FUZZY RULE-BASED SISTEM TEMUKEMBALI CITRA BUNGA
ADI SUCIPTO AJI
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007
PERNYATAAN MENGENAI TESIS Saya menyatakan dengan sebenar-benarnya bahwa tesis saya yang berjudul : Fuzzy Rule-Based Sistem Temukembali Citra Bunga ini adalah benar-benar asli karya saya dengan arahan komisi pembimbing dan bukan hasil jiplakan atau tiruan tulisan siapapun serta belum pernah diajukan dalam bentuk apapun kepada perguruan tinggi manapun.
Bogor, Mei 2007 Adi Sucipto Aji G 651040064
RINGKASAN ADI SUCIPTO AJI. Fuzzy Rule-Based Sistem Temukembali Citra Bunga. Dibawah bimbingan MARIMIN dan YENI HERDIYENI. Sistem temukembali citra merupakan bidang yang mengintegrasikan berbagai disiplin ilmu yaitu antara lain temukembali informasi (information retrieval), pemrosesan citra (digital image processing) dan basisdata. Penelitian dalam bidang sistem temukembali citra ini dipicu oleh semakin pesatnya perkembangan internet dan website, semakin murahnya peralatan akuisisi citra (imaging device), aplikasi perpustakaan dijital (digital libraries), pengarsipan citra (image archieve) dan video-on-demand. Perkembangan terkini hasil penelitian dalam sistem temukembali citra dimanfaatkan tidak hanya terbatas dalam bidang computer vision dan basisdata saja, tetapi dimanfaatkan juga untuk aplikasi dibidang lain seperti permodelan biologi, peramalan cuaca, citra medis, citra satelit dan lain-lain dalam bentuk interactive image undestanding. Metode pencarian dan pengklasifikasian citra dalam sistem temukembali citra yang berbasis ciri (image features) dilakukan dengan memanfaatkan kemiripan ciri citra yaitu warna, tekstur dan bentuk. Terdapat tiga masalah utama yang masih terus dikaji dan diteliti sampai saat ini yaitu perbedaan persepsi pengguna terhadap citra yang sama, keinginan subyektif pengguna sistem dan penggunaan bobot pada masing-masing ciri citra sehingga sistem tidak bisa merefleksikan pola-pikir manusia. Penelitian ini mengembangkan suatu metode baru yaitu merancang dan menganalisis sistem pengetahuan berbasis fuzzy untuk pengukuran kemiripan dalam sistem temukembali citra. Implementasi logika fuzzy dalam rancangan basis pengetahuan sistem direpresentasikan dengan fungsi implikasi fuzzy. Pendekatan perancangan sistem yang digunakan adalah pendekatan perancangan sistem pakar berbasis pengetahuan. Penggunaan pendekatan perancangan sistem ini yang menjadi sumber pengetahuan dalam sistem temukembali citra adalah informasi tentang warna dan bentuk citra. Pengetahuan yang telah diakuisisi oleh sistem kemudian direpresentasikan dalam bentuk kaidah fuzzy IF…THEN dan digunakan untuk membangun basis pengetahuan (basis kaidah fuzzy) sistem temukembali citra. Basis kaidah fuzzy ini berfungsi sebagai alat untuk merepresentasikan pola pikir manusia dalam menterjemahkan keinginan subyektif pengguna sistem temukembali citra. Proses utama yang terdapat dalam rancangan sistem temukembali citra adalah pengindeksan dan temukembali. Proses pengindeksan adalah proses melakukan segmentasi berdasarkan ciri citra yaitu ciri warna dengan metode histogram dan ciri bentuk dengan metode momen invarian. Proses temukembali adalah proses pengimplementasian logika fuzzy yang terdiri dari tahapan fuzzyfikasi nilai crisp ciri citra, melakukan inferensi pada setiap kaidah fuzzy, defuzzyfikasi nilai fuzzy agregat serta visualisasi nominasi citra yang relevan. Basis kaidah fuzzy untuk pengukuran kemiripan citra antara citra query dengan basisdata menggunakan tiga peubah linguistik yaitu sama, mirip dan beda. Peubah linguistik ini digunakan untuk klasifikasi masukan ciri warna dan bentuk serta klasifikasi citra keluaran.
Penelitian terdiri dari tiga tahap yaitu ekstraksi ciri, pembuatan basis kaidah fuzzy dan pengukuran kinerja sistem. Tahap ekstraksi ciri merupakan proses segmentasi citra berdasarkan warna dan bentuk atau pengindeksan citra. Metode yang digunakan untuk segmentasi warna adalah histogram dengan bin warna yang sudah didefinisikan (warna referensi) dan metode untuk segmentasi bentuk adalah momen invarian. Tahap pembuatan basis kaidah fuzzy adalah tahapan untuk mengimplementasikan basis kaidah fuzzy dalam sistem temukembali citra untuk pengukuran kemiripan. Tahapan ini meliputi strategi pembuatan basis kaidah fuzzy, seleksi basis kaidah fuzzy terbaik dan penentuan parameter fuzzyfikasi yang optimum. Validasi dan verifikasi yaitu tahapan penilaian kinerja sistem dengan menggunakan nilai presisi dan recall. Perancangan basis kaidah fuzzy dilakukan dengan cara menghitung jumlah kemungkinan kombinasi keluaran dari masing-masing peubah linguistik masukan dengan metode pengklasifikasian citra secara menurun. Kombinasi keluaran yang dihasilkan adalah 6 kombinasi untuk ciri sama, 4 kombinasi untuk ciri mirip dan 6 kombinasi untuk ciri beda sehingga membentuk 144 basis kaidah fuzzy. Setiap basis kaidah fuzzy terdiri dari sembilan kaidah fuzzy (R) dan setiap kaidah fuzzy terdiri dari tiga peubah linguistik ciri warna (W) dan bentuk (B) serta keluaran (C). Struktur yang digunakan adalah sebagai berikut : Basis Kaidah Fuzzy ke-i : Rj : IF warna IS Wj AND bentuk IS Bj THEN citra IS Cj Model Mamdani yang digunakan untuk sistem inferensi fuzzy dalam sistem temukembali citra ini menggunakan tiga metode implikasi yaitu Mamdani, Aljabar dan Einstein. Dalam sistem inferensi fuzzy model Mamdani ini terdapat dua parameter yang berpengaruh terhadap kinerja sistem temukembali citra yaitu parameter untuk fuzzyfikasi. Hasil percobaan nilai parameter yang optimum untuk proses fuzzyfikasi pada fungsi cauchy adalah pemulus kurva α = 2 dan lebar partisi Np = 20. Nilai parameter untuk proses defuzzyfikasi pada fungsi segitiga yaitu pusat kurva (γ) masing-masing peubah linguistik adalah γsama = 0 ; γmirip =0,5 dan γbeda = 1. Terdapat dua tahapan untuk mendapatkan basis kaidah fuzzy yang terbaik. Pertama adalah tahapan seleksi kombinasi yaitu percobaan dengan penilaian secara persepsi terhadap citra keluaran yang dihasilkan oleh masing-masing kombinasi. Tahapan seleksi kombinasi ini menghasilkan 24 basis kaidah fuzzy. Kedua adalah tahapan percobaan pada 24 basis kaidah fuzzy untuk mendapatkan basis kaidah fuzzy yang mempunyai kinerja terbaik. Tahapan percobaan ini menghasilkan basis kaidah fuzzy terbaik untuk masing-masing metode implikasi dan terbaik untuk ketiga metode implikasi. Hasil percobaan menunjukkan bahwa kinerja sistem temukembali citra dipengaruhi oleh metode implikasi yang digunakan, dan kinerja basis kaidah fuzzy terbaik adalah yang mempunyai informasi warna lebih dominan dibandingkan dengan bentuk dalam penentuan kemiripan citra. Percobaan dengan tiga metode implikasi yaitu Mamdani, Aljabar dan Einstein menghasilkan nilai presisi berturut–turut adalah 86,44 %, 87,89 % dan 87,56 %, dimana metode Mamdani menghasilkan citra yang lebih baik dibandingkan dengan metode lainnya secara persepsi. Basis kaidah fuzzy yang mempunyai kinerja terbaik untuk ketiga metode implikasi adalah : jika citra basisdata warnanya sama atau
beda dan bentuknya sama atau mirip atau beda dengan citra query maka diklasifikasikan menjadi sama atau beda dengan citra query tergantung klasifikasi warna ; jika citra basisdata warnanya mirip dan bentuknya sama atau mirip dengan citra query maka diklasifikasikan menjadi mirip dengan citra query ; jika citra basisdata warnanya mirip dan bentuknya beda maka diklasifikasikan menjadi beda dengan citra query. Sistem temukembali citra yang mengimplementasikan basis kaidah fuzzy dapat dikembangkan untuk aplikasi dalam bidang pertanian modern yang berbasis informasi teknologi. Faktor-faktor yang perlu diperhatikan dalam pengembangan aplikasi dalam bidang pertanian adalah pembuatan basisdata training untuk masing-masing komoditi pertanian serta pencahayaan dan sudut pandang kamera untuk mengakuisisi citra sebagai masukan sistem. Pengembangan sistem temukembali citra untuk aplikasi bidang pertanian antara lain adalah identifikasi jenis bunga, buah, kayu, sortasi hasil panen, klasifikasi lahan pertanian dan perpustakaan dijital.
ABSTRAK ADI SUCIPTO AJI. Fuzzy Rule-Based Sistem Temukembali Citra Bunga. Dibawah bimbingan MARIMIN dan YENI HERDIYENI. Masalah utama dalam sistem temukembali citra adalah ambiguitas persepsi manusia terhadap suatu citra dan metode pembobotan ciri yang tidak fleksibel untuk pengukuran kemiripan. Penelitian ini mengembangkan metode baru untuk pengukuran kemiripan citra dari ciri (image features) warna dan bentuk dengan menggunakan basis kaidah fuzzy. Basis kaidah fuzzy ini berfungsi sebagai alat untuk merepresentasikan pola pikir manusia dalam menterjemahkan keinginan subyektif pengguna sistem temukembali citra. Proses utama yang terdapat dalam sistem temukembali citra adalah pengindeksan dan temukembali. Proses pengindeksan adalah proses melakukan segmentasi berdasarkan ciri citra yaitu ciri warna dengan metode histogram dan ciri bentuk dengan metode momen invarian. Proses temukembali adalah proses pengimplementasian logika fuzzy yang terdiri dari tahapan fuzzyfikasi nilai crisp ciri citra, melakukan inferensi pada setiap kaidah fuzzy, defuzzyfikasi nilai fuzzy agregat serta visualisasi nominasi citra yang relevan. Basis kaidah fuzzy untuk pengukuran kemiripan citra antara citra query dengan basisdata menggunakan tiga peubah linguistik yaitu sama, mirip dan beda. Peubah linguistik ini digunakan untuk klasifikasi masukan ciri warna dan bentuk serta klasifikasi citra keluaran. Hasil percobaan menunjukkan bahwa kinerja sistem temukembali citra dipengaruhi oleh metode implikasi yang digunakan, dan kinerja basis kaidah fuzzy terbaik adalah yang mempunyai informasi warna lebih dominan dibandingkan dengan bentuk dalam penentuan kemiripan citra. Percobaan dengan tiga metode implikasi yaitu Mamdani, Aljabar dan Einstein memberikan nilai presisi berturut–turut adalah 86,44 %, 87,89 % dan 87,56 %, dimana metode Mamdani menghasilkan citra yang lebih baik dibandingkan dengan metode lainnya secara persepsi. Basis kaidah fuzzy yang mempunyai kinerja terbaik untuk ketiga metode implikasi adalah : jika citra basisdata warnanya sama atau beda dan bentuknya sama atau mirip atau beda dengan citra query maka diklasifikasikan menjadi sama atau beda dengan citra query tergantung klasifikasi warna ; jika citra basisdata warnanya mirip dan bentuknya sama atau mirip dengan citra query maka diklasifikasikan menjadi mirip dengan citra query ; jika citra basisdata warnanya mirip dan bentuknya beda maka diklasifikasikan menjadi beda dengan citra query. Keywords: Sistem Temukembali Citra, Logika Fuzzy, Basis Kaidah Fuzzy, Persepsi Manusia, Pembobotan Ciri.
ABSTRACT ADI SUCIPTO AJI. Fuzzy Rule-Based Image Retrieval Systems. Under the direction of MARIMIN and YENI HERDIYENI. The common problems on image retrieval systems are vagueness and ambiguity of human perception of image similarity and rigidness on weighted features. This research develop a new method for measuring image similarity base on color and shape features by embedding the fuzzy logic called fuzzy rule-based method. Fuzzy rule-based as human thinking representation tends to capture systems user subjectivity. Two major processes in image retrieval systems are indexing and retrieval. Indexing process are image features segmentation process by color using histogram and shape using invariant moment. Retrieval process are fuzzy logic implementation with following steps : image features fuzzyfication, inferences among fuzzy rule-based, defuzzyfication and visualisation of relevant image nomination. Fuzzy rule-based for measuring image similarity comprise three linguistic variables sama, mirip and beda on each image features. The experiment result shows that implication method influences the systems performance. Highest precision values on Mamdani, Algebra and Einstein methods respectively are 86.44 %, 87.89 % and 87.56 %, which is by perception criteria Mamdani’s method producing better image than the others. Highest performance of fuzzy rule-based on 3rd implication method are : if color is sama or beda and shape is sama or mirip or beda then image is sama or beda depend on color classification ; if color is mirip and shape is sama or mirip then image is mirip ; if color is mirip and shape is beda then image is beda. Keywords: Image Retrieval Sytems, Fuzzy Logic, Fuzzy Rule-Based, Human Perceptions, Weighted Features.
© Hak cipta milik Institut Pertanian Bogor, tahun 2007 Hak cipta dilindungi Dilarang mengutip dan memperbanyak tanpa izin tertulis dari Institut Pertanian Bogor, sebagian atau seluruhnya dalam bentuk apapun, baik cetak, fotokopi, mikrofilm, dan sebagainya
FUZZY RULE-BASED SISTEM TEMUKEMBALI CITRA BUNGA
ADI SUCIPTO AJI
Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Departemen Ilmu Komputer
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007
Judul Tesis Nama NIM Program Studi
: : : :
Fuzzy Rule-Based Sistem Temukembali Citra Bunga Adi Sucipto Aji G651040064 Ilmu Komputer
Disetujui Komisi Pembimbing
Prof. Dr. Ir. Marimin, MSc. Ketua
Yeni Herdiyeni, SSi. MKom. Anggota
Diketahui Ketua Program Studi Ilmu Komputer
Dr. Ir. Sugi Guritman
Tanggal Ujian : 28 Mei 2007
Dekan Sekolah Pascasarjana Institut Pertanian Bogor
Prof. Dr. Ir. Khairil Anwar Notodiputro, MS.
Tanggal Lulus :
KATA PENGANTAR Puji syukur dipanjatkan ke hadirat Allah SWT sehingga penulis bisa menyelesaikan tesis ini. Shalawat serta salam semoga selalu tercurah kepada Nabi Muhammad SAW hingga akhir zaman. Amin. Tema yang dipilih dalam penelitian ini adalah tentang sistem temukembali dengan judul Fuzzy Rule-Based Sistem Temukembali Citra Bunga. Penulis mengucapkan terimakasih kepada : 1. Bapak Prof. Dr. Ir. Marimin MSc. sebagai ketua komisi pembimbing yang telah memberikan arahan dalam perancangan sistem pakar, penelitian dan penulisan tesis. 2. Ibu Yeni Herdiyeni SSi. MKom. sebagai anggota komisi pembimbing yang telah memberikan arahan dalam perancangan sistem temukembali citra, penelitian dan penulisan tesis. 3. Bapak Irman Hermadi SKom. MS. sebagai dosen penguji yang telah meluangkan waktu untuk menguji dan memberikan saran-saran dalam penulisan tesis. 4. Teman-teman di Laboratorium Kecerdasan Komputasional, Departemen Ilmu Komputer, Institut Pertanian Bogor yang telah memberikan saran-saran yang berguna untuk pelaksaan penelitian. Penulis mempersembahkan karya ilmiah ini untuk keluarga di Madura dan Kotabumi - Lampung, istri tercinta Sukma Witasari dan anak-anak tersayang : Nisrina Alissabila, Ahmad Haziq Al Musyarrif dan Ahsan Malik Al Farisi yang telah memberikan dorongan moril. Banyak kekurangan dalam tesis ini, untuk itu penulis mengharapkan kritik atau saran untuk memperbaiki tesis ini. Semoga karya ilmiah ini bermanfaat.
Bogor, Mei 2007 Adi Sucipto Aji
RIWAYAT HIDUP Penulis dilahirkan di Sampang pada tanggal 2 Desember 1967 dari ayah Moh. Sirad Atmaja dan ibu Siti Kamtinah. Penulis merupakan putra kedua dari dua bersaudara. Tahun 1986 penulis lulus dari SMA Negeri 1 Pamekasan dan pada tahun yang sama lulus seleksi masuk IPB melalui jalur Penelusuran Minat dan Kemampuan. Penulis memilih kelompok minat Sistem dan Manajemen Mekanisasi Pertanian, Jurusan Mekanisasi Pertanian, Fakultas Teknologi Pertanian dan lulus pada tahun 1991. Selama menjadi mahasiswa penulis aktif di Senat Mahasiswa sebagai Koordinator Unit Kegiatan Fotografi, Himpunan Mahasiswa Keteknikan Pertanian sebagai Koordinator Kelompok Minat Sistem dan Manajemen Mekanisasi Pertanian dan Badan Perwakilan Mahasiswa. Tahun 1992 penulis menjadi Tenaga Ahli Hidrologi di PT. Prima Oriental Abadi, tahun 1993/1998 menjadi Staff Khusus Direksi bagian Electronic Data Processing di Barito Pacific Group, tahun 1998/2005 menjadi Manajer Keuangan PT. Formitra Multi Prakarsa dan sekarang penulis bekerja sebagai Tenaga Ahli di PT. Buanatama Dimensi Consultans dan PT. Citra Murni Semesta.
