setiap recordnya mempunyaifield yang merupakan hasil ekstraksi dari suatu citra diam yang didasarkan atas suatu pemilihan ciri pada citra. Sehingga boleh jadi database citra seperti database biasa, hanya saja atribut yang menyusunnya didapatkan dari suatu pemilihan ciri tertentu dari suatu entitas yang mempunyai banyak atribut lainnya.
3.4.1 Disain pencarian informasi Secara umum disain utama dari system image retrieval berupa query terhadap suatu
obyek yang akan dicari berdasarkan informasi yang dicirikan, gambar umumnya seperti dibawah ini.
Item Informasi
Bentuk
Item informasi yang diindex
Query Pengolahan
Kemiripan
Pengambilan itemitem yang mirip Gambar 4. Query Sistem lmage Retrieval
Sedangkan secara khusus image retrieval berdasarkan histogram statistiknya dapat digambarkan sebagai berikut
:
Proses Ekstraksi
Pr
Ifkstraksi
R-epresentasi
Query Perbandingan (perhitungan kerniripan)
Citra yang diannbil
[Jrnparr Balik dan ewaluasi yang
berhubungan
Gambar. 5. Sistem lmage retrieval Penjelasan detailnya adalah sebagai berikut:
3.4.1.1Dari sisi User
1.
Query Citra
Query citra rnerupakan input atau key yang akan dicari kemiripannya dengan database yang sudah tersimpan dalam storage. Dalam hal ini citra yang ditangani berupa citra bitmap
(BMP) dan terkompres (JPEG). Dengan memasukan citra input(key) sistem akan
2.
3. 4. 5.
menampilkan citra dalam buffer dan memproses histogramnya. Proses Ekstraksi Proses ekstraksi citra dalam buffer diambil cirinya dari histogram yang sudah ter-rata-rata dari ketiga kanal warna (ika true color) pada level keabuannya. Jika citra hanya terdiri dari satu kanal maka langsung diambil level keabuannya. Ekstraksi ciri citra didasarkan hanya pada properti nilai statistiknya, yaitu nilai intensitas citra minimal, maksimal, modus, mean, median, standar deviasi, kemiringan dan kurtosisnya.
RepresentasiQuery Data yang didapatkan dari proses ekstraksi tersebut di representasikan dalam bentuk nilai numerik pecahan (double), yang nantinya akan digunakan sebagai pembanding dengan representasi nilai yang sudah ada dalam database. Perbandingan
Perbandingan untuk mencari kemiripan dilakukan dengan menggunakan Euclide Distance dari ke B properti hasil ekstraksi dengan database yang sudah ada. Citra yang diambil Hasil perbandingan akan menghasilkan nilai yang terkecil yang disyaratkan (threshold), dan jika tidak ada jarak (bernilai 0) maka citra yang di cari dianggap sangat mirip berdasarkan properti statistik dalam histogram citra yang diquerykan.
3.4.1.2 Dari sisi Sistem
'i
Database Citra Database citra merupakan data yang menyimpan informasi ciri citra yang sudah diekstraksi, yang akan dicari kemiripannya dengan citra yang diquerykan. Recoid ying disimpan terdiri dari sejumlah properti yang sama dengan citra yang diquerykan dengan siruktur data yang sama pula. Proses Ekstraksi Proses ekstraksi dalam database dilakukan dengan memanggil setial record yang ada dan mememasukkan nilainya dalam perhitungan perbandingan kemiripan citra yang diquerykan. Representasi Query Data yang didapatkan dari proses ekstraksi dalam database tersebut difrepresentasikan dalam nilai numerik double dan harus sama dengan representasi nilai dari ciri citra yang diquerykan.
Umpan balik baik dari sisi user maupun sistem akan memberikan respon terhadap hasil perbandingan ciri antara query citra dan database yang ada. Dari sisi user apakah citra yang dicarinya sudah memenuhi syarat yang dimaksud (threshold), dan dari sisi sisiem apakah citri yang diquerykan masuk dalam jangkauannya atau tidak (ketemu atau tidak, jika ketemu seberapa jauh jangkauan jarak yang disyaratkan user (threshold)), jika citra yang bicari terlalu jauh dari jangkauan, apakah citra yang diquerykan tersebut at
3.4.1.3 Database Database yang dirancang disini sangat sederhana dan terdiri hanya dari 2 tabel, tabel pertama digunakan untuk menyimpan hasil ekstraksi ciri citra dan yang lainnya sebagai counter untuk menaikkan nomer record pada tabel pertama, selanjutnya struktur t-aOet yarig lengkap dapat dilihat di bawah ini Dalam tulisan ini penulis membuat disain 2 tabel sebagai berikut: :
Struktur Tabel Tbcitra Nama Field No
Min Max Mode Mean Median StandardDeviation Skewness Kurtosis Path Struktur Tabel New Nama Field New
Type Data
Paniano
inteoer Numerik Numerik Numerik Numerik Numerik Numerik Numerik Numerik Alphanumerik
100
Type Data
Paniano
integer
Tabel TbCitra digunakan untuk menyimpan ciri citra yang diekstraksi berdasarkan statistik histogram pada citra dan tabel New digunakan sebagai counter otomatis untuk menambah record pada tabel tbcitra.
