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 i
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 ii
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
iii
Judul Nama NIM
: Ekstraksi Ciri Warna, Bentuk dan Tekstur untuk Temu Kembali Citra Hewan. : Idaliana Kusumaningsih : 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:
iv
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
v
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.
vi
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
iv
DAFTAR GAMBAR Halaman 1 2 3 4 5 6 7 8 9 10 11 12 13
Fungsi Cauchy ................................................................................................................................. 2 Operator Sobel ................................................................................................................................. 2 Metodologi penelitian ...................................................................................................................... 4 Citra sebelum dan sesudah dilakukan image enhancement.............................................................. 6 Citra sebelum dan sesudah cropping. .............................................................................................. 6 Citra Red panda ............................................................................................................................... 7 Hasil FCH dengan Cauchy 30 bin.................................................................................................... 7 Citra Canine ..................................................................................................................................... 7 Citra Canine (grayscale) sebelum dan sesudah dilakukan Sobel edge detection ............................. 7 Hasil edge direction histogram 36 bin ............................................................................................. 7 Citra leopard sebelum dan sesudah diubah menjadi grayscale ........................................................ 8 Hasil co-occurrence matrix dengan 7 ciri tekstur ............................................................................ 8 Grafik perbandingan nilai recall precision rata-rata seluruh citra ................................................. 10
DAFTAR TABEL Halaman 1 2 3 4 5 6 7
Perbandingan nilai recall precision pada kelas Bear ....................................................................... 8 Perbandingan nilai recall precision pada kelas Canine ................................................................... 8 Perbandingan nilai recall precision pada kelas Skunk..................................................................... 9 Perbandingan nilai recall precision pada kelas Red panda .............................................................. 9 Perbandingan nilai recall precision pada kelas Walruses ................................................................ 9 Perbandingan nilai recall precision pada kelas Leopard ................................................................. 9 Perbandingan nilai recall precision rata-rata seluruh citra pada database..................................... 10
DAFTAR LAMPIRAN Halaman 1 2 3 4 5
Nilai recall precision temu kembali citra menggunakan ciri warna untuk beberapa jumlah bin histogram ......................................................................................................................................... 13 Penentuan nilai threshold pada Sobel edge detector ...................................................................... 14 Nilai recall precision temu kembali citra menggunakan ciri tekstur untuk beberapa jumlah level keabuan ........................................................................................................................................... 15 Beberapa citra yang ada di dalam database .................................................................................... 16 Hasil temu kembali citra hewan ..................................................................................................... 18
v
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, masingmasing 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 1
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).
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. -1
-2
-1
-1
0
1
0
0
0
-2
0
2
1
2
1
1
0
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).
Sumbu x Sumbu y Sumbu x Gambar 2. Operator Sobel 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.
Gambar 1. Fungsi Cauchy.
Misal diketahui sebuah citra Q(i,j), dan P adalah sebuah matriks. Elemen P(i,j) menyatakan jumlah berapa kali titik tersebut 2
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 nilainilai 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.
(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 ratarata 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
(5) (C) Energy Energy menyatakan tingkat keseragaman piksel-piksel suatu citra. Semakin tinggi nilai energy, maka semakin seragam teksturnya.
=
Precision
(11)
=
(12)
dengan Ra adalah jumlah citra relevan yang ditemukembalikan, R adalah jumlah citra relevan dalam database dan A adalah jumlah seluruh citra yang ditemukembalikan.
(6) (G) Homogeneity Homogeneity menyatakan ukuran kedekatan setiap elemen dari cooccurrence 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.
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.
3
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 c’ c
= fungsi keanggotaan Cauchy = jarak Euclid antara c dengan c’ = warna pada bin FCH = 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)
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
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 4
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, 45o, 90o, dan 135o. 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, 45o, 90o, 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).
5
HASIL DAN PEMBAHASAN
(17)
Data Penelitian 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 kueri citra Q terjadi.
, jika
= peluang terjadinya citra yang memiliki ciri warna, jika citra kueri yang memiliki ciri warna CC terjadi. = peluang terjadinya citra yang memiliki ciri bentuk, jika citra kueri yang memiliki ciri bentuk CS terjadi. = peluang terjadinya citra yang 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).
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.
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.
Gambar
4. Citra sebelum dan sesudah dilakukan image enhancement.
Gambar 5. Citra sebelum dan sesudah cropping.
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
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 6
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.
Gambar 6. Citra Red panda.