DAFTAR ISI DAFTAR ISI ................................................................................................... DAFTAR TABEL ........................................................................................... DAFTAR GAMBAR ...................................................................................... DAFTAR LAMPIRAN ................................................................................... I. PENDAHULUAN .................................................................................. A. Latar Belakang ................................................................................ B. Tujuan dan Manfaat......................................................................... C. Ruang Lingkup ............................................................................... II. TINJAUAN PUSTAKA ......................................................................... A. Sistem Pakar ................................................................................... B. Sistem Temukembali Citra ............................................................. C. Fungsi Kemiripan Ciri ..................................................................... D. Citra Bunga dan Model Warna........................................................ E. Segmentasi Warna .......................................................................... F. Segmentasi Bentuk ......................................................................... G. Logika Fuzzy ................................................................................... 1. Fungsi Keanggotaan ................................................................ 2. Sistem Inferensi Fuzzy ............................................................. III. METODOLOGI ..................................................................................... A. Kerangka Pemikiran ....................................................................... B. Tatalaksana dan Rancangan Proses ................................................ 1. Pra Proses ............................................................................... 2. Segmentasi ............................................................................... 3. Implementasi Logika Fuzzy .................................................... a. Masukan Crisp .................................................................. b. Fuzzyfikasi ........................................................................ c. Basis Kaidah Fuzzy .......................................................... d. Inferensi Basis Kaidah Fuzzy ........................................... e. Defuzzyfikasi .................................................................... C. Analisis Kebutuhan Sistem ............................................................. 1. Deskripsi dan Fungsi Sistem .................................................... 2. Data dan Sumber Data ............................................................. 3. Klasifikasi Pengguna................................................................ 4. Antarmuka Pengguna ............................................................... 5. Rancangan Model Sistem......................................................... 6. Lingkungan Perancangan ......................................................... D. Penilaian Kinerja ............................................................................. E. Kompleksitas Algoritma ................................................................. IV. PERANCANGAN SISTEM .................................................................. A. Arsitektur Sistem ............................................................................ B. Perancangan Masukan/Keluaran Sistem ........................................ 1. Parameter Sistem ..................................................................... 2. Parameter Pengindeksan ......................................................... 3. Parameter Sistem Inferensi Fuzzy ...........................................
i
i iii iv vi 1 1 4 4 5 5 6 7 8 10 12 14 14 15 18 18 19 19 20 20 20 21 21 23 23 24 24 25 25 26 27 28 28 29 30 30 31 31 33 34
C. Dekomposisi Sistem ........................................................................ 1. Ektraksi Ciri Citra ................................................................... 2. Query Citra ............................................................................. D. Antarmuka Pengguna ...................................................................... 1. Antarmuka Sistem ................................................................... 2. Antarmuka Masukan ............................................................... 3. Antarmuka Keluaran ............................................................... 4. Antarmuka Pengaturan Parameter ........................................... E. Pengembangan Basis Kaidah Fuzzy ............................................... V. IMPLEMENTASI SISTEM .................................................................. A. Instalasi Sistem ............................................................................... B. Prosedur Pengoperasian .................................................................. C. Kompleksitas Sistem ....................................................................... 1. Ekstraksi Ciri Warna ............................................................... 2. Ekstraksi Ciri Bentuk .............................................................. 3. Query Citra .............................................................................. VI. HASIL DAN PEMBAHASAN ............................................................... A. Segmentasi ...................................................................................... B. Parameter Fungsi Keanggotaan ...................................................... C. Penilaian Kinerja ............................................................................ 1. Kinerja Basis Kaidah Fuzzy .................................................... 2. Kinerja Sistem .......................................................................... 3. Efisiensi Sistem ........................................................................ D. Pengembangan Sistem untuk Aplikasi Pertanian ........................... VII. KESIMPULAN DAN SARAN ............................................................. A. Kesimpulan ..................................................................................... B. Saran ............................................................................................... DAFTAR PUSTAKA ..................................................................................... LAMPIRAN ....................................................................................................
ii
35 37 37 38 38 39 40 41 42 43 43 45 47 48 49 49 52 52 55 59 59 66 72 73 77 77 78 79 81
DAFTAR TABEL 1.
Kombinasi Kaidah Fuzzy .........................................................................
22
2.
Nama dan Kode Bunga ............................................................................
25
3.
Kompleksitas Algoritma ..........................................................................
51
4.
Momen Invarian Citra...............................................................................
54
5.
Basis Kaidah Fuzzy Hasil Seleksi.............................................................
62
6.
Nilai Treshold ..........................................................................................
70
7.
Efisiensi Sistem Temukembali Citra ........................................................
72
iii
DAFTAR GAMBAR
1.
Tahapan Pelaksanaan Penelitian ..............................................................
3
2.
Proses Rekayasa Pengetahuan .................................................................
5
3.
Representasi Spasial Citra ........................................................................
8
4.
Model Warna RGB dan HSV....................................................................
9
5.
Jarak Euclid Model Warna HSV ..............................................................
11
6.
Kurva Fungsi Cauchy ...............................................................................
15
7.
Sistem Inferensi Fuzzy .............................................................................
16
8.
Kerangka Pemikiran Penelitian ................................................................
18
9.
Kurva Segitiga Keluaran Sistem ..............................................................
23
10. Rancangan Antarmuka Sistem Temukembali Citra .................................
26
11. Diagram Konteks Sistem Temukembali Citra ..........................................
27
12. Arsitektur Sistem Temukembali Citra ......................................................
30
13. Diagram Aliran Data Sistem Temukembali Citra.....................................
32
14. Dekomposisi Sistem Temukembali Citra .................................................
36
15. Antarmuka Sistem ....................................................................................
39
16. Antarmuka Masukan ................................................................................
40
17. Antarmuka Keluaran ................................................................................
41
18. Antarmuka Pengaturan Parameter Sistem ................................................
42
19. Instalasi Sistem Menggunakan Batchfile...................................................
43
20. Menyalin File ke Memori dari Media Penyimpan Sistem ........................
44
21. Menyalin File Sistem ke Drive C .............................................................
44
22. Antarmuka Set Path Matlab .....................................................................
45
23. Antarmuka Penambahan Path ..................................................................
46
24. Antarmuka Pemilihan Direktori ...............................................................
46
25. Antarmuka Penyimpanan Path Sistem .....................................................
47
26. Citra Hasil Proses Segmentasi Warna ......................................................
52
27. Grafik Jumlah Bin Warna .........................................................................
53
28. Distribusi Bin Warna Referensi ................................................................
54
29. Grafik Nilai Presisi Optimasi Parameter Fuzzyfikasi ..............................
57
30. Grafik Nilai Presisi Optimasi Agregasi – Defuzzyfikasi .........................
58
iv
31. Tahapan Seleksi Tipe Kaidah ..................................................................
60
32. Grafik Nilai Presisi Seleksi Tipe Kaidah .................................................
61
33. Grafik Nilai Perbandingan Nilai Presisi Antar Metode Implikasi ............
65
34. Grafik Nilai Presisi per Jenis Bunga .........................................................
67
35. Grafik Nilai Presisi - Recall Sistem Temukembali ...................................
68
36. Citra Keluaran per Metode Implikasi .......................................................
69
37. Citra Keluaran Menggunakan Nilai Treshold ..........................................
71
38. Arsitektur Sistem Temukembali Citra Untuk Aplikasi Pertanian ............
74
39. Arsitektur Sistem Pengklasifikasian Lahan (Parulekar et al, 2005) .........
76
v
DAFTAR LAMPIRAN
1.
Warna Referensi ......................................................................................
81
2.
Tahapan Pembentukan Sistem Pakar .......................................................
82
3.
Bagan Alir Sistem Temukembali Citra ....................................................
83
4.
Basis Kaidah Fuzzy ..................................................................................
84
5.
Distribusi Warna Citra .............................................................................
85
6.
Hasil Percobaan Optimasi Parameter Fuzzyfikasi ...................................
86
7.
Hasil Percobaan Optimasi Parameter Kurva Segitiga ..............................
87
8.
Hasil Percobaan Optimasi Parameter Kurva Gaussian ............................
88
9.
Basis Kaidah Fuzzy Hasil Seleksi ............................................................
89
10. Hasil Percobaan Penilaian Kinerja Basis Kaidah Fuzzy ..........................
90
11. Hasil Percobaan Metode Aljabar dan Einstein .........................................
92
12. Nilai Presisi - Recall .................................................................................
93
vi
I.
PENDAHULUAN
A. Latar Belakang Sistem temukembali citra merupakan bidang yang mengintegrasikan berbagai disiplin ilmu yaitu antara lain temukembali informasi (information retrieval), pemrosesan citra (digital image processing) dan basisdata. Penelitian dalam bidang sistem temukembali citra ini dipicu oleh semakin pesatnya perkembangan internet dan website, semakin murahnya teknologi peralatan akuisisi citra (imaging), aplikasi perpustakaan dijital (digital libraries), pengarsipan citra (image archieve) dan video-on-demand. Menurut Smeulders (2000), tantangan terbesar adalah pemanfaatan hasil-hasil penelitian dalam bidang ini tidak hanya terbatas untuk keperluan computer vision dan basisdata, tetapi harus juga bisa digunakan untuk aplikasi dibidang lain seperti permodelan biologi, peramalan cuaca, citra medis, citra satelit dan lain-lain dalam bentuk interactive image undestanding. Pada umumnya dalam sistem temukembali citra metode yang digunakan untuk melakukan pencarian dan pengklasifikasian citra dalam basisdata adalah query menggunakan informasi tambahan dalam atribut file. Informasi tambahan dalam atribut file bervariasi seperti tanggal pembuatan, titel, subyek, komentar dan kata kunci yang berbasis teks, tergantung sistem operasi yang digunakan. Metode lain yang digunakan adalah query menggunakan citra berbasis ciri (image features). Penggunaan metode ini pencarian dan pengklasifikasian citra dilakukan dengan memanfaatkan kemiripan ciri citra yaitu warna, tekstur dan bentuk. Namun metode ini masih memiliki masalah yang masih harus dikaji dan diteliti yaitu antara lain (Xiaoling dan Kanglin, 2005) :
1
1. Adanya perbedaan persepsi pengguna terhadap citra. 2. Keinginan subyektif pengguna sistem. 3. Penggunaan bobot pada masing-masing ciri citra sehingga sistem tidak bisa merefleksikan pola-pikir manusia. Beberapa penelitian yang menggunakan logika fuzzy dalam sistem temukembali citra umumnya digunakan untuk merepresentasikan ciri citra yang bertujuan untuk meningkatkan kinerja sistem temukembali. Penelitian tersebut adalah representasi kehomogenan warna (Cheng et al, 1998), segmentasi dan representasi citra dengan histogram fuzzy Chen dan Wang (2002), Zhang dan Zhang (2004), ukuran dan bentuk fuzzy wajah manusia (Wu et al, 1993) dan ketebalan batas pinggir (Banerjee dan Kundu, 2003). Penelitian ini mengembangkan suatu metode baru yaitu merancang dan menganalisis sistem pengetahuan berbasis fuzzy untuk pengukuran kemiripan citra dengan menggunakan pendekatan perancangan sistem pakar berbasis pengetahuan.
Informasi yang dijadikan sebagai sumber pengetahuan sistem
temukembali adalah informasi tentang warna dan bentuk citra. Pengetahuan yang telah diakuisisi oleh sistem kemudian direpresentasikan dalam bentuk fungsi implikasi fuzzy IF...THEN untuk membangun basis pengetahuan sistem temukembali citra. Basis pengetahuan sistem ini berfungsi sebagai alat untuk merepresentasikan pola pikir manusia dalam menterjemahkan keinginan subyektif pengguna sistem temukembali citra. Rancangan sistem temukembali citra dibagi menjadi dua proses utama yaitu pengindeksan dan temukembali. Proses pengindeksan adalah proses melakukan segmentasi berdasarkan ciri citra yaitu ciri warna menggunakan metode histogram dan ciri bentuk menggunakan metode momen invarian.
Proses temukembali 2
adalah proses pengimplementasian logika fuzzy yang terdiri dari tahapan fuzzyfikasi nilai crisp ciri citra, melakukan inferensi pada setiap kaidah fuzzy, defuzzyfikasi nilai fuzzy agregat serta visualisasi nominasi citra yang relevan. Penelitian ini terdiri dari tiga tahap yaitu ekstraksi ciri, pembuatan basis kaidah fuzzy dan pengukuran kinerja sistem (Gambar 1). Tahap ekstraksi ciri merupakan proses segmentasi citra berdasarkan warna dan bentuk atau pengindeksan citra. Metode yang digunakan untuk segmentasi warna adalah histogram dengan bin warna yang sudah didefinisikan (warna referensi) dan metode untuk segmentasi bentuk adalah momen invarian. Hasil ekstraksi ciri ini selanjutnya digunakan untuk pembuatan file indeks citra. Tahap pembuatan basis kaidah fuzzy adalah tahapan untuk mengimplementasikan basis kaidah fuzzy dalam sistem temukembali. Tahapan ini meliputi strategi pembuatan basis kaidah fuzzy, seleksi tipe kaidah terbaik dan penentuan parameter fuzzyfikasi yang optimum. Validasi dan verifikasi yaitu penilaian kinerja sistem dilakukan dengan mengukur nilai presisi dan recall keluaran sistem.
Gambar 1. Tahapan Pelaksanaan Penelitian Pemilihan obyek citra bunga didasari karena keanekaragaman bunga baik warna maupun bentuk. Faktor-faktor yang mempengaruhi warna dan bentuk citra bunga saat perekaman oleh kamera adalah sudut pandang dan pencahayaan. 3
Perbedaan sudut pandang dan pencahayaan menyebabkan citra yang dihasilkan bervariasi warna dan bentuknya untuk setiap jenis bunga. Adanya variasi warna dan bentuk tersebut maka bunga merupakan obyek citra yang menarik untuk dijadikan bahan penelitian. B. Tujuan dan Manfaat Penelitian ini bertujuan untuk melakukan analisis dan merancang sistem pengetahuan berbasis fuzzy untuk pengukuran kemiripan citra pada sistem temukembali citra bunga. Manfaat yang diharapkan dari penelitian ini adalah (1) menjadi dasar perancangan sistem temukembali citra berbasis kaidah fuzzy dan (2) sebagai salah satu metode untuk pengembangan aplikasi dalam bidang pertanian misalnya perpustakaan dijital, sortasi hasil panen dan klasifikasi lahan. C. Ruang Lingkup Ruang lingkup penelitian ini adalah sebagai berikut : -
Obyek penelitian adalah citra bunga dalam format citra JPG.
-
Segmentasi citra dilakukan pada warna dan bentuk
-
Model warna yang digunakan RGB dan HSV.
4
II.
TINJAUAN PUSTAKA
A. Sistem Pakar Sistem pakar yang berbasis pengetahuan kecerdasan merupakan salah satu bagian dari kecerdasan buatan (berbasis pengetahuan) yang memungkinkan komputer dapat berpikir dan mengambil kesimpulan dari sekumpulan aturan atau kaidah (Marimin, 2005). Menurut Turban (1995), struktur sistem pakar terdiri dari beberapa komponen utama yang mencakup : subsistem akuisisi pengetahuan, basis pengetahuan, mesin inferensi, subsistem penjelasan dan antarmuka pengguna. Subsistem akuisisi pengetahuan merupakan kunci utama yang menentukan keberhasilan pengembangan suatu sistem pakar. Akuisisi pengetahuan dalam subsistem ini dilakukan melalui suatu proses rekayasa yang dibagi menjadi lima aktivitas yaitu (Gambar 2) :
Gambar 2. Proses Rekayasa Pengetahuan 5
-
Akuisisi pengetahuan merupakan proses ekstraksi ciri dengan melakukan segmentasi citra berdasarkan warna dan bentuk.
-
Validasi dan verifikasi pengetahuan merupakan proses pengujian sistem temukembali citra sampai mendapatkan hasil yang bisa diterima kualitasnya.
-
Merepresentasikan pengetahuan dalam bentuk fungsi implikasi untuk pembuatan basis pengetahuan fuzzy.
-
Inferensi adalah aktivitas perancangan perangkat lunak agar komputer bisa melakukan inferensi berdasarkan pengetahuan yang telah dimiliki. Sistem inferensi fuzzy yang digunakan dalam penelitian ini adalah metode Mamdani.
-
Justifikasi adalah aktivitas perancangan dan pemrograman kemampuan komputer untuk memberikan umpanbalik citra yang relevan kepada pengguna.
B. Sistem Temukembali Citra Untuk mendapatkan informasi citra yang relevan dari basisdata pada sistem temukembali citra berbasis ciri adalah dengan menggunakan ciri citra sehingga sistem menerima masukan berupa matriks piksel (Smeulder et al, 2000). Menurut Jiang et al (2006), masalah utama dalam perancangan sistem temukembali citra berbasis ciri adalah bagaimana mengintegrasikan konsep visual citra dan semantik citra untuk mendapatkan informasi dari basisdata. Terdapat dua hal yang harus diperhatikan dalam perancangan sistem temukembali citra yaitu (Sebe dan Lew, 2000) : a. Waktu proses, karena data yang diekstraksi dari suatu citra jumlahnya berbanding lurus dengan jumlah piksel, maka metode yang digunakan harus mempunyai kompleksitas waktu-komputasi yang rendah.
6
b. Efisiensi kapasitas penyimpanan, data indeks basisdata yang dihasilkan proses ekstraksi tidak terlalu besar untuk disimpan di memori. Semakin kecil data indeks basisdata maka semakin efisien memori komputer yang digunakan. C. Fungsi Kemiripan Ciri Kemiripan antara dua buah citra bisa diukur dari kedekatan nilai ciri masing-masing citra. Semakin dekat jarak nilai ciri kedua citra akan semakin tinggi tingkat kemiripannya. Ciri citra yang digunakan untuk mengukur kemiripan dua buah citra adalah warna dan bentuk. Ciri citra dalam hal ini dipandang sebagai sebuah vektor representasi citra. Menurut Duda et al (2001), untuk semua vektor x, y dan z, maka jarak antara dua vektor (d) mempunyai empat sifat yaitu : - nonnegativity
: d(x,y) ≥ 0
(1)
- reflexivity
: d(x,y) = 0 jika dan hanya jika x = y
(2)
- symmetry
: d(x,y) = d(y,x)
(3)
- triangle inequality
: d(x,y) + d(y,z) ≥ d(x,z)
(4)
Salah satu kelas untuk menghitung jarak vektor dalam ruang berdimensi n adalah fungsi minkowski. Fungsi minkowski untuk menghitung jarak vektor dengan n = 1 disebut jarak manhattan dan n = 2 disebut jarak euclid. Secara umum persamaan fungsi minkowski dn adalah sebagai berikut (Duda et al, 2001) : ⎛ m d n ( x, y ) = ⎜ ∑ xi − yi ⎝ i =1
n
⎞ ⎟ ⎠
1
n
(5)
7
D. Citra Bunga dan Model Warna Citra bunga yang dihasilkan oleh sebuah alat pencitraan merupakan produk konversi data sensor kontinyu (analog) menjadi bentuk dijital. Tahapan konversi pada peralatan pencitraan terdiri dari dua yaitu : − Sampling, yaitu proses pencacahan dimensi citra dalam satuan unit terkecil yaitu piksel. Dimensi citra ditentukan oleh jumlah piksel yang terdapat dalam citra. Perbandingan antara tinggi dan lebar citra (rasio aspek) adalah 4 : 3 untuk portrait atau 3 : 4 untuk landscape. − Kuantisasi, yaitu proses pencacahan warna citra pada setiap piksel citra. Hasil proses sampling dan kuantisasi adalah sebuah matriks dengan ukuran m x n dimana m adalah jumlah baris dan n adalah jumlah kolom. Citra merupakan representasi fungsi dua dimensi f(x,y), dimana x dan y adalah koordinat piksel sedangkan f adalah warna untuk sembarang koordinat x dan y. Citra terdiri dari himpunan nilai x, y dan warna f yang besarnya tertentu dan bersifat diskrit.