4.
Hasildan Pembahasan
lmplementasi pembuatan sistem ini didasarkan atas algoritma pengambilan informasi, yang sudah dikempangkan oleh penulis sesuai dengan tujuan tulisan ini. 4.1. Software dan Hardware Sistem dibuat dengan menggunakan bahasa visual Delphi versi 7.0 Enterprise Edition, dengan platform Windows XP SP2, sedangkan database yang dipakai mengunakan Paradox
Database Desktop 7.0 dan dibangun diatas Notebook Compaq Presario M2232 berbasis Pentium M 915, RAM 512, Display adapter lntel 915 64 MB, Monitor TFT intel 915, Hardisk
40GB.
4.2. Algoritma
Algoritma sistem diadopsi dari algoritma pemanggilan informasi citra secara umum dan dipadukan sesuai dengan tujuan sistem yaitu me-retrieve citra dengan ciri histogram statistiknya, sebagai berikut
Gambar 6. Algoritma lmage Retrieval berdasarkan Histogram Statistik Lebih jauh Teks Algoritmanya sebagai berikut : Panggil Citra yang dimaksud, dengan konversi format pixel24 bit untuk yang true color, dan 8 bit untuk greyscale. Ekstraksi citra Pencarian Buat histogram rata-ratanya untuk yang True Color, dan yang grescale tidak. Ambil ciri statistik citra yaitu nilai minimum, maksimum, mode, mean, median, standard deviasi, kemiringan dan kurtosis. - Tampilkan citra dan informasi ciri citra Penyimpanan Sama seperti pencarian, hanya saja citra langsung disimpan dalam tabel data Mencari Kemiripan - Tentukan NilaiThreshold dalam rentang 0 hingga 1 - Jika dilakukan pencarian bandingkan ciri citra yang diektrak dengan data yang ada dalam database dengan Euclide distance. - Selama pencarian hitung masing-masing nilaieuclid, simpan nilaiterkecilnya, simpan perbandingan nilai tersebut untuk tiap rekordnya dan bandingkan dengan total keseluruhan nilai euclide dalam tabel. - Nilai euclid yang terkecil (dalam bentuk persentase) dibandingkan dengan nilai threshold yang ditetaPkan user. - Jika nila berada dalam jangkauan threshold maka kemiripan dianggap telah ditemukan.simpan posisi rekord pada data yang ditemukan kemiripannya. - lnformasikan path dari rekord yang ditemukan kemiripan nilai cirinya. 4. Tampilkan hasil pencarian.
1.
2.
.
.
3.
rh..,d: FrEl
s.ft
J
Gambar. 7. Key Query Citra
t6d&x2$ddhhJ
a*x^
24d,ldJwdd:r0.G1,62
(@!rFos
::,:::) rhd, Fii I i Dtu.aK.6!n*.ddre
I
&,\D
Mrtu
sm
Jr
1|Zn
ji i{
til0
d,Urrr\u.'rb xu! Aa tc6 Bn zD
s,+e | i!,ru 1.-"i1+ M.& shrod! s'ffir
i;
-L_ Gambar.
o.m B.m um tff.n 4 oz o ta
;^i
I
i I
i i i
I
i
8. Hasil euery yang mirip
Gambar 7 dan I di atas merupakan contoh aplikasi bagaimana meng-query-kan input citra dan pemrosesan oleh system sehingga di temukan kemiripan yang di dasirkan aias property statistic dari citra input.
5. Kesimpulan Dari implementasidiatas dapat disimpulkan bahwa 1. lmage retrieval berdasarkan histogram statistic citra cukup memenuhi standar information retrieval 2. Query didasarkan pada intensitas statistik histogram citra /l\/lin ma- maAa \iviiii,iiiiix,iiiuue,inean,median,siandai-d deviasi, kemirii-rgan dan kuriosis) 3. Retrieving dan Extraction cepat Kemiripan didasarkan pada batasan ciri statistik, dan bukan pada ciri lainnya. 1 5. Baik untuk data citra yang homogen 6. Studi awal untuk analisa bentuk Tulisan ini jauh dari sempurna, menurut penulis ekstraksi ciri berdasarkan ciri statistik .belum memenuhi impian :
seperti query pada database tradisional tnOevlsl. Untuk itu
diperlukan fitur-fitur lainnya yang membutuhkan studi lebih lanjut (Shape, ieometii'atau analisa tekstur) atau gabungan dari beberapa fitur tersebut.
tecftno Science ,/o[ 3 No.2 Oft1o6er 2009
45s
DAFTAR PUSTAKA [1] Guojun Lu, "Multimedia Database Management Systems", Arteh House Boston Lordtrr 1999.
Rafael C Gonzales and Richard E Woods, 'Digital lmage Processing", Addison-Wesby Publishing Company, 1992. [3] Rinaldi Munir, "Pengolahan Gitra Digital", lnformatika, Bandung,2004. [4] Sudjana, "Metoda Statistika", Tarsito Bandung, 1996. [5] Theo Pavlidis, "Graphics And lmage Processing", Computer Science Press, lnc., 1982. [6] Yusuf Wibisono, "Metode Statistik', Gadjah Mada University Press, 2005.
[2]