Gambar 7. Hasil FCH dengan Cauchy 30 bin. Ekstraksi Ciri Bentuk Gambar 8. Hasilciri FCHbentuk dengan Cauchy Bin Ekstraksi dimulai 25dengan melakukan temu kembali tepi citra dengan operator Sobel. Berdasarkan Lampiran 2, nilai Gambar dengan Cauchy Bin threshold8. Hasil yang FCH memperbesar nilai 25rata-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.
Gambar 8. Citra Canine.
Gambar 9. Citra Canine (grayscale) sebelum dan sesudah dilakukan Sobel edge detection.
Gambar 10. Hasil edge direction histogram 36 bin. 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 cooccurrence 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.
7
0.7, 0.8, 0.9 dan 1 lebih tinggi daripada dengan gabungan ketiga ciri. Tabel 1. Perbandingan nilai recall precision pada kelas Bear
Gambar 11. Citra leopard sebelum dan sesudah diubah menjadi grayscale.
Gambar 12. Hasil co-occurrence matrix dengan 7 ciri tekstur. 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,
Recall 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Rataan
Warna 1 0.2836 0.2296 0.2057 0.1953 0.1906 0.1876 0.1841 0.1835 0.1867 0.1839 0.2755
Bentuk 1 0.3016 0.2529 0.2270 0.2149 0.2028 0.1945 0.1890 0.1865 0.1863 0.1840 0.2854
Tekstur 1 0.3185 0.2591 0.2434 0.2385 0.2221 0.2178 0.2082 0.2040 0.2030 0.1949 0.3009
Gabungan 1 0.3445 0.2800 0.2533 0.2415 0.2292 0.2166 0.2059 0.1968 0.1930 0.1850 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 ratarata precision menggunakan ciri warna lebih tingggi daripada menggunakan ciri bentuk dan tekstur. Tabel 2. Perbandingan nilai recall precision pada kelas Canine Recall 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Rataan
Warna 1 0.3509 0.2657 0.2322 0.2241 0.2163 0.2125 0.2097 0.2053 0.1954 0.1853 0.2885
Bentuk 1 0.3180 0.2545 0.2283 0.2176 0.2145 0.2130 0.2116 0.2124 0.2098 0.1942 0.2976
Tekstur 1 0.2593 0.2251 0.2185 0.2139 0.2126 0.2133 0.2107 0.2079 0.2045 0.1920 0.2871
Gabungan 1 0.3601 0.2823 0.2564 0.2432 0.2338 0.2263 0.2188 0.2106 0.2026 0.1873 0.3110
Perbandingan nilai recall precision pada 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. 8
Berdasarkan nilai recall dapat dilihat juga bahwa pada recall 0.1 nilai precision dengan ciri warna lebih tinggi daripada dengan ciri bentuk dan tekstur. Tabel 3. Perbandingan nilai recall precision pada kelas Skunk Recall 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Rataan
Warna 1 0.3118 0.2465 0.2286 0.2190 0.2120 0.2091 0.2028 0.1956 0.1888 0.1779 0.2902
Bentuk 1 0.2965 0.2546 0.2472 0.2421 0.2343 0.2272 0.2196 0.2099 0.2012 0.1820 0.3013
Tekstur 1 0.2764 0.2502 0.2307 0.2184 0.2129 0.2101 0.2109 0.2066 0.1973 0.1730 0.2897
Gabungan 1 0.3348 0.2941 0.2682 0.2518 0.2401 0.2314 0.2232 0.2164 0.2042 0.1746 0.3129
Perbandingan nilai recall precision pada kelas Red panda dapat dilihat pada Tabel 4. Berdasarkan Tabel 4 dapat dilihat bahwa nilai 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. Tabel 4. Perbandingan nilai recall precision pada kelas Red panda Recall 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Rataan
Warna 1 0.4306 0.3642 0.3237 0.3078 0.2917 0.2820 0.2717 0.2594 0.2329 0.1949 0.3599
Bentuk 1 0.1926 0.1865 0.1884 0.1940 0.1979 0.1990 0.1986 0.1964 0.1902 0.1760 0.2654
Tekstur 1 0.3079 0.2480 0.2268 0.2127 0.2039 0.1995 0.1969 0.1968 0.1884 0.1755 0.2869
Gabungan 1 0.3844 0.3143 0.2784 0.2649 0.2512 0.2384 0.2287 0.2193 0.2055 0.1763 0.3238
Perbandingan nilai recall precision pada kelas Walruses dapat dilihat pada Tabel 5. Berdasarkan Tabel 5 dapat dilihat bahwa nilai 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. Tabel 5. Perbandingan nilai recall precision pada kelas Walruses Recall 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Rataan