Secara spasial citra dapat digambarkan sebagai berikut
(Gonzales dan Woods, 2000) :
Gambar 3. Representasi Spasial Citra 8
Standar peralatan pencitraan dalam melakukan proses kuantisasi warna adalah dengan model warna RGB dengan jumlah ragam warna 8 bit. Sebuah citra RGB yang berdimensi m x n akan mempunyai m x n x 3 piksel warna. Jumlah ragam warna RGB 8 bit berarti setiap lapisan warna R, G, dan B terdapat 28 = 256 atau 224 = 16.777.216 ragam warna citra yang mungkin dihasilkan alat pencitraan. Menurut Stone (2003), model warna RGB mengandung tiga komponen warna yaitu merah (Red), hijau (Green) dan biru (Blue) atau disebut juga sebagai warna primer. Model warna RGB didasarkan pada sistem koordinat cartesian berbentuk kubus. Rentang nilai R, G dan B merupakan representasi semua vektor warna dalam ruang tiga dimensi R-G-B.
Model warna RGB merupakan
kombinasi dari tiga lapisan warna sehingga menghasilkan satu warna komposit.
(a) RGB
(b) HSV
Gambar 4. Model Warna RGB dan HSV Gambar 4(a) menunjukkan bahwa koordinat awal (0,0,0) adalah warna hitam, dan koordinat (255,255,255) adalah warna putih. Warna abu-abu berada disepanjang garis diagonal antara koordinat (0,0,0) sampai dengan (255,255,255), magenta merupakan hasil campuran antara warna biru dan merah, kuning antara merah dan hijau dan cyan antara biru dan hijau. 9
Model warna hue, saturation, value (HSV) yang diperkenalkan oleh Smith tahun 1978 dalam Sebe dan Lew (2000), adalah model warna yang menggunakan pendekatan pada ragam, kecerahan dan intensitas warna (Gambar 4 (b)). Secara garis besar definisi hue, saturation, value adalah : -
Hue berhubungan dengan ragam warna dari warna merah sampai biru.
-
Saturation berhubungan dengan kecerahan yaitu dari cerah sampai abu-abu.
-
Value berhubungan dengan intensitas warna dari putih ke hitam.
D. Segmentasi Warna Segmentasi warna adalah proses mengelompokkan citra ke dalam bin warna (histogram). Penggunaan histogram untuk segmentasi warna dalam sistem temukembali memiliki kelebihan yaitu karena kecepatan dan kemudahannya dalam komputasi (Deng et al, 2001). Tetapi histogram merupakan metode yang tidak sensitif terhadap manipulasi citra seperti rotasi, translasi, perubahan dimensi dan sudut pandang kamera.
Ada kemungkinan citra dengan tataletak yang
berbeda bisa mempunyai histogram yang sama (Qiu dan Lam, 2003). Dalam penelitian sebelumnya berbagai metode telah digunakan untuk meningkatkan akurasi segmentasi warna citra yaitu antara lain Berens et al (2000) melakukan kompresi pada histogram dengan transformasi Karhunen-Loeve, Qiu dan Lam (2003) menggunakan multilayer histogram yang dihasilkan oleh lowpass dan high-pass filter. Segmentasi warna citra dilakukan dengan mengelompokkan tiap piksel citra ke dalam bin warna (Lampiran 1) yang sudah didefinisikan (warna referensi). Metode ini bekerja dengan cara mencari jarak euclid minimum antara warna piksel dengan warna referensi. Perhitungan jarak euclid minimum piksel ke-i
10
dengan warna referensi ke-j model warna HSV dalam Gambar 5 adalah sebagai berikut (Mojsilovic, 2002) :
Gambar 5. Jarak Euclid Model Warna HSV
(
d ij = min ⎡ d hs + d v ⎢⎣ 2
2
)
1
2
⎤ ⎥⎦
(6)
2
d hs = x 2 + y 2
(7)
2
d v = || piv − w jv ||2
(8)
x dengan w js − pis cos α
Substitusi nilai
dan
y dengan pis cos β , sehingga
persamaan (7) menjadi : d hs = ( w js − pis cos α ) 2 + ( pis cos β ) 2 2
= pis + w js (cos 2 α + cos 2 β ) − 2 pis w js cos α 2
2
= pis + w js − 2 pis w js cos α 2
2
(9)
Hasil akhir dari persamaan (6) dengan substitusi nilai α = || pih − w jh || menjadi :
(
2
2
d ij = min psi + wsi − 2 psi wsj cos || phi − whj || + || pvi − wvj ||2 dengan
)
1
2
(10)
d = jarak euclid ph = nilai h piksel p ps = nilai s piksel p pv = nilai v piksel p 11
wh = nilai h warna referensi ws = nilai s warna referensi wv = nilai v warna referensi i
= 1 ... K
j
= 1 ... 43
Persamaan yang digunakan untuk membuat histogram normalisasi bin warna referensi ke-j pada piksel ke-i sebagai berikut :
Hj =
1 K
K
∑p, i =1
i
jika pi = w j
(11)
dengan H = histogram normalisasi p = warna piksel w = warna referensi i = 1 ... K j = 1 ... 43 E. Segmentasi Bentuk
Segmentasi bentuk adalah suatu proses mengelompokkan citra ke dalam vektor yang dihasilkan oleh fungsi posisi dan arah piksel citra dalam bidang dua dimensi. Segmentasi bentuk citra menggunakan momen invarian akan menghasilkan vektor momen citra yang invarian walaupun citra tersebut mengalami proses transformasi. Transformasi adalah teknik manipulasi citra yang meliputi rotasi, translasi, shear, penskalaan, refleksi vertikal dan horizontal. Secara matematis momen invarian merupakan persaman vektor turunan momen orde ketiga (kovarian) yang menguji independensi peubah x dan y. Proses segmentasi bentuk dilakukan dengan terlebih dahulu menghitung momen dan momen pusat citra serta normalisasinya sebagai dasar untuk melakukan penghitungan momen invarian dengan persamaan berikut (Sebe dan Lew, 2000) :
12
− Momen
m
n
: ω pq = ∑∑ x p y q f ( x, y ) m
n
− Momen Pusat : c pq = ∑∑ ( x − x) p ( y − y ) q f ( x, y )
− Normalisasi
: η pq =
c pq λ c00
(12)
(13)
(14)
dengan p, q = orde momen f
= nilai intensitas warna
x, y = koordinat piksel
x, y = pusat citra m, n = jumlah piksel vertikal dan horisontal
λ
= 1 + (p + q)/2 untuk p + q ≥ 2, 3, .....
Proses selanjutnya untuk segmentasi bentuk adalah menghitung himpunan momen yang invarian terhadap transformasi citra yaitu rotasi, translasi, shear, linear, penskalaan, refleksi vertikal dan horizontal. Momen invarian ϕ suatu citra dihitung dengan menggunakan persamaan sebagai berikut : 1. ϕ 1 = η 20 + η 02
(15)
2. ϕ 2 = (η 20 − η 02 ) 2 + 4η 112
(16)
3. ϕ 3 = (η 30 − 3η 12 ) 2 + (3η 21 − η 03 ) 2
(17)
4. ϕ 4 = (η 30 + η 12 ) 2 + (η 21 + η 03 ) 2
(18)
5.
6.
7.
ϕ5 = (η30 − 3η12 )(η30 − η12 )[(η 30 + η12 ) 2 − 3(η 21 + η03 ) 2 ] + (3η 21 − η03 )(η 21 + η03 )[3(η 30 − η12 ) 2 − (η 21 − η03 ) 2 ]
ϕ6 = (η 20 − η02 )[(η 30 + η12 ) 2 − (η 21 + η03 ) 2 ] + 4η11 (η 30 + η12 )(η 21 + η03 ) ϕ7 = (3η 21 − η03 )(η 30 + η12 )[(η 30 + η12 ) 2 − 3(η 21 + η03 ) 2 ] + (3η12 − η 30 )(η 21 + η03 )[3(η 30 + η12 ) 2 − (η 21 − η03 ) 2 ]
(19)
(20)
(21)
13
Momen invarian ke-1 sampai dengan ke-7 adalah representasi bentuk citra yang dapat dikenali walaupun citra asli mengalami proses transformasi. Momen invarian ke-1 merupakan nilai momen inersia disekitar pusat citra jika intensitas piksel diinterpretasikan sebagai densitas dan ke-7 merupakan representasi momen yang invarian terhadap ketidaksimetrisan citra secara refleksi horizontal (mirror). F. Logika Fuzzy
Teori himpunan fuzzy yang diperkenalkan oleh Zadeh tahun 1965 telah banyak diimplementasikan pada berbagai bidang antara lain untuk pengendalian otomatis, identifikasi sistem, pengenalan pola dan signal processing. Kelebihan himpunan fuzzy terletak pada kemampuan untuk menterjemahkan sifat-sifat alami yang rumit dan menjadi alat yang handal untuk mengatasi berbagai persoalan pada domain pengetahuan manusia (Gaweda dan Zurada, 2003). 1. Fungsi Keanggotaan
Menurut Zhang dan Zhang (2004) faktor-faktor yang harus dipertimbangkan dalam memilih fungsi keanggotaan untuk sistem temukembali citra adalah akurasi dan kecepatan komputasi. Penggunaan parameter yang tepat menyebabkan fungsi keanggotaan cone, eksponensial dan cauchy bisa menggambarkan faktor ketidakpastian hampir sama seperti yang direfleksikan oleh akurasi keluaran sistem temukembali citra. Jika basisdata citra berukuran besar, maka waktu komputasi fungsi keanggotaan merupakan faktor yang harus diperhatikan.
Menurut Chen dan
Wang (2002), waktu komputasi fungsi keanggotaan cauchy lebih cepat bila dibandingkan dengan cone dan eksponensial. Bentuk persamaan fungsi cauchy c : RnÆ [0 1] adalah sebagai berikut : 14
1,00
0,80
0,60
cx
2s 0,40
0,20
0,00 -26
-23
-19
-15
-11
-8
-4
0
4
7
11
15
19
22
26
x -0,20
Gambar 6. Kurva Fungsi Cauchy
cxr =
1 r r 1 + (| x − v | /s ) α
(22)
dengan c x = nilai fuzzy vektor x r r v = pusat kurva himpunan fuzzy, v ∈ R n
s = lebar kurva, s > 0
α = pemulus kurva, α ≥ 0 Berdasarkan grafik dalam Gambar 6, jika nilai s tetap, maka nilai keanggotaan fuzzy meningkat jika nilai α menurun. Jika nilai α tetap, maka nilai keanggotaan fuzzy meningkat jika nilai s meningkat. Jika nilai α = 0 maka nilai keanggotaan setiap elemen adalah 0,5. Sehingga pada fungsi cauchy parameter α dan s merupakan representasi dari nilai keanggotaan fuzzy. 2. Sistem Inferensi Fuzzy
Menurut Herrera (2005) bagian esensial dari suatu sistem yang mengimplementasikan basis kaidah fuzzy adalah himpunan kaidah fuzzy IFTHEN dimana anteseden dan konsekuennya merupakan komposisi dari 15
pernyataan fuzzy dalam bentuk fungsi implikasi fuzzy dan inferensi kaidah fuzzy. Sistem berbasis kaidah fuzzy merupakan komposisi dari pengetahuan dan informasi dari seorang pakar dalam membentuk kaidah-kaidah fuzzy. Kaidah fuzzy dalam basis pengetahuan yang direpresentasikan dalam bentuk persamaan fungsi implikasi mempunyai struktur sebagai berikut : Basis Kaidah i : Rij : IF x1 IS Ak1 AND x2 is Ak2 AND …. xk is Akl THEN zj IS Bj
(23)
dengan i = Jumlah basis kaidah j = Jumlah kaidah k = Jumlah peubah fuzzy l = Jumlah peubah linguistik
Menurut Kusumadewi dan Hartati (2006), sistem inferensi fuzzy merupakan konsep perhitungan yang didasarkan pada teori himpunan fuzzy, kaidah fuzzy berbentuk IF–THEN dan penalaran fuzzy.
Sistem inferensi fuzzy menerima
masukan himpunan crisp yang diolah oleh basis pengetahuan yang berisi n kaidah fuzzy IF - THEN. Nilai fuzzy implikasi dicari pada setiap kaidah, jika terdapat lebih dari satu kaidah fuzzy maka dilakukan agregasi dari semua kaidah dan didefuzzykasi untuk mendapatkan keluaran sistem yang crisp (Gambar 7).
Gambar 7. Sistem Inferensi Fuzzy 16
Sistem inferensi fuzzy yang digunakan dalam penelitian ini adalah model Mamdani. Perhitungan nilai fuzzy implikasi sistem inferensi fuzzy Mamdani untuk operator dasar AND adalah sebagai berikut (Zimmermann, 1987 dalam Vertran dan Boujemaa, 2000) : −
Mamdani
: µ wI b = min{µ w , µb }
(24)
−
Aljabar
: µ wI b = µ w µ b
(25)
−
Einstein
: µ wI b =
µ w µb 2 − µ w − µb + µ w µb
(26)
dengan µ = nilai fuzzy ciri
w = ciri warna b = ciri bentuk Defuzzyfikasi adalah proses untuk mengubah keluaran yang berbasis himpunan fuzzy menjadi keluaran yang crisp.
Defuzzyfikasi menggunakan
metode centroid yaitu dengan melakukan penghitungan nilai Center Of Gravity (COG) himpunan fuzzy dengan persamaan (Kusumadewi dan Hartati, 2006) :
∑ = ∑
Rij
COG j
j =1 Rij
z j µz j
µ j =1 z
(27)
j
dengan COG = centre of gravity
z
= nilai fuzzy keluaran
µ
= nilai fuzzy implikasi
R
= basis kaidah fuzzy
i
= indeks basis kaidah fuzzy
j
= indeks kaidah fuzzy
17
III. METODOLOGI A. Kerangka Pemikiran
Kerangka pemikiran untuk perancangan dan analisis sistem temukembali citra dengan mengimplementasikan logika fuzzy di Gambar 8. Proses awal dalam sistem temukembali citra adalah pengguna melakukan query menggunakan citra. Kemudian citra masukan diproses oleh sistem dengan mengekstraksi ciri warna dan bentuknya. Hasil ekstraksi ciri citra ini akan menjadi sumber pengetahuan bagi sistem dan mencari nilai kemiripannya dengan citra dalam basisdata. Nilai kemiripan ciri warna dan bentuk ini direpresentasikan dengan nilai fuzzy menggunakan
fungsi
keanggotaan
cauchy.
Nilai
fuzzy
ini
kemudian
diterjemahkan kedalam peubah linguistik oleh sistem.
Gambar 8. Kerangka Pemikiran Penelitian 18
Basis pengetahuan dibangun dari sekumpulan kaidah fuzzy dalam fungsi implikasi IF-THEN yang bertujuan untuk mewakili tujuan obyektif pengguna sistem. Selanjutnya sistem melakukan inferensi pada seluruh kaidah fuzzy dalam basis pengetahuan yang telah dibangun. Hasil inferensi dan agregasi kemudian di-defuzzyfikasi untuk mendapatkan nilai keluaran crisp dan sistem memberikan
feedback ke antarmuka pengguna untuk visualisasi hasil kerja sistem dalam bentuk urutan nominasi citra basisdata yang relevan dengan query.
Penjabaran
tahapan untuk melakukan perancangan sistem pakar berbasis pengetahuan dari kerangka pemikiran ini di Lampiran 2. B. Tatalaksana dan Rancangan Proses
Tahapan tatalaksana dan rancangan proses merupakan deskripsi dan spesifikasi dari proses utama yang terjadi dalam sistem temukembali citra. Tatalaksana dan rancangan proses terdiri dari tiga bagian yaitu praproses dan segmentasi untuk pengindeksan citra serta implementasi logika fuzzy untuk temukembali citra. 1. Pra Proses
Praproses dalam sistem temukembali terdiri dari dua bagian setelah pembacaan data warna citra RGB yaitu reduksi dimensi citra dan transformasi warna. Reduksi dimensi citra dilakukan jika dimensi citra RGB lebih besar dari jumlah piksel maksimum yaitu 86 x 65 = 5.590 piksel. Reduksi dimensi citra bertujuan untuk mempercepat proses segmentasi warna dan bentuk citra. Setelah proses reduksi dimensi kemudian citra RGB dtransformasi menjadi citra HSV untuk segmentasi warna dan citra grayscale untuk segmentasi bentuk. Hasil proses ini adalah matriks yang berukuran 86 x 65 x 3 untuk landscape atau 19
65 x 86 x 3 untuk portrait pada citra HSV dan matriks yang berukuran 86 x 65 untuk landscape atau 65 x 86 untuk portrait pada citra grayscale. 2. Segmentasi
Proses segmentasi warna dilakukan dengan mengelompokkan citra menjadi 43 bin warna referensi dan direpresentasikan dengan histogram. Pengelompokkan seluruh warna piksel citra dengan bin warna referensi dilakukan dengan cara menghitung jarak euclid terkecil dengan persamaan (10) antara warna piksel dengan warna referensi. Histogram citra dihitung dengan persamaan (11) untuk menghasilkan matriks distribusi warna citra. Proses segmentasi bentuk citra menjadi tujuh vektor momen invarian dilakukan dengan menggunakan persamaan (15) - (21). Citra yang digunakan adalah citra dalam format grayscale. Proses segmentasi bentuk dimulai dengan menghitung momen dan momen pusat citra grayscale menggunakan persamaan (12) dan (13).
Selanjutnya momen pusat ini dinormalisasi menggunakan
persamaan (14) untuk mendapatkan vektor momen invarian citra. 3. Implementasi Logika Fuzzy
Proses dalam sistem inferensi fuzzy terdiri dari empat tahap yaitu menghitung masukan crisp untuk fuzzyfikasi, melakukan inferensi pada setiap kaidah fuzzy, melakukan defuzzyfikasi terhadap nilai fuzzy hasil inferensi dan pembentukan kaidah fuzzy yang merupakan proses yang berdiri sendiri. a. Masukan Crisp
Masukan crisp ciri warna adalah jarak euclid antara dua buah citra D (basisdata) dan Q (query) yang masing-masing direpresentasikan oleh histogram dihitung dengan persamaan (5) sebagai beikut : 20
dw =
(∑
B j =1
( H Dj − H Qj ) 2
)
1
2
(28)
dengan dw = jarak euclid warna
H = histogram normalisasi B = jumlah bin warna j
= 1 ... B
Masukan crisp ciri bentuk adalah jarak euclid db tujuh vektor momen invarian ϕv antara citra D dan Q dihitung dengan persamaan (5) yaitu :
db =
(∑
7
(ϕ vD − ϕ vQ ) 2 v =1
)
1
2
(29)
dengan db = jarak euclid bentuk
ϕ = vektor momen invarian b. Fuzzyfikasi
Proses fuzzyfikasi pada masukan crisp warna dan bentuk adalah proses mengubah masukan crisp menjadi nilai yang bersifat fuzzy oleh fungsi keanggotaan. Masing-masing masukan yaitu peubah warna dan bentuk serta peubah keluaran yaitu kemiripan citra dinyatakan dengan peubah linguistik yaitu sama, mirip dan beda. Masing-masing peubah linguistik ini kemudian direpresentasikan oleh kurva cauchy. Parameter yang digunakan untuk kurva cauchy adalah pemulus dan pusat kurva. c. Basis Kaidah Fuzzy
Pembentukan basis kaidah fuzzy memerlukan adanya peubah linguistik yang berfungsi untuk merepresentasikan citra dari nilai yang bersifat fuzzy. Peubah linguistik yang digunakan untuk membangun kaidah fuzzy dalam rangka pengukuran kemiripan ciri citra terdiri dari tiga kategori yaitu sama, mirip dan beda. Ketiga peubah linguistik ini digunakan untuk anteseden yaitu ciri warna dan bentuk serta konsekuen yaitu klasifikasi citra. 21
Perancangan basis kaidah fuzzy dilakukan dengan cara menghitung jumlah kemungkinan kombinasi keluaran dari masing-masing peubah linguistik masukan dengan metode pengklasifikasian citra secara menurun. Misalnya jika terdapat ciri warna sama dan bentuk mirip diklasifikasikan menjadi mirip, maka untuk ciri warna sama dan bentuk beda klasifikasi maksimum citra adalah mirip. Tabel 1. Kombinasi Kaidah Fuzzy 1) Bagian Ciri Sama Kombinasi 1 2 3 4 5 6 sama sama sama sama sama sama sama sama sama mirip sama sama sama mirip mirip beda sama beda sama mirip beda mirip beda beda Ciri Citra
2) Bagian Ciri Mirip Kombinasi 1 2 3 sama sama sama mirip mirip mirip mirip mirip beda mirip beda mirip
Ciri Citra mirip mirip mirip
4 mirip mirip beda
3) Bagian Ciri Beda Kombinasi 1 2 3 4 5 6 beda sama sama sama sama mirip mirip beda beda mirip sama mirip beda mirip beda beda beda beda beda beda beda beda beda beda Ciri Citra
Kombinasi keluaran yang dihasilkan dari masing-masing peubah linguistik ini adalah 6 kombinasi untuk ciri sama, 4 kombinasi untuk ciri mirip dan 6 kombinasi untuk ciri beda (Tabel 1).
Sehingga jumlah basis kaidah
fuzzy yang terbentuk adalah 6 x 4 x 6 = 144 basis kaidah fuzzy (tipe kaidah) yang akan digunakan dalam penelitian ini (Lampiran 4).
22
d. Inferensi Basis Kaidah Fuzzy
Pada proses inferensi, perhitungan nilai fuzzy implikasi pada masingmasing kaidah fuzzy menggunakan persamaan (24), (25) dan (26). Nilai fuzzy implikasi kemudian diproyeksikan pada kurva segitiga untuk memperoleh nilai keluaran fuzzy. Akhir proses inferensi adalah melakukan agregasi semua nilai keluaran fuzzy untuk mendapatkan himpunan keluaran fuzzy. Kurva segitiga untuk keluaran sistem adalah sebagai berikut :
1,0
µ
sama
mirip
beda
0,5
0,0 0,0
0,5
1,0
z Gambar 9. Kurva Segitiga Keluaran Sistem e. Defuzzyfikasi
Proses defuzzyfikasi yaitu proses untuk mengubah nilai keluaran fuzzy menjadi crisp. Metode yang digunakan untuk defuzzyfikasi adalah metode centroid yaitu dengan melakukan penghitungan nilai Center Of Gravity (COG) himpunan fuzzy dengan persamaan (27).
23
C. Analisis Kebutuhan Sistem
Sebelum melakukan perancangan suatu sistem pakar terlebih dahulu harus menganalisis dan mendefinisikan faktor-faktor yang menjadi kebutuhan perancangan sistem. Tahapan untuk menganalisis dan mendefinisikan kebutuhan perancangan sistem terdiri dari tahapan deskripsi dan fungsi sistem, data dan sumber data, klasifikasi pengguna, antarmuka pengguna dan lingkungan perancangan. 1. Deskripsi dan Fungsi Sistem
Sistem temukembali citra adalah perangkat lunak yang mengintegrasikan antara aplikasi temukembali citra (image retrieval) dan pemrosesan citra (digital image processing). Sistem ini digunakan untuk melakukan pencarian dan pengklasifikasian citra dalam basisdata yang relevan dengan citra query. Fungsifungsi yang terdapat dalam sistem temukembali citra yaitu : − Ekstraksi ciri citra berfungsi untuk melakukan pengindeksan ciri warna dan bentuk citra basisdata. Hasil proses pengindeksan ciri ini adalah file indeks warna dan bentuk citra yang akan digunakan dalam proses query. − Query berfungsi untuk melakukan identifikasi dan klasifikasi citra basisdata yang relevan dengan citra masukan. − Antarmuka pengguna berfungsi sebagai media perantara interaksi antara sistem dengan pengguna. − Pengaturan parameter berfungsi untuk memberikan masukan pada sistem berupa parameter yang akan digunakan.
24
2. Data dan Sumber Data
Citra yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari website www.flowers.vg. Secara keseluruhan citra bunga yang terdapat dalam basisdata berjumlah 417 dan yang digunakan untuk obyek penelitian adalah 12 jenis bunga (Tabel 2). Tabel 2. Nama dan Kode Bunga No. 1 2 3 4 5 6 7 8 9 10 11 12
Nama Bunga Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris Lily Putih Lily Kuning Hitam
Kode DMM DAF LCK DPT MKN ASC CYM MGM LKC IRS LPT LKH
3. Klasifikasi Pengguna
Terdapat dua jenis pengguna sistem temukembali citra yaitu pengguna biasa dan pengembang sistem (knowledged engineer). Pengguna biasa adalah orang yang menggunakan sistem untuk melakukan pencarian (mengidentifikasi) dan mengklasifikasikan citra dalam basis data yang relevan dengan citra query. Pengguna ini mempunyai hak akses terbatas yaitu : − Melakukan ekstraksi ciri citra basisdata. − Melakukan query. − Melakukan pengubahan parameter sistem. Pengembang sistem adalah orang yang menggunakan sistem untuk melakukan pengembangan sistem lebih lanjut. Hak akses pengembang sistem ini tidak terbatas.
Hak akses utama pengembang sistem ini adalah melakukan
pengubahan coding program untuk tujuan tertentu. 25
4. Antarmuka Pengguna
Antarmuka pengguna sistem temukembali citra berfungsi sebagai media perantara antara pengguna dengan sistem. Interaksi antara pengguna dan sistem terjadi jika pengguna melakukan akses terhadap salah satu dari fungsi-fungsi sistem yaitu ekstraksi ciri, query dan pengaturan parameter. Adanya antarmuka ini akan memudahkan pengguna untuk berinteraksi dengan semua fungsi yang terdapat dalam sistem.
Rancangan antarmuka pengguna dalam sistem
temukembali citra terdapat dalam Gambar 10.
Gambar 10. Rancangan Antarmuka Sistem Temukembali Citra Antarmuka sistem (menu sistem) merupakan antarmuka pembuka jika sistem dieksekusi. Menu sistem ini terdiri dari empat submenu untuk mengeksekusi fungsi sistem temukembali citra yaitu ekstraksi ciri, query citra, pengaturan dan keluar sistem. a. Submenu Query Citra yaitu perintah untuk melakukan query citra ke dalam basisdata. Submenu Query Citra terdiri dari dua antarmuka yaitu : −
Antarmuka masukan yang berfungsi sebagai media untuk melakukan pemilihan citra sebagai masukan sistem. 26
−
Antarmuka keluaran yang berfungsi sebagai umpanbalik sistem ke pengguna yaitu berupa citra hasil proses query.
b. Submenu Ekstraksi Ciri yaitu perintah untuk melakukan pembuatan file indeks citra dalam basisdata. c. Submenu Pengaturan yaitu perintah untuk melakukan pengubahan parameter yang akan digunakan dalam sistem dan untuk mengubah direktori basisdata untuk query dan ekstraksi ciri citra. Informasi yang terdapat dalam antarmuka pengaturan parameter ini adalah nilai default parameter fuzzyfikasi, metode implikasi dan direktori citra yang bisa diubah oleh pengguna. d. Submenu Keluar Sistem yaitu perintah untuk keluar dari sistem. 5. Rancangan Model Sistem
Rancangan model logis sistem untuk menganalisis struktur dan fungsi sistem digambarkan dengan menggunakan Diagram Aliran Data (DAD) dalam Gambar 11 dalam bentuk diagram konteks. Terdapat dua entitas dalam diagram konteks yang terlibat dalam sistem temukembali citra yaitu pengguna dan basisdata.
Pengguna memberikan masukan yaitu berupa perintah melakukan
query, ekstraksi ciri atau pengaturan parameter dan basisdata memberikan feedback citra yang relevan.
Gambar 11. Diagram Konteks Sistem Temukembali Citra 27
Eksekusi perintah query, sistem melakukan pencarian citra relevan dalam basisdata dan memberikan feedback ke pengguna yaitu berupa citra hasil pencarian.
Perintah ekstraksi ciri, sistem akan melakukan pembuatan file
metadata, indeks warna dan bentuk citra basisdata. Perintah pengaturan parameter sistem menampilkan antarmuka yang menampilkan default parameter sistem yang akan diubah oleh pengguna. 6. Lingkungan Perancangan
Lingkungan yang digunakan untuk melaksanakan perancangan dan pengujian sistem temukembali citra ini dibagi menjadi dua yaitu : a. Perangkat keras, berupa satu unit komputer personal dengan spesifikasi teknis sebagai berikut : −
Prosesor Utama
: Pentium IV 2,4 GHz
−
Memori Utama
: 512 MBytes
−
Memori Video
: 128 MBytes
−
Media Simpan
: 80 GBytes (50 % free spaces)
b. Perangkat Lunak, perangkat lunak yang digunakan ada dua jenis yaitu : −
Sistem Operasi
−
Perancangan dan Pengujian : Matlab 7.0 Release 14 SP1
: Microsoft Windows XP
D. Penilaian Kinerja
Penilaian
kinerja
sistem
temukembali
citra
dalam
penelitian
ini
menggunakan recall dan presisi. Recall adalah jumlah citra relevan yang berhasil diidentifikasi oleh sistem dibagi dengan jumlah seluruh citra relevan dalam basisdata. Presisi adalah jumlah citra relevan yang berhasil diidentifikasi oleh sistem dibagi dengan jumlah citra yang ditampilkan oleh sistem.
Persamaan
recall dan presisi adalah sebagai berikut : 28
1. Recall (R)
∑ citra yang relevan hasil query R= ∑ citra yang relevan dalam basisdata q
1
(30)
2. Presisi (P):
∑ P=
q
1
citra yang relevan hasil query
∑ citra yang ditampilkan : (q)
(31)
E. Kompleksitas Algoritma
Algoritma adalah prosedur komputasi yang mengubah masukan menjadi keluaran. Algoritma dapat dipandang sebagai alat untuk memecahkan masalah secara komputasi yang dinyatakan dalam bentuk hubungan masukan-keluaran. Menganalisis suatu algoritma berarti menduga sumberdaya yang dibutuhkan oleh algoritma tersebut.
Sumberdaya tersebut dapat berupa memori, bandwidth
komunikasi dan waktu-komputasi (Cormen et al., 1990). Notasi yang digunakan dalam menganalisis kompleksitas algoritma adalah Θ (theta), O (big-Oh) dan Ω (omega).
Notasi Θ digunakan jika algoritma
mempunyai batas atas dan bawah asymptotic, O digunakan jika algoritma hanya mempunyai batas atas asymptotic dan Ω digunakan jika algoritma hanya mempunyai batas bawah asymptotic. Secara matematis definisi masing-masing notasi adalah sebagai berikut : 1. Θ(g(n)) = {f(n) : ada konstanta positif c1,c2 dan n0 yang memenuhi persamaan 0 ≤ c1g(n) ≤ f(n) ≤ c2g(n) untuk n ≥ n0}
(32)
2. O(g(n)) = {f(n) : ada konstanta positif c dan n0 yang memenuhi persamaan 0 ≤ f(n) ≤ cg(n) untuk n ≥ n0}
(33)
3. Ω(g(n)) = {f(n) : ada konstanta positif c dan n0 yang memenuhi persamaan 0 ≤ cg(n) ≤ f(n) untuk n ≥ n0}
(34) 29
IV. PERANCANGAN SISTEM A. Arsitektur Sistem
Sebagai bagian dari sistem pakar berbasis pengetahuan maka dalam sistem ini terdapat dua proses utama yaitu proses pengindeksan dan temukembali. Proses pengindeksan terdiri dari praproses yaitu transformasi citra RGB ke HSV dan grayscale, serta segmentasi ciri warna menggunakan citra HSV dan segmentasi ciri bentuk menggunakan citra grayscale. Proses temukembali merupakan proses implementasi basis kaidah fuzzy dalam sistem temukembali citra untuk pengukuran kemiripan citra query dengan basisdata yang terdiri dari proses fuzzyfikasi, aktivasi sistem inferensi basis pengetahuan, defuzzyfikasi dan visualisasi nominasi citra yang relevan. Rancangan arsitektur sistem temukembali citra terdapat dalam Gambar 12 dan bagan alir selengkapnya terdapat dalam Lampiran 3.
Gambar 12. Arsitektur Sistem Temukembali Citra 30
B. Perancangan Masukan/Keluaran Sistem
Diagram aliran data sistem merupakan hasil pengembangan diagram konteks model sistem dan rancangan proses yang digunakan untuk merancang masukan-keluaran (passing parameter) pada masing-masing proses. Berdasarkan Gambar 13 dalam diagram aliran data sistem terdapat empat parameter yang menjadi masukan sistem yaitu citra RGB, jumlah piksel, warna referensi dan basis kaidah fuzzy. Basisdata indeks warna dan bentuk citra merupakan parameter hasil proses pengindeksan dan basisdata parameter sistem merupakan nilai default sistem. Setiap proses dalam sistem temukembali citra ini menghasilkan parameter yang akan menjadi masukan proses selanjutnya. 1. Parameter Sistem
Terdapat dua parameter citra yang digunakan sebagai parameter sistem yaitu jumlah piksel dan citra RGB. Satu parameter tambahan untuk keperluan proses segmentasi warna adalah warna referensi. Parameter jumlah piksel digunakan untuk reduksi dimensi citra jika lebih besar dari dimensi maksimum yaitu 5.590 piksel. Parameter citra RGB digunakan untuk melakukan segmentasi warna dan bentuk citra setelah proses transformasi. Parameter lain yang digunakan untuk proses segmentasi warna adalah warna referensi yaitu warna baku HSV yang digunakan untuk mengelompokkan citra ke dalam bin warna histogram. a. Jumlah Piksel K=mxn dengan K = jumlah piksel m = jumlah piksel vertikal n = jumlah piksel horisontal
31
Gambar 13. Diagram Aliran Data Sistem Temukembali Citra 32
b. Citra RGB
⎡ r ( xi , y j ) ⎤ ⎢ ⎥ crgb( x, y ) = ⎢ g ( xi , y j )⎥ ⎢ b( xi , y j ) ⎥ ⎣ ⎦ dengan crgb = citra RGB r, g, b = nilai warna R, G, B x, y
= koordinat piksel
i
= 1 ... m
j
= 1 ... n
c. Warna Referensi
: w j = [h j s j v j ]
dengan w = warna referensi h = nilai hue s = nilai saturation v = nilai value j = 1 … B (jumlah bin warna referensi) 2. Parameter Pengindeksan
Pada tahap pertama ini sistem melakukan pembacaan data citra RGB dan menghasilkan data warna citra dalam bentuk matriks bilangan integer dengan skala 0 – 255 berukuran m x n x 3. Kemudian data citra RGB ini digunakan untuk melakukan praproses yaitu reduksi dimensi citra dan transformasi model warna. Reduksi dimensi citra ini dilakukan jika jumlah piksel citra lebih besar dari 5.590 piksel. Citra dalam sistem temukembali untuk keperluan segmentasi warna dan bentuk seluruhnya berdimensi 86 x 65 piksel untuk citra landscape atau 65 x 86 untuk citra portrait. Proses transformasi citra RGB menjadi HSV digunakan untuk melakukan segmentasi warna dan menjadi grayscale untuk melakukan segmentasi bentuk. Parameter yang digunakan untuk pengindeksan citra adalah :
33
a. Citra HSV ⎡h( xi , y j )⎤ ⎢ ⎥ chsv( x, y ) = ⎢ s( xi , y j ) ⎥ ⎢ v( xi , y j ) ⎥ ⎣ ⎦ dengan chsv
= citra HSV
h, s, v = nilai warna H, S, V x, y
= koordinat piksel
i
= 1 ... m
j
= 1 ... n
b. Citra grayscale cgray ( x, y ) = f ( xi , y j ) dengan cgray = citra grayscale f
= nilai intensitas warna
i
= 1 ... m
j
= 1 ... n
3. Parameter Sistem Inferensi Fuzzy
Fuzzyfikasi dalam sistem termukembali ini merupakan proses awal dalam sistem inferensi fuzzy untuk pengukuran kemiripan citra.
Proses fuzzyfikasi
dilakukan dengan terlebih dahulu membuat kurva keanggotaan fuzzy untuk setiap peubah linguistik. Parameter yang digunakan untuk pembuatan kurva peubah linguistik ini adalah sebagai berikut : 1.
Jumlah citra basisdata
: N
2.
Jumlah bin warna
: B
3.
Jarak euclid ciri warna
: dw =
4.
Jarak euclid ciri bentuk : d b
5.
Lebar partisi
: Np
6.
Pusat kurva sama
: γ sama = 0
(∑ = (∑
B
( H Dj − H Qj ) 2 j =1
7 v =1
(ϕ vD − ϕ vQ ) 2
)
)
1
1
2
2
34
7.
8. 9.
Pusat kurva mirip
Pusat kurva beda
: γ mirip =
1 2N p
2Np
: γ beda =
1 2N p
3N p
∑d i =1
∑d
i= N p
i
i
: α
Pemulus kurva
⎛ 1 N ⎞ : σ =⎜ (d i − d ) 2 ⎟ ∑ ⎝ N − 1 i =1 ⎠
10. Lebar kurva
1
2
Setelah kurva masing-masing peubah linguistik terbentuk maka proses fuzzyfikasi dilakukan dengan memproyeksikan jarak euclid pada masing-masing kurva peubah linguistik untuk mendapatkan nilai fuzzy masukan dengan menggunakan persamaan sebagai berikut : 1. Nilai fuzzy sama
: µ sama =
1 1 + ( d i / σ )α
2. Nilai fuzzy mirip
: µ mirip =
1
3. Nilai fuzzy beda
: µbeda =
1 + (| d i−γ mirip | / σ )α
1 1 + (| d i−γ beda | / σ )α
dengan µsama = nilai fuzzy ciri sama
µmirip = nilai fuzzy ciri mirip µbeda = nilai fuzzy ciri beda C. Dekomposisi Sistem
Berdasarkan deskripsi fungsi dan rancangan masukan-keluaran maka rancangan sistem temukembali citra didekomposisikan menjadi empat subsistem (modul) yaitu subsistem ekstraksi ciri, query, pengaturan parameter dan antarmuka pengguna dimana antar subsistem saling terkait satu dengan yang lainnya. Dekomposisi sistem ini bertujuan untuk memudahkan pengendalian dan modifikasi program.