Warna 1 0.2091 0.1727 0.1554 0.1510 0.1483 0.1465 0.1459 0.1465 0.1464 0.1379 0.2327
Bentuk 1 0.2136 0.1520 0.1371 0.1300 0.1244 0.1228 0.1239 0.1271 0.1324 0.1335 0.2179
Tekstur 1 0.2655 0.2301 0.2122 0.2002 0.1893 0.1797 0.1737 0.1709 0.1657 0.1469 0.2667
Gabungan 1 0.2772 0.2247 0.1980 0.1883 0.1801 0.1746 0.1676 0.1620 0.1547 0.1388 0.2605
Perbandingan nilai recall precision pada kelas Leopard dapat dilihat pada Tabel 6. Berdasarkan Tabel 6 dapat dilihat bahwa nilai 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. Tabel 6. Perbandingan nilai recall precision pada kelas Leopard Recall 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Rataan
Warna 1 0.4100 0.3290 0.2968 0.2778 0.2569 0.2400 0.2254 0.2140 0.1984 0.1721 0.3292
Bentuk 1 0.8111 0.7686 0.7049 0.6653 0.6228 0.5768 0.5204 0.4618 0.3759 0.2042 0.6102
Tekstur 1 0.7159 0.6676 0.6542 0.6392 0.6215 0.6018 0.5657 0.5143 0.3556 0.2261 0.5965
Gabungan 1 0.7551 0.7276 0.7035 0.6907 0.6697 0.6347 0.5912 0.5279 0.4155 0.2243 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. Berdasarkan Tabel 7 dapat dilihat bahwa nilai 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 rata9
rata precision menggunakan ciri bentuk sebesar 0.3321 dan ciri warna paling rendah yaitu sebesar 0.2997. Tabel 7. Perbandingan nilai recall precision rata-rata seluruh citra dalam database Recall 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Rataan
Warna 1 0.3363 0.2705 0.2425 0.2313 0.2211 0.2147 0.2083 0.2023 0.1929 0.1769 0.2997
Bentuk 1 0.3588 0.3149 0.2918 0.2802 0.2689 0.2583 0.2464 0.2348 0.2182 0.1808 0.3321
Tekstur 1 0.3580 0.3137 0.2983 0.2880 0.2780 0.2715 0.2622 0.2512 0.2203 0.1863 0.3389
Gabungan 1 0.4124 0.3557 0.3282 0.3152 0.3024 0.2885 0.2742 0.2569 0.2307 0.1826 0.3588
Grafik perbandingan nilai recall precision rata-rata seluruh citra dalam database dapat dilihat pada Gambar 13.
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.
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 ratarata 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.
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.
10
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.
11
LAMPIRAN
12
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.
13
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.
14
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.
15
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
citra_075.jpg
citra_076.jpg
citra_098.jpg
citra_101.jpg
citra_103.jpg
citra_111.jpg
citra_116.jpg
citra_131.jpg
citra_149.jpg
citra_156.jpg
citra_162.jpg
citra_187.jpg
citra_201.jpg
citra_202.jpg
citra_210.jpg
citra_223.jpg
citra_231.jpg
citra_237.jpg
citra_247.jpg
citra_247.jpg
citra_255.jpg
citra_260.jpg
citra_263.jpg
citra_310.jpg
citra_312.jpg
2 Kelas Canine
3 Kelas Skunk
16
Lanjutan 4 Kelas Red Panda
citra_322.jpg
citra_326.jpg
citra_327.jpg
citra_334.jpg
citra_343.jpg
citra_348.jpg
citra_350.jpg
citra_354.jpg
citra_358.jpg
citra_381jpg
citra_422.jpg
citra_424.jpg
citra_430.jpg
citra_442.jpg
citra_444.jpg
citra_446.jpg
citra_447.jpg
citra_448.jpg
citra_449.jpg
citra_450.jpg
citra_502.jpg
citra_505.jpg
citra_511.jpg
citra_512.jpg
citra_515.jpg
citra_537.jpg
citra_575.jpg
citra_578.jpg
citra_582.jpg
citra_592jpg
5 Kelas Walruses
6 Kelas Leopard
17
Lampiran 5 Hasil temu kembali citra hewan Hasil temu kembali citra menggunakan ciri warna.
Hasil temu kembali citra menggunakan ciri bentuk.
18
Lanjutan Hasil temu kembali citra menggunakan ciri tekstur.
Hasil temu kembali citra menggunakan gabungan ketiga ciri (warna, bentuk, tekstur).
19
1