Diagram keterkaitan antar subsistem (hirarki) dalam
rancangan sistem ini terdapat dalam Gambar 14. 35
Gambar 14. Dekomposisi Sistem Temukembali Citra
36
1. Ekstraksi Ciri Citra
Subsistem ekstraksi (1.0.0.0) berfungsi untuk melakukan pengindeksan warna dan bentuk citra basisdata dan query. Proses pengindeksan citra pertama sistem melakukan pencarian seluruh file citra yang berekstensi jpg untuk proses ekstraksi ciri warna dan bentuk citra. Kumpulan file citra hasil pencarian ini kemudian disimpan dalam
\dbfile.mat. Proses ekstraksi ciri terdiri dari tiga bagian yaitu : praproses mengeksekusi subsistem (1.1.0.0), segmentasi warna mengeksekusi subsistem (1.2.0.0) dan segmentasi bentuk subsistem (1.3.0.0). Ekstraksi ciri citra basisdata merupakan proses yang harus dilakukan terlebih dahulu sebelum sistem melakukan eksekusi subsistem query. Proses di subsistem (1.2.0.0) menghasilkan file indeks warna citra berukuran jumlah citra x jumlah warna referensi (histogram) dan disimpan dengan nama \ idxwarna.mat. Proses di subsistem (1.3.0.0) menghasilkan file indeks warna citra berukuran jumlah citra x jumlah vektor momen invarian dan disimpan dengan nama \ idxbentuk.mat.
2. Query Citra
Subsistem query (2.0.0.0) ini berfungsi untuk melakukan pencarian citra dalam basisdata yang relevan dengan citra query. Pengguna melakukan pemilihan citra untuk query, sistem kemudian melakukan melakukan penghitungan jarak euclid masing-masing ciri antara citra query dengan basisdata oleh subsistem
2.1.1.0). Hasil subsistem ini adalah data berukuran 2 x N yang digunakan oleh subsistem (2.1.0.0) untuk menghitung parameter kurva fungsi cauchy. Subsistem (2.2.1.0) menggunakan hasil dari subsistem (2.1.0.0) dan (2.1.1.0) untuk proses fuzzyfikasi ciri warna dan bentuk citra. 37
Inferensi kaidah terdiri dari proses perhitungan nilai fuzzy implikasi antara ciri warna dan bentuk dilakukan oleh subsistem (2.2.2.0). Tiga metode yang digunakan untuk menghitung nilai fuzzy implikasi adalah (1) metode Mamdani menggunakan subsistem (2.2.2.1), (2) metode Aljabar menggunakan subsistem (2.2.2.2) dan (3) metode Einstein menggunakan subsistem (2.2.2.3). Agregasi nilai implikasi seluruh kaidah dilakukan oleh subsistem (2.2.3.0) yaitu dengan melibatkan subsistem (2.2.3.1) untuk proyeksi nilai implikasi pada fungsi segitiga. Data hasil proses inferensi kaidah ini kemudian digunakan oleh subsistem (2.2.4.0) untuk perhitungan nilai center of gravity keluaran sistem. Hasil proses defuzzyfikasi kemudian di sortir secara menaik dan melakukan feedback ke sistem untuk menampilkan citra yang relevan hasil query di antarmuka keluaran. D. Antarmuka Pengguna
Antarmuka pengguna sistem temukembali citra berfungsi sebagai media perantara antara pengguna dengan sistem. Rancangan antarmuka pengguna yang digunakan dalam sistem ini memanfaatkan fasilitas graphic user interface (GUI) yang dimiliki oleh Matlab dengan sistem operasi Microft Windows XP. Antarmuka pengguna terdiri dari empat kategori yaitu antarmuka sistem, antarmuka masukan, dan antarmuka keluaran dan pengaturan parameter sistem. 1. Antarmuka Sistem
Antarmuka sistem merupakan antarmuka pembuka jika sistem dieksekusi. Menu utama sistem yang akan digunakan oleh pengguna dalam berinteraksi dengan sistem temukembali citra terdapat dalam antarmuka sistem ini. Antarmuka sistem terdiri dari tiga bagian yaitu bar titel, bar menu dan menu serta desktop. Pembagian antarmuka sistem ini terdapat di Gambar 15.
38
Bar Titel
Menu Sistem
Minimisasi
Maksimisasi Tutup Layar Bar Menu
Desktop
Informasi Jenis dan Hak Cipta Sistem
Gambar 15. Antarmuka Sistem Eksekusi File pada menu sistem layar kemudian menampilkan pilihan perintah pengguna pada sistem yang terdiri dari : a. Query Citra yaitu perintah untuk melakukan query citra ke dalam basisdata. b. Ekstraksi Ciri yaitu perintah untuk melakukan pembuatan file indeks citra dalam basisdata. c. Pengaturan yaitu perintah untuk melakukan pengubahan parameter yang akan digunakan dalam sistem dan untuk mengubah direktori basisdata untuk query dan ekstraksi ciri citra. d. Keluar Sistem yaitu perintah untuk keluar dari sistem. 2. Antarmuka Masukan
Proses query citra diawali dengan eksekusi File Æ Query Citra dan kemudian sistem menampilkan antarmuka masukan.
Fasilitas yang terdapat
dalam antarmuka masukan ini adalah pengguna bisa melakukan pengubahan 39
direktori citra query dan pengubahan tampilan citra menjadi lima bentuk yaitu thumbnail, tiles, icons, list dan details.
Pembagian antarmuka masukan ini
terdapat di Gambar 16.
Gambar 16. Antarmuka Masukan Keterangan Gambar : 1. Direktori citra dalam bentuk daftar menurun 2. Daftar citra 3. Ke direktori sebelumnya 4. Direktori naik satu tingkat 5. Membuat subdirektori 6. Daftar bentuk tampilan citra 7. Bar menaikkan/menurunkan daftar citra 3. Antarmuka Keluaran
Antarmuka keluaran dalam sistem temukembali ini menggunakan subsistem yang dimiliki oleh Matlab yaitu Image Tools (Gambar 17).
Pengguna bisa
memanfaatkan semua fasilitas yang dimiliki Image Tools terhadap citra yang telah dihasilkan oleh proses query. Fasilitas dimiliki oleh Image Tools ini antara lain dapat melakukan konversi citra keluaran ke dalam format jpg, tif, png, gif dan 40
lain-lain. Citra keluaran yang ditampilkan ini berisi informasi tentang citra query yang menjadi masukan sistem serta urutan nominasi, nama file dan citra basisdata yang relevan dengan citra query.
Gambar 17. Antarmuka Keluaran 4. Antarmuka Pengaturan Parameter
Proses pengaturan parameter sistem dilakukan dengan eksekusi File Æ Pengaturan kemudian sistem menampilkan antarmuka pengaturan parameter
sistem (Gambar 18).
Fasilitas yang terdapat dalam antarmuka ini adalah
pengguna dapat melakukan pengubahan parameter sistem yaitu lebar partisi, pemulus kurva, tipe kaidah fuzzy, metode implikasi, jumlah baris dan kolom keluaran serta direktori basisdata citra. Pengubahan parameter lebar partisi, pemulus kurva, tipe kaidah fuzzy, jumlah baris dan kolom keluaran pengguna harus memberikan masukan angka. Pengubahan metode implikasi dilakukan dengan cara mengaktifkan radiobutton
41
metode yang akan digunakan.
Pengubahan direktori basisdata citra dilakukan
dengan cara pengguna memberikan masukan direktori baru berupa teks. Jika ingin menggunakan nilai treshold yaitu untuk eliminasi citra yang tidak relevan, maka pengguna harus mengaktifkan checkbox yang terdapat dalam antarmuka ini.
Gambar 18. Antarmuka Pengaturan Parameter Sistem E. Pengembangan Basis Pengetahuan
Sistem temukembali citra ini dirancang untuk memudahkan pengguna dalam melakukan penelitian dengan parameter sistem yang berbeda.
Fasilitas lain
disamping pengaturan parameter, sistem juga menyediakan fasilitas untuk melakukan pengujian menggunakan basis pengetahuan lain yang berbeda dengan basis pengetahuan yang telah ada di dalam sistem. Fasilitas ini berupa subsistem (5.0.0.0) dengan nama ckaidah.m. Eksekusi subsistem ini akan menghasilkan file c:\cbir\code\ctmkaidah.mat. Basis kaidah fuzzy yang tersimpan dalam file c:\cbir\code\ctmkaidah.mat tersebut merupakan tipe kaidah dengan nomor dimulai dari 25 dan seterusnya bagi sistem temukembali citra.
42
V. IMPLEMENTASI SISTEM A. Instalasi Sistem
Instalasi sistem temukembali citra adalah proses menggandakan seluruh file yang dibutuhkan oleh sistem dari media penyimpan program ke dalam media penyimpan komputer. File tersebut berupa modul program dan data parameter sistem yang berada dalam direktori cbir\code. File dalam direktori tersebut berjumlah 35 yang terdiri dari 22 format M-File, 10 format Mat-File, 2 format batchfile dan 1 shortcut untuk eksekusi sistem.
Tahapan untuk melakukan instalasi sistem temukembali citra adalah sebagai berikut (Gambar 19) : 1. Pilih atau klik Start menu bar Microsoft Windows XP. 2. Pilih atau klik Run. 3. Ketik d:\install.bat (d:\ tergantung pada drive media penyimpan sistem). 4. Pilih atau klik OK .
Gambar 19. Instalasi Sistem Menggunakan Batchfile. Cara lain untuk instalasi sistem adalah dengan menggunakan windows explorer dengan tahapan sebagai berikut :
1. Pilih atau klik Start. 2. Pilih atau klik Accessories - Windows Explorer. 43
3. Pilih atau klik direktori cbir pada drive media penyimpan sistem (Gambar 20). 4. Klik kanan mouse dan pilih copy.
Gambar 20. Menyalin File ke Memori dari Media Penyimpan Sistem. 5. Pindahkan posisi pointer mouse ke drive C: (Gambar 21) 6. Klik kanan dan pilih paste.
Gambar 21. Menyalin File Sistem ke Drive C. 44
7. Di direktori c:\cbir\code pilih shortcut ’Fuzzy Image Retrieval Systems. 8. Klik kanan dan copy . 9. Pindahkan pointer mouse ke desktop. 10. Klik kanan dan pilih paste. B. Prosedur Pengoperasian
Pengoperasian sistem temukembali citra ini memerlukan penambahan path untuk melakukan routing modul-modul program yang berada dalam direktori c:\cbir\code disamping default path yang dimiliki oleh Matlab.
Tahapan
untuk melakukan penambahan path yang digunakan oleh sistem dilakukan dengan cara sebagai berikut : 1. Pilih atau klik File di menu bar Matlab (Gambar 22). 2. Di antarmuka pada Gambar 22 pilih atau klik Set Path .....
Gambar 22. Antarmuka Set Path Matlab. 45
3. Di antarmuka window Set Path pilih atau klik tombol Add Folder (Gambar 23).
Gambar 23. Antarmuka Penambahan Path. 4. Di antarmuka window Browse For Folder (Gambar 24) :
Gambar 24. Antarmuka Pemilihan Direktori. - Klik tanda plus di kiri CBIR di drive C: - Letakkan pointer mouse di direktori code. - Klik OK.
46
5. Di antarmuka window Set Path terjadi penambahan path c:\cbir\code, klik button Save dan kemudian Close (Gambar 25).
Gambar 25. Antarmuka Penyimpanan Path Sistem 5. Keluar dari Matlab. 6. Di layar desktop tekan Ctrl + Alt + A atau klikganda pada shortcut. 7. Atau jalankan program Matlab. 8. Di antarmuka command window ketik CBIR, kemudian ENTER. C. Kompleksitas Sistem
Kinerja algoritma dinyatakan benar memecahkan masalah jika setiap masukan algoritma tersebut akan berhenti dengan keluaran yang benar. Algoritma dinyatakan tidak benar jika algoritma tersebut tidak berhenti untuk semua atau beberapa masukan atau berhenti dengan keluaran yang tidak diinginkan. Analisis kompleksitas algoritma dalam penelitian ini dilakukan dengan menganalisis waktu komputasi rata-rata (average case) yaitu jumlah total operasi atau langkah yang dieksekusi dalam algoritma.
47
Algoritma yang menjadi obyek analisis adalah algoritma ekstraksi ciri dan query citra. Algoritma ekstraksi ciri terdiri dari dua algoritma yaitu ekstraksi ciri warna dan ekstraksi ciri bentuk dan algoritma query merupakan akumulasi dari semua algoritma yang terdapat dalam sistem temukembali. Algoritma ekstraksi ciri dan query yang digunakan dalam rancangan sistem temukembali citra ini adalah sebagai berikut : 1. Ekstraksi Ciri Warna 1.
Baca citra RGB
2.
chsv Å transformasi citra RGB ke HSV
3.
FOR i Å 1 TO jumlah piksel
4.
euclidmin Å 1000
5.
bin_warna(jumlah warna referensi) Å 0
6.
FOR j Å 1 TO jumlah warna referensi euclid Å jarak euclid warna piksel ke-i dan
7.
warna referensi ke-j 8.
IF euclid < euclidmin THEN
9.
euclidmin Å euclid
10.
idx Å j END
11. 12.
END
13.
bin_warna(idx) Å bin_warna(idx) + 1
14. END
Algoritma ekstraksi ciri warna mempunyai iterasi program dua tingkat yaitu pada baris nomor 3 dan 6. Iterasi program dilakukan pada setiap piksel citra dan setiap warna referensi sehingga dalam algoritma ini jumlah total iterasi program adalah sama dengan jumlah piksel x jumlah warna referensi. Jika jumlah piksel dan jumlah warna referensi masing-masing adalah n, maka kompleksitas algoritma ekstraksi ciri warna adalah O(n2). 48
2. Ekstraksi Ciri Bentuk 1.
Baca citra RGB
2.
cgray Å transformasi RGB ke grayscale
3.
m_pq(0) Å 0
4.
eta_pq(0) Å 0
5.
FOR i Å 1 TO jumlah piksel
6.
m_pq(i) Å m_pq(i-1) + momen piksel cgray
7.
END
8.
FOR i Å 1 TO jumlah piksel
9.
eta_pq(i) Å eta_pq(i-1) + momen pusat normalisasi
10. END 11. phi Å vektor momen invarian
Algoritma ekstraksi ciri bentuk mempunyai dua kali iterasi program yaitu pada baris nomor 5 dan 8. Iterasi program dalam algoritma ini dilakukan pada setiap piksel sehingga jumlah total iterasi program adalah sama dengan 2 x jumlah piksel.
Jika jumlah piksel adalah n, maka kompleksitas algoritma ekstraksi ciri
bentuk adalah O(2n) = O(n). Secara keseluruhan kompleksitas ekstraksi ciri citra adalah kompleksitas ekstraksi ciri warna ditambah kompleksitas ekstraksi ciri bentuk yaitu O(n2) + O(n) = O(n2). 3. Query Citra 1.
Baca citra query
2.
Ekstraksi Ciri
3.
FOR i Å 1 TO jumlah citra basisdata
4.
dwarna(i) Å jarak euclid warna
5.
dbentuk(i) Å jarak euclid bentuk
6.
END
7.
Hitung parameter kurva warna dan bentuk
49
8.
Baca basis kaidah fuzzy
9.
FOR i Å 1 TO jumlah citra basisdata
10.
FOR j Å 1 TO jumlah kaidah miu_warna Å fuzzyfikasi dwarna(i) pada
11.
kaidah ke-j miu_bentuk Å fuzzyfikasi dbentuk(i) pada
12.
kaidah ke-j miu_imp Å implikasi(miu_warna, miu_bentuk)
13. 14.
END
15.
miu_agregat Å agregasi miu_imp
16.
COG(i) Å centroid miu_agregat
17. END 18. Sortir COG secara menaik 19. Tampilkan citra
Algoritma query citra tersebut diatas terdiri dari satu iterasi program satu tingkat yaitu pada baris nomor 3 untuk menghitung jarak euclid dan satu iterasi program dua tingkat pada baris nomor 9 dan 10 untuk proses sistem inferensi fuzzy. Iterasi program yang dihasilkan dalam algoritma query citra ini adalah sama dengan 1 x jumlah citra basisdata + jumlah kaidah fuzzy x jumlah citra basisdata. Jika jumlah citra basisdata dan jumlah kaidah fuzzy masing-masing
adalah n, maka kompleksitas algoritma query citra ini adalah sama dengan kompleksitas algoritma ekstraksi ciri + O(n) + O(n2) atau O(n2) + O(n) + O(n2) = O(n2).
Berdasarkan hasil analisis algoritma query ini menunjukkan bahwa
implementasi basis kaidah fuzzy pada sistem temukembali citra tidak menambah kompleksitas sistem secara keseluruhan karena sama dengan kompleksitas algoritma ekstraksi ciri yaitu O(n2).
50
Algoritma lain disamping algoritma tersebut diatas yang terdapat dalam sistem temukembali citra adalah algoritma pendukung proses pengindeksan dan temukembali.
Algoritma yang terdapat dalam proses pengindeksan adalah
algoritma transformasi model warna RGB ke HSV dan RGB ke Grayscale. Algoritma yang terdapat dalam proses temukembali adalah algoritma penentuan parameter kurva dan sortasi nilai centroid. Kompleksitas seluruh algoritma yang terdapat dalam sistem temukembali citra adalah sebagai berikut : Tabel 3. Kompleksitas Algoritma No.
Algoritma
A
PENGINDEKSAN
1
Praproses
2
Kompleksitas Algoritma
a. Transformasi RGB ke HSV
O(n)
b. Transformasi RGB ke Grayscale
O(n)
Segmentasi a. Warna
O(n2)
b. Bentuk
O(n)
B
TEMUKEMBALI
1
Parameter Kurva
O(n)
2
Inferensi Basis Kaidah Fuzzy
O(n2)
3
Sortasi Centroid
O(n2)
51
VI. HASIL DAN PEMBAHASAN A. Segmentasi
Warna merupakan ciri dominan yang bisa dibedakan secara visual untuk mendapatkan informasi dari basisdata citra. Segmentasi warna adalah proses mengelompokkan citra berdasarkan distribusi warna dengan menggunakan bin warna referensi. Penggunaan model warna HSV untuk proses segmentasi ciri warna berhubungan dengan proses penentuan warna referensi untuk representasi warna citra. Kelebihan model warna HSV adalah lebih seragam secara persepsi dan lebih mudah dalam menentukan sebaran jenis warna dari merah sampai biru karena keragaman warna direpresentasikan dalam besar sudut hue dari 0 - 360ο. Representasi warna menggunakan histogram dalam sistem temukembali memiliki kelebihan karena kecepatan dan kemudahannya dalam proses komputasi. Citra asli
Citra Segmentasi
Citra asli
Citra Segmentasi
(a) Daisy Merah Muda
(b) Morning Glory
(c) Iris
(d) Lily Putih
(e) Cymbidium
(f) Ascocentrum
Gambar 26. Citra Hasil Proses Segmentasi Warna 52
Gambar 26 merupakan hasil proses segmentasi warna pada citra bunga daisy merah muda, morning glory, iris, lily putih, cymbidium dan ascocentrum, dimana citra asli dengan kedalaman warna 24 bit direduksi menjadi citra dengan 43 bin warna referensi. Hasil proses segmentasi 60 citra yang digunakan untuk melakukan query, rata-rata citra dikelompokkan menjadi 49,11 % atau 21 bin warna (Gambar 27). 30
60 50 40
15 30 10
PERSENTASE
44,65
42,33
50,70
57,67 36,28
BIN WARNA
20
43,26
43,72
55,81
56,28
54,42
48,84
55,35
25
70
20
5
10
0
0 DMM
DAF
LCK
DPT
MKN
ASC
CYM
MGM LKC
IRS
LPT
LKH
JENIS BUNGA
Gambar 27. Grafik Jumlah Bin Warna Hasil proses segmentasi ciri warna citra dalam Gambar 28 menunjukkan bahwa dari 43 bin warna yang digunakan terdapat dua bin warna yang tidak digunakan untuk histogram yaitu bin ke-29 (biru bedak) dan ke-30 (biru temaram) (hasil lengkap di Lampiran 5). Seluruh histogram yang dihasilkan oleh proses segmentasi terdapat 14 bin digunakan oleh 100 % bunga, 8 bin digunakan oleh lebih 75 % bunga, 2 bin digunakan oleh lebih 50 % bunga, 10 bin digunakan oleh lebih 25 % bunga serta 7 bin digunakan oleh kurang 25 % bunga. Frekwensi penggunaan bin warna terbesar adalah bin ke-43 (warna putih) dan terkecil adalah bin ke-3 (pink lembut), ke-9 (coklat kemerahan) dan ke-15 (kuning tajam). 53
100,00
100,00
100,00
100,00
100,00
83,33
83,33
75,00
83,33
91,67
100,00
100,00
100,00
100,00
100,00
100,00
100,00 91,67
91,67
100,00 83,33
90 80
33,33
25,00
33,33
41,67
41,67
16,67
0
0,00
0,00
8,33
10
8,33
8,33
20
16,67
30
41,67
41,67 25,00
40
16,67
50
25,00
50,00
60
41,67
58,33
70
16,67
PENGGUNAAN DALAM CITRA (%)
100
100,00
110
43 42 41 40 39 38 37 36 35 34 33 32 31 30 29 28 27 26 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
BIN WARNA
Gambar 28. Distribusi Bin Warna Referensi Proses segmentasi bentuk pada citra merupakan proses dimana citra grayscale dikelompokkan menjadi tujuh vektor momen invarian. Segmentasi
bentuk yang dilakukan terhadap citra grayscale ini nilai yang digunakan adalah nilai absolut logaritmik vektor momen invarian.
Konversi nilai vektor ini
dilakukan karena vektor momen invarian yang dihasilkan bernilai sangat kecil sekali. Nilai rata-rata vektor momen invarian untuk representasi bentuk citra hasil proses segmentasi dari 12 jenis bunga query disajikan pada Tabel 4. Tabel 4. Momen Invarian Citra No 1 2 3 4 5 6 7 8 9 10 11 12
Nama Bunga Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris Lily Putih Lily Kuning Hitam
ϕ1
ϕ2
ϕ3
ϕ4
ϕ5
ϕ6
ϕ7
6,576 6,646 6,693 6,719 4,234 6,638 6,857 4,060 6,411 5,321 6,582 6,616
12,73 16,24 16,12 17,07 16,08 15,90 13,06 12,92 12,39 12,71 12,65 12,88
24,95 25,53 25,63 19,75 25,44 25,89 20,25 24,10 17,78 14,70 19,06 25,27
26,35 26,91 27,50 20,65 26,50 27,03 27,66 19,70 20,65 10,38 25,71 26,77
42,60 54,24 55,46 53,03 54,32 42,86 54,28 39,04 30,27 42,13 41,30 53,48
21,01 35,49 29,35 29,55 35,75 35,25 36,09 19,75 20,44 28,08 26,67 35,50
41,06 53,34 54,18 52,73 52,80 54,14 55,02 39,92 51,28 42,13 50,92 53,42
54
B. Parameter Fungsi Keanggotaan
Sistem pakar berbasis kaidah fuzzy terdiri dari dua jenis yaitu fuzzy control systems dan fuzzy reasoning systems.
Meskipun sama-sama memanfaatkan
himpunan fuzzy tapi secara kualitatif terdapat perbedaan dalam metodologinya. Fuzzy control systems melakukan proses hanya dengan masukan data numerik
sedangkan fuzzy reasoning systems dengan data numerik dan non-numerik. Karakteristik fuzzy control systems adalah adanya proses fuzzyfikasi data numerik menjadi peubah linguistik, inferensi setiap kaidah menjadi peubah linguistik keluaran dan defuzzyfikasi peubah linguistik keluaran menjadi data numerik. Sintaksis kaidah dalam model ini sangat sesuai untuk tujuan pengendalian dibandingkan dengan fuzzy reasoning systems yang terbatas kemampuannya jika masukan dan keluarannya berupa data numerik. Fuzzy control systems merupakan model pertama yang diperkenalkan oleh
Mamdani tahun 1976 dan dikenal dengan nama model Mamdani. Penggunaan sistem inferensi fuzzy model Mamdani dalam sistem temukembali citra ini karena adanya kesamaan data masukan, karakteristik proses dan sintaksis kaidah yang digunakan.
Menurut Vertran dan Boujeema (2000), metode implikasi yang
memberikan kinerja terbaik untuk model ini adalah Mamdani (Min-Max), Aljabar dan Einstein jika dibandingkan dengan metode Hamacher dan Lukasiewiec. Berdasarkan karakteristik fungsi keanggotaan fuzzy dimana µ mempunyai nilai antara 0 dan 1 dan jarak euclid d selalu bernilai positif, maka pada kurva keanggotaan fuzzy nilai µ = 1 jika nilai d = γ (pusat kurva). Peubah linguistik untuk klasifikasi citra berdasarkan nilai kemiripan fuzzy yang digunakan dalam penelitian ini adalah sama, mirip dan beda dimana setiap peubah linguistik direpresentasikan oleh satu kurva keanggotaan fuzzy. 55
Percobaan untuk menentukan nilai parameter fuzzyfikasi bertujuan untuk menghasilkan sistem yang mempunyai kinerja optimum. Optimasi nilai parameter fuzzyfikasi ini meliputi penentuan pusat masing-masing kurva kemiripan fuzzy dan pemulus kurva.
Perhitungan pusat kurva linguistik dilakukan dengan
menggunakan data jarak euclid ciri citra dibagi menjadi tiga partisi dengan lebar partisi yang sama baik untuk ciri warna maupun bentuk. Data jarak euclid untuk keperluan proses dalam sistem dikonversi menjadi bernilai antara 0 dan 1 menggunakan interpolasi. Penggunaan nilai interpolasi ini bertujuan untuk memudahkan dalam melakukan optimasi nilai parameter sistem. Persamaan interpolasi untuk proses konversi data adalah sebagai berikut : xkonv =
x − min( X ) ; x∈X max( X ) − min( X )
dengan xkonv adalah nilai konversi dan x adalah data yang akan dikonversi. Kriteria yang digunakan untuk menentukan lebar partisi (Np) dan pemulus kurva (α) untuk parameter sistem ini adalah nilai Np dan α yang menghasilkan nilai presisi paling tinggi untuk recall = 1. Masing-masing nilai parameter yang digunakan untuk percobaan adalah Np = {10, 15, 20, 25} dan α = {1, 2}. Definisi citra relevan adalah citra basisdata yang sama jenis dan warnanya dengan query. Tipe kaidah yang digunakan untuk menentukan parameter sistem ini ditentukan dengan menguji kaidah Tipe 1 dan 104 di Lampiran 4. Hasil uji coba menunjukkan bahwa kaidah Tipe 1 mempunyai kinerja lebih baik daripada Tipe 104 dan digunakan untuk pengujian dengan rancangan percobaan yaitu : Jumlah Percobaan = Jenis Bunga x Citra Query x Jumlah Np x Jumlah α
= 12 x 3 x 4 x 2 = 288 56
Ηasil percobaan yang diperoleh pada Gambar 29 menunjukkan bahwa nilai
α = 2 dan nilai Np = {10, 15, 20} mempunyai nilai presisi lebih besar dibandingkan dengan α = 1, dan sama untuk Np = 25. Hasil percobaan yang memberikan nilai presisi terbesar untuk masing-masing nilai α adalah Np = 20 dan 25 untuk α = 1 yaitu 82,78 % dan Np = 20 untuk α = 2 yaitu 83,89 %. Berdasarkan hasil percobaan tersebut maka pemilihan nilai pemulus kurva dan lebar partisi untuk parameter fuzzyfikasi adalah α = 2 dan Np = 20. Hasil lengkap percobaan ini di Lampiran 6.
PRESISI (%)
85
80
75
α=1 α=2 70 10
15
20
25
LEBAR PARTISI Gambar 29. Grafik Nilai Presisi Optimasi Parameter Fuzzyfikasi Optimasi kurva linguistik untuk proses agregasi - defuzzyfikasi dilakukan dengan menggunakan fungsi Gaussian sebagai bahan perbandingan dengan segitiga. Optimasi menggunakan kurva Gaussian dilakukan dengan dua tahap percobaan yaitu untuk mencari lebar kurva yang optimum dan menggunakan lebar
57
kurva yang optimum tersebut untuk optimasi pusat kurva mirip. Berdasarkan hasil kedua tahap percobaan tersebut, proses agregasi - defuzzyfikasi yang optimum adalah menggunakan Gaussian dengan lebar kurva σ = 0,1.
85
PRESISI (%)
84 83 82 81
Segitiga Gaussian
80 0,3
0,4
0,5
0,6
PUSAT KURVA
Gambar 30. Grafik Nilai Presisi Optimasi Agregasi - Defuzzyfikasi Hasil percobaan dalam Gambar 30 menunjukkan bahwa pusat kurva linguistik optimum untuk kurva segitiga adalah γsama = 0, γmirip = 0,5 dan γbeda = 1 dan untuk kurva Gaussian adalah γsama = 0, γmirip = 0,4 dan γbeda = 1. Nilai presisi yang dihasilkan dengan menggunakan kurva segitiga dan Gaussian berturut-turut adalah 84,67 % dan 84,33 %. Berdasarkan hasil tersebut diatas maka untuk proses agregasi - defuzzyfikasi penggunaan kurva segitiga menghasilkan kinerja lebih baik dibandingkan dengan Gaussian.
Hasil lengkap percobaan dengan
kurva segitiga dan Gaussian terdapat di Lampiran 7 dan 8.
58
C. Penilaian Kinerja 1. Kinerja Basis Kaidah Fuzzy
Perancangan basis kaidah fuzzy dalam penelitian ini adalah menggunakan pendekatan logis terhadap klasifikasi ciri warna dan bentuk citra bunga. Citra bunga merupakan hasil proses konversi data analog menjadi dijital oleh peralatan akuisisi citra. Faktor utama yang berpengaruh terhadap warna dan bentuk citra bunga adalah pencahayaan dan sudut pandang pada saat akuisisi citra. Faktor pencahayaan menyebabkan citra bunga (jenis yang sama) mempunyai warna yang bervariasi nilainya pada sistem koordinat R-G-B walaupun secara visual terlihat sama karena keterbatasan mata manusia. Faktor sudut pandang menyebabkan citra bunga mempunyai bentuk yang bervariasi pada ruang dua dimensi. Berdasarkan kenyataan tersebut di atas, maka perancangan basis kaidah fuzzy untuk pengukuran kemiripan citra menggunakan semua kemungkinan kombinasi klasifikasi ciri warna dan bentuk citra sebagai masukan serta citra keluaran. Walaupun demikian, basis kaidah fuzzy yang dirancang tetap memperhatikan kaidah logis dalam melakukan pengklasifikasian suatu citra. Misalnya dalam satu basis kaidah, jika terdapat masukan ciri warna sama dan bentuk mirip, citra diklasifikasikan menjadi mirip, maka untuk masukan ciri warna sama dan bentuk beda citra harus diklasifikasikan maksimum menjadi mirip atau tidak boleh diklasifikasikan menjadi sama.
Sistem temukembali citra yang memberikan kinerja optimum adalah yang mempunyai basis pengetahuan terbaik dari 144 tipe basis kaidah fuzzy. Proses penentuan tipe-tipe kaidah terbaik bagi sistem temukembali citra dilakukan dengan dua tahapan percobaan yaitu seleksi kombinasi dan pengujian kinerja
59
menggunakan metode implikasi Mamdani (Gambar 31).
Seleksi kombinasi
adalah proses untuk mengeliminasi kombinasi masing-masing blok yang secara visual mudah dinilai kinerjanya tanpa melakukan query pada seluruh jenis bunga.
Gambar 31. Tahapan Seleksi Tipe Kaidah Proses seleksi kombinasi dimulai dengan membagi basis kaidah fuzzy menjadi tiga blok yaitu blok A, B dan C. Blok A adalah kaidah yang mempunyai ciri warna sama dengan 6 kombinasi keluaran, blok B mempunyai ciri warna mirip dengan 4 kombinasi keluaran dan blok C kaidah yang mempunyai ciri
warna beda dengan 6 kombinasi keluaran. Tipe kaidah yang digunakan untuk melakukan seleksi kombinasi adalah Tipe 1. Hasil yang diperoleh dalam tahapan ini adalah kombinasi masukan masing-masing blok yaitu blok A mempunyai 6 kombinasi, blok B dan C masing-masing mempunyai 2 kombinasi atau sama dengan 6 x 2 x 2 = 24 tipe kaidah (Lampiran 9). 60
Proses selanjutnya adalah pengujian kinerja terhadap 24 tipe kaidah yang telah dihasilkan oleh tahapan seleksi kombinasi. Tahapan ini seleksi dilakukan dengan percobaan terhadap seluruh tipe kaidah dan kriteria yang digunakan untuk penilaian adalah nilai presisi untuk recall = 1.
Rancangan percobaan untuk
seleksi tipe kaidah ini adalah sebagai berikut : Jumlah Percobaan = Tipe Kaidah x Jenis Bunga x Citra Query
= 24 x 12 x 5 = 1.440 Gambar 32 adalah grafik hasil percobaan yaitu 6 tipe kaidah terbaik yang mempunyai nilai presisi berdekatan (hasil lengkap di Lampiran 10). Nilai presisi terbesar percobaan ini dihasilkan oleh kaidah Tipe 8 dan 9 yaitu sebesar 84,67 % dan kemudian diikuti oleh kaidah Tipe 7, 2, 3 dan 1 yaitu berturut-turut sebesar 84,44 %, 84,11 %, 84,11 % dan 83,11 %.
86 85 PRESISI (%)
84,11
84,11
84,44
84,67
84,67
Tipe 8
Tipe 9
84 83,11
83 82 81 80 Tipe 1
Tipe 2
Tipe 3 Tipe 7 TIPE KAIDAH
Gambar 32. Grafik Nilai Presisi Seleksi Tipe Kaidah
61
Berdasarkan hasil percobaan ini tipe kaidah yang dihasilkan merupakan hasil 3 kombinasi blok A, 2 kombinasi blok B dan 1 kombinasi blok C (Tabel 5). Perbedaan masing-masing tipe kaidah dalam satu blok terletak pada masukan ciri warna sama dan bentuk beda.
Perbedaan masing-masing blok terletak pada
masukan ciri warna mirip dan bentuk beda. Tabel 5. Basis Kaidah Fuzzy Hasil Seleksi a. Tipe 1 1. 2. 3. 4. 5. 6. 7. 8. 9.
IF warna IS sama IF warna IS sama IF warna IS sama IF warna IS mirip IF warna IS mirip IF warna IS mirip IF warna IS beda IF warna IS beda IF warna IS beda
AND AND AND AND AND AND AND AND AND
bentuk IS sama bentuk IS mirip bentuk IS beda bentuk IS sama bentuk IS mirip bentuk IS beda bentuk IS sama bentuk IS mirip bentuk IS beda
THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS
sama sama sama mirip mirip mirip beda beda beda
AND AND AND AND AND AND AND AND AND
bentuk IS sama bentuk IS mirip bentuk IS beda bentuk IS sama bentuk IS mirip bentuk IS beda bentuk IS sama bentuk IS mirip bentuk IS beda
THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS
sama sama mirip mirip mirip mirip beda beda beda
AND AND AND AND AND AND AND AND AND
bentuk IS sama bentuk IS mirip bentuk IS beda bentuk IS sama bentuk IS mirip bentuk IS beda bentuk IS sama bentuk IS mirip bentuk IS beda
THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS
sama sama beda mirip mirip mirip beda beda beda
b. Tipe 2 1. 2. 3. 4. 5. 6. 7. 8. 9.
IF warna IS sama IF warna IS sama IF warna IS sama IF warna IS mirip IF warna IS mirip IF warna IS mirip IF warna IS beda IF warna IS beda IF warna IS beda
c. Tipe 3 1. 2. 3. 4. 5. 6. 7. 8. 9.
IF warna IS sama IF warna IS sama IF warna IS sama IF warna IS mirip IF warna IS mirip IF warna IS mirip IF warna IS beda IF warna IS beda IF warna IS beda
62
d. Tipe 7 1. 2. 3. 4. 5. 6. 7. 8. 9.
IF warna IS sama IF warna IS sama IF warna IS sama IF warna IS mirip IF warna IS mirip IF warna IS mirip IF warna IS beda IF warna IS beda IF warna IS beda
AND AND AND AND AND AND AND AND AND
bentuk IS sama bentuk IS mirip bentuk IS beda bentuk IS sama bentuk IS mirip bentuk IS beda bentuk IS sama bentuk IS mirip bentuk IS beda
THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS
sama sama sama mirip mirip beda beda beda beda
AND AND AND AND AND AND AND AND AND
bentuk IS sama bentuk IS mirip bentuk IS beda bentuk IS sama bentuk IS mirip bentuk IS beda bentuk IS sama bentuk IS mirip bentuk IS beda
THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS
sama sama mirip mirip mirip beda beda beda beda
AND AND AND AND AND AND AND AND AND
bentuk IS sama bentuk IS mirip bentuk IS beda bentuk IS sama bentuk IS mirip bentuk IS beda bentuk IS sama bentuk IS mirip bentuk IS beda
THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS THEN citra IS
sama sama beda mirip mirip beda beda beda beda
e. Tipe 8 1. 2. 3. 4. 5. 6. 7. 8. 9.
IF warna IS sama IF warna IS sama IF warna IS sama IF warna IS mirip IF warna IS mirip IF warna IS mirip IF warna IS beda IF warna IS beda IF warna IS beda
f. Tipe 9 1. 2. 3. 4. 5. 6. 7. 8. 9.
IF warna IS sama IF warna IS sama IF warna IS sama IF warna IS mirip IF warna IS mirip IF warna IS mirip IF warna IS beda IF warna IS beda IF warna IS beda
Hasil yang diperoleh untuk masukan ciri warna sama dan bentuk beda (kaidah nomor 3) pengklasifikasian citra menjadi mirip atau beda mempunyai nilai presisi lebih besar dibandingkan dengan sama, sehingga kinerja kaidah Tipe 2 dan 3 lebih besar dibandingkan dengan Tipe 1 dan kaidah Tipe 8 dan 9 lebih besar dibandingkan dengan Tipe 7. Pengklasifikasian masukan ciri warna sama dan bentuk beda menjadi mirip atau beda menghasilkan nilai presisi yang identik (nilai presisi yang sama untuk tiap jenis bunga) antara kaidah Tipe 2 dengan Tipe 3 dan Tipe 8 dengan Tipe 9.
63
Tipe kaidah terbaik yang dihasilkan oleh metode implikasi Mamdani tersebut diatas kemudian digunakan untuk percobaan dengan metode implikasi lainnya yaitu Aljabar dan Einstein.
Percobaan ini bertujuan untuk melihat
pengaruh metode implikasi terhadap kinerja masing-masing tipe kaidah. Tipe kaidah yang digunakan untuk percobaan lanjutan ini adalah Tipe 1, 2, 7 dan 8. Kaidah Tipe 3 dan 9 tidak termasuk dalam pengujian karena nilai presisi yang dihasilkan oleh tipe tersebut identik dengan Tipe 2 dan 8. Rancangan percobaan yang digunakan adalah sebagai berikut : Jumlah Percobaan = Tipe Kaidah x Jenis Bunga x Citra Query x Metode
= 4 x 12 x 5 x 2 = 480 Berdasarkan hasil percobaan dalam Gambar 33 menunjukkan bahwa untuk setiap tipe kaidah yang digunakan untuk pengujian, metode Aljabar dan Einstein menghasilkan nilai presisi yang lebih besar dibandingkan dengan metode Mamdani kecuali Tipe 8 pada metode Einstein yang mempunyai nilai presisi terkecil yaitu 83,44 %. Tipe kaidah terbaik yang dihasilkan percobaan ini untuk metode Mamdani, Aljabar dan Einstein berturut-turut adalah Tipe 8, Tipe 2 dan Tipe 1. Kaidah Tipe 8 menjadi tipe kaidah yang menghasilkan nilai presisi terkecil untuk metode Aljabar dan Einstein. Kaidah Tipe 1 dan 7 metode Aljabar dengan Tipe 7 metode Einstein menghasilkan nilai presisi yang sama tapi tidak identik untuk setiap jenis bunga (hasil lengkap percobaan di Lampiran 11).
64
83,44
85,67
Einstein
84,67
84,44
84,11
84
Aljabar
87,33
86,67
87,56
87,89
Mamdani
86
83,11
PRESISI (%)
88
87,56
87,56
90
82
80 Tipe 1
Tipe 2
Tipe 7
Tipe 8
TIPE KAIDAH
Gambar 33. Grafik Perbandingan Nilai Presisi Antar Metode Implikasi Percobaan menggunakan metode Aljabar ini menyebabkan terjadinya pergeseran pengklasifikasian citra yaitu untuk ciri warna mirip dan bentuk beda. Hasil terbaik dengan menggunakan metode Mamdani adalah pengklasifikasian citra menjadi beda dan menggunakan metode Aljabar adalah pengklasifikasian citra menjadi mirip. Pergeseran klasifikasi citra untuk metode Einstein terjadi untuk ciri warna sama dan bentuk beda serta ciri warna mirip dan bentuk beda. Hasil terbaik diperoleh dengan mengklasifikasikan citra menjadi sama untuk ciri warna sama dan bentuk beda, mirip untuk ciri warna mirip dan bentuk beda. Pengklasifikasian citra dalam tipe kaidah terbaik di setiap metode implikasi hampir sama dengan informasi yang diberikan oleh ciri warna. Metode Aljabar mempunyai pola klasifikasi citra yang lebih mirip dengan metode Einstein dibandingkan dengan metode Mamdani, perbedaannya terletak hanya pada ciri warna sama dan bentuk beda. 65
Kinerja basis kaidah fuzzy terbaik hasil percobaan tergantung pada metode perhitungan nilai implikasi fuzzy yang digunakan. Basis kaidah fuzzy terbaik yang menghasilkan nilai presisi terbesar untuk perhitungan nilai implikasi fuzzy menggunakan metode Mamdani adalah Tipe 8 (84,67 %), metode Aljabar adalah Tipe 2 (87,89 %) dan metode Einstein adalah Tipe 1 (87,56 %). Basis kaidah fuzzy yang menghasilkan nilai presisi rata-rata tertinggi adalah Tipe 7 (86,44 %) diikuti oleh Tipe 2 (86,22 %), Tipe 1 (86,07 %) dan Tipe 8 (84,59 %). 2. Kinerja Sistem
Penilaian kinerja sistem dilakukan dengan identifikasi urutan citra relevan yang dihasilkan oleh sistem temukembali. Nilai presisi dihitung berdasarkan identifikasi citra relevan yang berada dalam urutan nomor 1 sampai 15 atau nilai recall = 0,07 – 1. Tahapan ini percobaan dilakukan menggunakan tipe kaidah
terbaik untuk masing-masing metode implikasi yaitu Tipe 8 untuk metode Mamdani, Tipe 2 untuk metode Aljabar dan Tipe 1 untuk metode Einstein dengan rancangan percobaan sebagai berikut : Jumlah Percobaan = Jenis Bunga x Citra Query x Metode Implikasi
= 12 x 5 x 3 = 180 Gambar 34 adalah hasil percobaan yang disortasi secara menaik berdasarkan nilai presisi per jenis bunga metode Mamdani. Nilai presisi tiap jenis bunga yang dihasilkan oleh metode Mamdani lebih kecil dibandingkan dengan metode Aljabar dan Einstein kecuali untuk bunga daffodil. Nilai presisi tiap jenis bunga metode Aljabar dan Einstein mempunyai pola yang mirip. Hal ini disebabkan karena pola klasifikasi citra antara metode Aljabar dan Einstein yang lebih mirip dibandingkan dengan metode Mamdani. 66
Bunga yang mempunyai nilai presisi terkecil untuk metode Mamdani, Aljabar dan Einstein berturut-turut adalah bunga iris (73,33 %), morning glory (77,33 %), morning glory dan lily putih (80,00 %). Jenis bunga yang mempunyai nilai presisi terbesar berturut-turut adalah daisy merah muda (97,33 %), daisy merah muda (98,67 %) dan mawar kuning (100 %). 100 Mamdani, Tipe 8 Aljabar, Tipe 2 Einstein, Tipe 1
PRESISI (%)
95 90 85 80 75 70 IRS
MGM
LPT
CYM
DPT
LKH
ASC
LCK
MKN
DAF
LKC
DMM
JENIS BUNGA
Gambar 34. Grafik Nilai Presisi per Jenis Bunga Gambar 35 adalah nilai interpolasi presisi – recall hasil percobaan untuk menilai kinerja sistem secara keseluruhan. Setiap proses query yang dilakukan sistem bisa mengidentifikasi citra relevan rata-rata dari urutan nomor 1 sampai 4 menggunakan metode Mamdani, urutan nomor 1 sampai 3 menggunakan metode Aljabar dan urutan nomor 1 sampai 5 menggunakan metode Einstein. Nilai presisi - recall metode Mamdani dari urutan citra nomor 4 sampai 6 lebih besar dibandingkan dengan metode Aljabar. Tapi setelah urutan nomor 7 nilai presisi - recall metode Mamdani menjadi lebih kecil daripada metode 67
Aljabar karena semakin banyak citra relevan yang tidak teridentifikasi oleh sistem. Nilai presisi - recall metode Einstein dari urutan nomor 4 sampai 14 selalu lebih besar dibandingkan metode Aljabar, tapi urutan nomor 15 terjadi penurunan nilai presisi - recall yang besar terutama untuk bunga daffodil sebesar 6,00 % dan cymbidium sebesar 5,71 % (hasil lengkap di Lampiran 12).
100
PRESISI (%)
95
90
85
Mamdani, Tipe 8 Aljabar, Tipe 2 Einstein, Tipe 1
80 0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
RECALL
Gambar 35. Grafik Nilai Presisi – Recall Sistem Temukembali Penilaian secara persepsi terhadap citra keluaran yang dihasilkan oleh ketiga metode implikasi dilakukan dengan menggunakan Tipe 7. Gambar 36 adalah citra yang dihasilkan menggunakan citra query bunga daisy putih dan daisy merah muda. Penggunaan metode Mamdani untuk query bunga daisy putih citra yang dihasilkan 86 % jenis bunga daisy dan 14 % dari jenis yang lainnya, untuk query bunga daisy merah muda citra yang dihasilkan 71 % jenis bunga daisy dan 19 % jenis bunga lainnya (Gambar 36 (a)). Citra yang dihasilkan dengan metode 68
Aljabar untuk query kedua jenis bunga tersebut adalah 54 % dan 51 % jenis bunga daisy dan 46 % dan 49 % jenis bunga lainnya (Gambar 36 (b)). Metode Einstein citra yang dihasilkan adalah 49 % dan 46 % jenis bunga daisy dan 51 % dan 54 % jenis bunga lainnya (Gambar 36 (c)).
(a) Metode Implikasi Mamdani
(b) Metode Implikasi Aljabar
(c) Metode Implikasi Einstein Gambar 36. Citra Keluaran per Metode Implikasi
69
Percobaan dengan query menggunakan jenis bunga lainnya, metode Mamdani menghasilkan citra yang lebih relevan terhadap warna ataupun bentuk citra query dibandingkan dengan metode Aljabar dan Einstein. Terutama metode Aljabar dan Einstein dari semua jenis bunga citra query menghasilkan selain citra relevan dari jenis dan warna bunga yang sama juga selalu menghasilkan citra dari jenis bunga morning glory.
Hal ini tidak terjadi jika menggunakan metode
Mamdani dimana citra yang dihasilkan selain citra relevan dari jenis dan warna bunga yang sama juga menghasilkan citra dari jenis bunga yang lebih beragam tergantung citra query yang menjadi masukan sistem temukembali citra. Penilaian secara persepsi ini memberikan hasil bahwa metode Mamdani dapat menghasilkan citra yang lebih baik dibandingkan dengan metode Aljabar dan Einstein. Hasil identifikasi terhadap nominasi citra relevan ini kemudian digunakan untuk mencari nilai treshold setiap jenis bunga. Nilai treshold diperoleh dengan cara identifikasi nilai centroid citra relevan yang berada di urutan nominasi terakhir, dalam hal ini setiap jenis bunga mempunyai lima nilai centroid. Selanjutnya, dari kelima nilai centroid tersebut dihitung nilai treshold tiap jenis bunga dengan menggunakan fungsi max (Tabel 6). Tabel 6. Nilai Treshold No
Jenis Bunga
1 2 3 4 5 6 7 8 9 10 11 12
Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris Lily Putih Lily Kuning Hitam
Nilai Treshold Mamdani Aljabar Einstein 0,52014 0,51845 0,50719 0,52559 0,51746 0,52210 0,52537 0,52842 0,54149 0,53027 0,57353 0,57297 0,52951 0,54381 0,54484 0,53043 0,54628 0,53718 0,50471 0,51692 0,52926 0,51484 0,52565 0,53154 0,50232 0,51108 0,51969 0,52055 0,52304 0,51676 0,50866 0,53300 0,50858 0,51273 0,51236 0,52046
70
Gambar 37. Citra Keluaran Menggunakan Nilai Treshold Citra dalam Gambar 37 adalah hasil implementasi nilai treshold dalam sistem dengan menggunakan metode implikasi Mamdani dan kaidah Tipe 8. Penggunaan nilai treshold bertujuan untuk mengeliminasi citra basisdata yang tidak relevan dengan query.
Implementasi nilai treshold ini menyebabkan
keluaran sistem bersifat dinamis yaitu hanya menampilkan citra yang mempunyai nilai centroid lebih kecil atau sama dengan nilai treshold.
Kelebihan lain
implementasi nilai treshold adalah penghematan penggunaan memori komputer sehingga menambah kecepatan waktu komputasi. Hal ini disebabkan karena citra keluaran yang disimpan dalam memori komputer adalah citra yang relevan saja.
71
Metode lain sebagai bahan perbandingan dengan implementasi basis kaidah fuzzy dalam sistem temukembali ini adalah metode pembobotan. Penelitian yang dilakukan oleh Yuni (2006) dengan menggunakan basisdata citra yang sama adalah dengan menggunakan bobot 0,7 untuk ciri warna dan 0,3 untuk ciri bentuk. Metode segmentasi ciri citra yang digunakan dalam penelitian tersebut adalah untuk warna menggunakan fuzzy color histogram dan bentuk menggunakan Hough Transform. Nilai presisi tertinggi yang diperoleh dengan menggunakan
pembobotan tersebut adalah sebesar 44 % dan nilai presisi rata-rata dari seluruh jenis bunga adalah 42 %. 3. Efisiensi Sistem
Terdapat dua kriteria untuk menilai efisiensi sistem temukembali yaitu waktu proses baik untuk ekstraksi ciri maupun query dan ukuran file yang dihasilkan proses ekstraksi ciri.
Pengukuran efisiensi sistem ini dilakukan
terhadap tiga basisdata dengan jumlah citra yang berbeda. Hal ini dilakukan untuk melihat pengaruh kenaikan jumlah citra dalam basisdata terhadap waktu proses dan ukuran file. Tidak ada ketentuan yang baku mengenai efisiensi sistem temukembali ini. Hasil pengukuran efisiensi sistem temukembali pada Tabel 7 ini bervariasi tergantung pada spesifikasi perangkat keras dan lingkungan perangkat lunak yang digunakan untuk pengukuran efisiensi. Tabel 7. Efisiensi Sistem Temukembali Citra No
Basis Jumlah Data Citra
Ukuran Data Basisdata Indeks (byte) (byte)
Ekstraksi Proses Temukembali Basisdata Pencarian Visualisasi Jumlah (detik) (detik) (detik) (detik)
1
DBA
210
860.160
53.248
37,843
0,668
0,659
1,326
2
DBB
310
1.269.760
77.824
55,906
0,745
0,858
1,603
3
DBC
417
3.198.976 106.496
73,265
1,003
1,000
2,003
72
File indeks basisdata yang dihasilkan pada proses ekstraksi ciri besarnya meningkat dalam ukuran kilobyte dibandingkan dengan basisdata yang meningkat dalam ukuran megabyte. Waktu rata-rata yang dibutuhkan untuk ekstraksi ciri sebuah citra adalah sebesar 0,18 detik dan untuk pencarian secara sekuensial dalam file indeks adalah sebesar 0,004 detik. Waktu yang dibutuhkan untuk ekstraksi ciri dan pencarian ini berbanding lurus dengan peningkatan jumlah citra dalam basisdata. D. Pengembangan Sistem Untuk Aplikasi Pertanian
Sistem temukembali citra berbasis kaidah fuzzy dapat dikembangkan untuk merancang aplikasi dalam bidang pertanian modern yang berbasis teknologi informasi. Faktor-faktor yang perlu diperhatikan dalam pengembangan aplikasi dalam bidang pertanian adalah pembuatan basisdata training untuk masingmasing komoditi pertanian serta pencahayaan dan sudut pandang kamera untuk mengakuisisi citra sebagai masukan sistem. Secara konseptual dalam Gambar 38 pengembangan sistem temukembali untuk aplikasi di bidang pertanian dimulai dengan melakukan investigasi dalam domain kepakaran dalam hal ini orang yang pakar dalam pengolahan citra dan petugas survei.
Pengetahuan yang diperoleh kemudian diformulasikan dalam
bentuk peubah linguistik dalam kaidah-kaidah fuzzy. Domain pengetahuan dapat berasal dari sumber lain seperti data histori yang telah diolah secara statistik. Kegiatan investigasi tersebut akan menghasilkan dua faktor yang paling berpengaruh terhadap keberhasilan pengembangan sistem.
Pertama, seorang
pakar dalam pengolahan citra akan memberikan kontribusi terhadap jenis ciri citra dan metode segmentasi yang akan digunakan untuk menghasilkan data training
73
untuk masing-masing kategori. Kedua, dengan pengetahuan yang diperoleh dari hasil kajian ilmiah dan survei langsung di lapangan akan menghasilkan basis kaidah fuzzy yang akan diimplementasikan dalam sistem.
Gambar 38. Arsitektur Sistem Temukembali Citra Untuk Aplikasi Pertanian. Aplikasi dalam bidang pertanian yang secara langsung bisa dikembangkan adalah aplikasi untuk tujuan pendidikan yaitu perpustakaan dijital.
Hal ini
disebabkan karena aplikasi perpustakaan dijital ini mempunyai prinsip kerja yang sama dengan prinsip kerja dalam sistem temukembali citra yaitu sistem berfungsi sebagai mesin pencari citra dalam basisdata yang relevan dengan citra query. Pengembangan aplikasi untuk kegiatan agroindustri dapat digunakan untuk melakukan identifikasi jenis-jenis komoditi pertanian misalnya bunga, kayu, buah dan lain-lain dengan tujuan untuk melakukan kegiatan sortasi hasil panen. Pengembangan aplikasi dalam bidang agroindustri memerlukan perangkat keras yaitu antarmuka antara unit pengolah data dengan peralatan sortasi. Antarmuka perangkat keras ini berfungsi sebagai alat untuk menyampaikan perintah yang 74
sudah didefinisikan terlebih dahulu dari unit pengolah data ke peralatan sortasi. Sistem temukembali dalam hal ini digunakan sebagai alat untuk mengambil keputusan terhadap masukan yang diperoleh. Aplikasi lain dalam bidang pertanian yang sudah dilakukan penelitian adalah pengembangan sistem temukembali citra untuk pengklasifikasian lahan dengan basis citra satelit. Berdasarkan penelitian Parulekar, Datta, Li dan Wang (2005) dari The Pennsylvania State University dan University Park citra satelit yang digunakan sebagai basisdata dibagi menjadi beberapa area (region of interest) dan setiap area tersebut kemudian diklasifikasikan secara semantik.
Arsitektur sistem dalam Gambar 39 terdiri dari off-line processing dan online querying. Bagian off-line processing merupakan proses untuk melakukan
pengindeksan warna dan tekstur masing-masing area citra satelit dan kemudian hasilnya digunakan sebagai data training masing-masing kategori lahan. Bagian on-line querying merupakan proses temukembali dimana pengguna melakukan
query dengan menggunakan potongan citra. Citra query dari pengguna ini kemudian diukur kemiripannya dengan masing-masing kategori lahan dan sistem kemudian menampilkan urutan nominasi kategori lahan. Metode pengukuran kemiripan dalam sistem pengklasifikasian lahan ini dapat dimodifikasi dengan mengimplementasikan metode basis kaidah fuzzy. Pengimplementasian basis kaidah fuzzy ini dilakukan dengan memperlakukan masing-masing kategori lahan sebagai basisdata citra yang akan diukur kemiripannya dengan citra query. Hal-hal yang harus dilakukan terlebih dahulu adalah pengaturan kembali nilai parameter fuzzyfikasi, agregasi - defuzzyfikasi dan basis kaidah fuzzy yang memberikan kinerja terbaik dari masukan ciri warna dan tekstur citra. 75
Gambar 39. Arsitektur Sistem Pengklasifikasian Lahan (Parulekar et al, 2005)
76
VII. KESIMPULAN DAN SARAN
A. Kesimpulan
Kinerja basis kaidah fuzzy yang memberikan hasil terbaik adalah basis kaidah fuzzy yang mempunyai informasi warna lebih dominan dibandingkan dengan bentuk dalam penentuan kemiripan citra.
Basis kaidah fuzzy yang
mempunyai kinerja terbaik bagi sistem temukembali citra untuk ketiga metode implikasi adalah sebagai berikut : − Jika citra basisdata warnanya sama atau beda dan bentuknya sama atau mirip atau beda dengan citra query maka diklasifikasikan menjadi sama atau beda denga citra query tergantung klasifikasi warna. − Jika citra basisdata warnanya mirip dan bentuknya sama atau mirip dengan citra query maka diklasifikasikan menjadi mirip dengan citra query. − Jika citra basisdata warnanya mirip dan bentuknya beda maka diklasifikasikan menjadi beda dengan citra query. Kinerja sistem temukembali citra tergantung pada metode implikasi kaidah fuzzy yang digunakan dalam percobaan. Penggunaan metode implikasi yang berbeda menyebabkan terjadinya perubahan pengklasifikasian citra, terutama antara metode Mamdani dengan Aljabar dan Einstein.
Nilai presisi yang
dihasilkan oleh metode Mamdani adalah 84,67 %, metode Aljabar 87,89 % dan metode Einstein 86,56 %. Nilai presisi rata-rata tertinggi dari ketiga metode implikasi adalah 86,44 %.
Secara persepsi penilaian kinerja sistem terhadap
masing-masing metode implikasi menunjukkan bahwa metode implikasi Mamdani mampu menghasilkan citra yang lebih baik jika dibandingkan dengan metode Aljabar dan Einstein. 77
Implementasi nilai treshold menyebabkan keluaran sistem bersifat dinamis yaitu hanya menampilkan citra yang mempunyai nilai centroid lebih kecil atau sama dengan nilai treshold dan menghemat penggunaan memori komputer sehingga mempercepat waktu komputasi. Nilai treshold merupakan nilai centroid terbesar citra relevan yang berada di urutan nominasi terakhir. Sebagai metode perbandingan dengan implementasi basis kaidah fuzzy dalam sistem temukembali citra adalah menggunakan metode pembobotan linear. Hasil percobaan menggunakan basis kaidah fuzzy lebih baik dibandingkan dengan metode pembobotan linear dengan kriteria yang berbasis nilai presisi dan recall. Sistem temukembali citra yang mengimplementasikan basis kaidah fuzzy dapat dikembangkan untuk aplikasi dalam bidang pertanian modern yang berbasis teknologi informasi.
Pengembangan sistem temukembali citra untuk aplikasi
bidang pertanian antara lain adalah identifikasi jenis bunga, buah, kayu, sortasi hasil panen, klasifikasi lahan pertanian dan perpustakaan dijital. B. Saran
1. Penelitian implementasi basis kaidah fuzzy dalam sistem temukembali citra untuk pengukuran kemiripan dilanjutkan dengan menggunakan sistem inferensi fuzzy model Mamdani - Sugeno. 2. Penelitian metode segmentasi ciri citra dikembangkan untuk perancangan dan analisis kaidah fuzzy warna dan bentuk citra. 3. Penelitian lanjutan dilakukan dengan mereduksi noise citra terlebih dahulu sebelum melakukan proses segmentasi.
78
DAFTAR PUSTAKA
Benerjee M, Kundu MK. 2003. Content Based Image Retrieval with Fuzzy Geometrical Features. The 12th IEEE International Conference on Fuzzy Systems. Hal. 932 - 937. Berens J, Finlayson, Qiu G. 2000. Image Indexing using Compressed Colour Histograms. IEE Proceeding Visual Image Signal Process. Vol 147 No. 4 Hal 349 - 355. Cheng HD, Chen CH, Chin HH, Xu H. Fuzzy Homogeneity Approach to Multilevel Thresholding. IEEE Transactions on Image Processing. Vol.7, No.7, July 1998. Chen Y, Wang JZ. 2002. A Region-Based Fuzzy Feature Matching Aproach to Content-Based Image Retrieval. IEEE Transaction on Pattern Analysis and Machine Intelligence. Vol. 24 No. 9. Cormen, TH, Leiserson CE, Rivest RL. 1990. Introduction to Algorithms. New York : McGraw-Hill Book Company. Deng Y. et al. 2001. An Efficient Color Representation for Image Retrieval. IEEE Transactions on Image Processing. Vol. 10 No. 1 Hal 140 - 147. Gaweda AE, Zurada JM. 2006. Data-Driven Linguistic Modeling using Relational Fuzzy Rules. IEEE Transactions on Fuzzy Systems. Vol. 11 No. 1, Hal 121134. Gonzalez RC, Woods RE. 2002. Digital Image Processing. Edisi ke – 2. New Jersey : Prentice Hall, Inc. Herrera F. 2005. Genetic Fuzzy Systems : Status, Critical Considerations and Future Directions. International Journal of Computational Intelligence Research. Vol. 1. Hal 59 - 67. Huang J, Kumar SR, Mitra M, Zhu WJ, Zabih R. 1997. Image Indexing using Color Correlograms. International Conference on Computer Vision and Pattern Recognition. Hal 762 - 768. Jiang W, Er G, Dai Q, Gu J. 2006. Similarity-Based Online Feature Selection in Content-Based Image Retrieval. IEEE Transactions on Image Processing. Vol. 15 No. 3 Hal. 702 – 712. Kulkami, S, Verma B. 2003. Fuzzy Logic Based Textures Queries for CBIR. Fifth International Conference on Computational Intelligence and Multimedia Applications. Hal. 223 - 228.
79
Kusumadewi S, Hartati S. 2006. Neuro-Fuzzy : Integrasi Sistem Fuzzy dan Jaringan Saraf. Yogyakarta : Penerbit Graha Ilmu. Marimin, 2005. Teori dan Aplikasi Sistem Pakar dalam Teknologi Manajerial. Bogor : IPB Press. Edisi ke-2. Mojsilovic A. 2002. A Method For Color Naming And Description Of Color Composition In Images. IBM T. J. Watson Research Center, 30 Saw Mill River Road, Hawthorne, NY 10532 Parulekar A, Datta R, Li J, Wang JZ. 2005. Large-scale Satellite Image Browsing using Automatic Semantic Categorization and Content-based Retrieval. US National Science Foundation under Grant Nos. IIS-0219272, EIA-0202007, and IIS-0347148, the PNC Foundation, and SUN Microsystems. The Pennsylvania State University, University Park. Qiu G dan Lam, KM. 2003. Frequency Color Indexing for Content-Based Image Retrieval. IEEE Transactions on Image Processing. Vol. 12 No. 1 Hal 102 - 113. Sebe N, Lew MS. 2000. Robust Computer Vision : Theory and Applications. Leiden : Leiden Institute of Advance Computer Science. Smeulders AWM, Worring M, Santini S, Gupta A, Jain R. 2000. Content-Based Image Retrieval at the End of the Early Years. IEEE Transaction on Pattern Analysis and Machine Intelligence. Vol. 22 No. 12. Stone MC. 2003. A Field Guide to Digital Color. Massachussetts : AK Peters Natick. Turban E. 1995. Decision Support and Expert Systems : Management Support Systems. New Jersey : Prentice Hall Inc. 4th Edition. Vertan C, Boujeema N. 2000. Embedding Fuzzy Logic in Content Based Image Retrieval. INRIA Rocquancourt - Project IMEDIA Paper. Wu JK, Ang YH, Lam PC, Moorthy SK, Narasimahalu AD. 1993. Facial Image Retrieval, Identification and Inference System. The First ACM International Conference on Multimedia. Hal. 47 - 55. Xiaoling W, Kanglin X. 2005. Application of the Fuzzy Logic in Content-based Image Retrieval. JCS&T. Vol. 5 No. 1 Hal 19 - 24. Yuni W. 2006. Metode Hough Transform untuk Ekstraksi Ciri Bentuk pada Citra Bunga. Departemen Ilmu Komputer. Institut Pertanian Bogor. Zhang R, Zhang Z. 2004. A Robust Color Object Analysis Approach to Efficient Image Retrieval. EURASIP Journal on Applied Signal Processing. Hal. 871 - 885.
80
Lampiran 1. Warna Referensi *) No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 *)
Warna Hitam Pink Pudar Pink Lembut Coklat Tua Merah Merah Delima Merah Bata Persik Coklat Kemerahan Oranye Pasir Coklat Kenari Emas Kuning Tajam Khaki Kuning Pisang Kuning Hijau Hijau Muda Hijau Rumput Hijau Hutan Hijau Kebiruan Hijau Samudra Hijau Lumut Cyan Biru Langit Biru Angkatan Laut Biru Bedak Biru Pastel Biru Temaram Biru Elektrik Biru Biru Tajam Grape Ungu Neon Ungu Magenta Pink Merah Tua Pink Tajam Merah Regal Putih
H 0 0 0 0 0 0 15 20 20 24 30 30 30 40 48 60 60 60 120 140 140 150 180 180 180 180 192 220 240 240 240 240 240 255 270 285 285 300 330 330 340 340 360
S 0 20 40 50 100 100 100 60 75 100 40 67 100 75 100 33 75 100 100 75 100 100 25 33 50 100 100 100 20 40 50 60 100 100 67 80 100 100 40 67 60 75 100
V 0 100 100 40 100 60 80 100 80 100 100 60 40 80 100 60 80 100 100 80 60 40 80 60 40 100 100 60 100 100 80 100 100 80 60 100 80 100 100 60 100 80 100
Sumber : Corel Photopaint 10.0
81
Lampiran 2. Tahap Pembentukan Sistem Pakar (Marimin, 2005)
82
Lampiran 3. Bagan Alir Sistem Temukembali Citra
83
Lampiran 4. Basis Kaidah Fuzzy
No Masukan 1 2 3 4 5 6 7 8 9
1 1 1 2 2 2 3 3 3
1 2 3 1 2 3 1 2 3
No Masukan 1 2 3 4 5 6 7 8 9
1 1 1 2 2 2 3 3 3
1 2 3 1 2 3 1 2 3
No Masukan 1 2 3 4 5 6 7 8 9
1 1 1 2 2 2 3 3 3
1 2 3 1 2 3 1 2 3
No Masukan 1 2 3 4 5 6 7 8 9
1 1 1 2 2 2 3 3 3
1 2 3 1 2 3 1 2 3
No Masukan 1 2 3 4 5 6 7 8 9
1 1 1 2 2 2 3 3 3
1 2 3 1 2 3 1 2 3
No Masukan 1 2 3 4 5 6 7 8 9
1 1 1 2 2 2 3 3 3
1 2 3 1 2 3 1 2 3
KELUARAN / TIPE KAIDAH
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
1 1 1 1 2 2 1 1 3
1 1 1 1 2 2 1 2 3
1 1 1 1 2 2 1 3 3
1 1 1 1 2 2 2 2 3
1 1 1 1 2 2 2 3 3
1 1 1 1 2 2 3 3 3
1 1 1 1 2 3 1 1 3
1 1 1 1 2 3 1 2 3
1 1 1 1 2 3 1 3 3
1 1 1 1 2 3 2 2 3
1 1 1 1 2 3 2 3 3
1 1 1 1 2 3 3 3 3
1 1 1 2 2 2 1 1 3
1 1 1 2 2 2 1 2 3
1 1 1 2 2 2 1 3 3
1 1 1 2 2 2 2 2 3
1 1 1 2 2 2 2 3 3
1 1 1 2 2 2 3 3 3
1 1 1 2 2 3 1 1 3
1 1 1 2 2 3 1 2 3
1 1 1 2 2 3 1 3 3
1 1 1 2 2 3 2 2 3
1 1 1 2 2 3 2 3 3
1 1 1 2 2 3 3 3 3
KELUARAN / TIPE KAIDAH
25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
1 1 2 1 2 2 1 1 3
1 1 2 1 2 2 1 2 3
1 1 2 1 2 2 1 3 3
1 1 2 1 2 2 2 2 3
1 1 2 1 2 2 2 3 3
1 1 2 1 2 2 3 3 3
1 1 2 1 2 3 1 1 3
1 1 2 1 2 3 1 2 3
1 1 2 1 2 3 1 3 3
1 1 2 1 2 3 2 2 3
1 1 2 1 2 3 2 3 3
1 1 2 1 2 3 3 3 3
1 1 2 2 2 2 1 1 3
1 1 2 2 2 2 1 2 3
1 1 2 2 2 2 1 3 3
1 1 2 2 2 2 2 2 3
1 1 2 2 2 2 2 3 3
1 1 2 2 2 2 3 3 3
1 1 2 2 2 3 1 1 3
1 1 2 2 2 3 1 2 3
1 1 2 2 2 3 1 3 3
1 1 2 2 2 3 2 2 3
1 1 2 2 2 3 2 3 3
1 1 2 2 2 3 3 3 3
KELUARAN / TIPE KAIDAH
49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
1 1 3 1 2 2 1 1 3
1 1 3 1 2 2 1 2 3
1 1 3 1 2 2 1 3 3
1 1 3 1 2 2 2 2 3
1 1 3 1 2 2 2 3 3
1 1 3 1 2 2 3 3 3
1 1 3 1 2 3 1 1 3
1 1 3 1 2 3 1 2 3
1 1 3 1 2 3 1 3 3
1 1 3 1 2 3 2 2 3
1 1 3 1 2 3 2 3 3
1 1 3 1 2 3 3 3 3
1 1 3 2 2 2 1 1 3
1 1 3 2 2 2 1 2 3
1 1 3 2 2 2 1 3 3
1 1 3 2 2 2 2 2 3
1 1 3 2 2 2 2 3 3
1 1 3 2 2 2 3 3 3
1 1 3 2 2 3 1 1 3
1 1 3 2 2 3 1 2 3
1 1 3 2 2 3 1 3 3
1 1 3 2 2 3 2 2 3
1 1 3 2 2 3 2 3 3
1 1 3 2 2 3 3 3 3
KELUARAN / TIPE KAIDAH
73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96
1 2 2 1 2 2 1 1 3
1 2 2 1 2 2 1 2 3
1 2 2 1 2 2 1 3 3
1 2 2 1 2 2 2 2 3
1 2 2 1 2 2 2 3 3
1 2 2 1 2 2 3 3 3
1 2 2 1 2 3 1 1 3
1 2 2 1 2 3 1 2 3
1 2 2 1 2 3 1 3 3
1 2 2 1 2 3 2 2 3
1 2 2 1 2 3 2 3 3
1 2 2 1 2 3 3 3 3
1 2 2 2 2 2 1 1 3
1 2 2 2 2 2 1 2 3
1 2 2 2 2 2 1 3 3
1 2 2 2 2 2 2 2 3
1 2 2 2 2 2 2 3 3
1 2 2 2 2 2 3 3 3
1 2 2 2 2 3 1 1 3
1 2 2 2 2 3 1 2 3
1 2 2 2 2 3 1 3 3
1 2 2 2 2 3 2 2 3
1 2 2 2 2 3 2 3 3
1 2 2 2 2 3 3 3 3
KELUARAN / TIPE KAIDAH
97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
1 2 3 1 2 2 1 1 3
1 2 3 1 2 2 1 2 3
1 2 3 1 2 2 1 3 3
1 2 3 1 2 2 2 2 3
1 2 3 1 2 2 2 3 3
1 2 3 1 2 2 3 3 3
1 2 3 1 2 3 1 1 3
1 2 3 1 2 3 1 2 3
1 2 3 1 2 3 1 3 3
1 2 3 1 2 3 2 2 3
1 2 3 1 2 3 2 3 3
1 2 3 1 2 3 3 3 3
1 2 3 2 2 2 1 1 3
1 2 3 2 2 2 1 2 3
1 2 3 2 2 2 1 3 3
1 2 3 2 2 2 2 2 3
1 2 3 2 2 2 2 3 3
1 2 3 2 2 2 3 3 3
1 2 3 2 2 3 1 1 3
1 2 3 2 2 3 1 2 3
1 2 3 2 2 3 1 3 3
1 2 3 2 2 3 2 2 3
1 2 3 2 2 3 2 3 3
1 2 3 2 2 3 3 3 3
KELUARAN / TIPE KAIDAH
121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
1 3 3 1 2 2 1 1 3
1 3 3 1 2 2 1 2 3
1 3 3 1 2 2 1 3 3
1 3 3 1 2 2 2 2 3
1 3 3 1 2 2 2 3 3
1 3 3 1 2 2 3 3 3
1 3 3 1 2 3 1 1 3
1 3 3 1 2 3 1 2 3
1 3 3 1 2 3 1 3 3
1 3 3 1 2 3 2 2 3
1 3 3 1 2 3 2 3 3
1 3 3 1 2 3 3 3 3
1 3 3 2 2 2 1 1 3
1 3 3 2 2 2 1 2 3
1 3 3 2 2 2 1 3 3
1 3 3 2 2 2 2 2 3
1 3 3 2 2 2 2 3 3
1 3 3 2 2 2 3 3 3
1 3 3 2 2 3 1 1 3
1 3 3 2 2 3 1 2 3
1 3 3 2 2 3 1 3 3
1 3 3 2 2 3 2 2 3
1 3 3 2 2 3 2 3 3
1 3 3 2 2 3 3 3 3
Keterangan : 1 = sama , 2 = mirip , 3 = beda
84
Lampiran 5. Distribusi Warna Citra
No 1 2 3 4 5 6 7 8 9 10 11 12
No 1 2 3 4 5 6 7 8 9 10 11 12
Jenis Bunga Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris Lily Putih Lily Kuning Hitam
Jenis Bunga Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris Lily Putih Lily Kuning Hitam
1 0,01 26,35 0,10 0,02 0,09 0,38 17,26 0,96 0,07 0,17 0,60 0,21
2 0,00 0,00 0,00 0,00 0,00 9,06 0,00 0,01 0,00 0,00 0,00 0,00
3 0,00 0,00 0,00 0,00 0,00 0,17 0,00 0,00 0,00 0,00 0,00 0,00
4 2,68 0,14 2,50 2,57 1,51 0,21 0,15 0,02 0,62 0,17 0,19 0,56
5 0,34 2,72 2,04 0,51 6,70 0,01 0,02 0,00 6,63 0,06 0,00 0,57
6 0,00 9,02 0,01 0,00 0,26 0,00 0,00 0,00 5,03 0,02 0,00 0,75
7 0,04 0,00 0,11 0,06 0,20 1,39 0,07 0,08 0,01 0,56 0,36 0,11
8 0,00 0,00 0,00 0,00 0,00 7,90 0,21 1,26 0,01 0,01 0,00 0,00
23 0,56 0,03 0,02 21,11 1,48 2,98 6,24 24,83 0,04 3,55 9,39 0,13
24 0,00 0,00 3,89 0,00 0,18 0,00 0,00 0,00 0,00 0,00 0,00 0,00
25 0,01 0,00 0,58 0,00 0,00 0,09 0,01 0,00 0,00 0,00 0,00 0,00
26 0,87 0,00 0,03 0,07 0,01 0,32 0,20 4,62 0,00 0,17 0,83 0,00
27 13,54 8,30 3,84 1,75 0,53 2,39 6,01 0,63 0,11 0,21 0,56 0,73
28 25,61 0,12 0,54 1,71 0,28 1,25 4,08 6,34 0,94 0,14 5,64 0,12
29 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
30 15,17 22,39 6,28 27,58 35,81 2,74 7,57 1,19 1,55 20,54 17,56 8,10
Bin Warna Referensi 10 11 12 13 0,46 0,00 0,04 0,00 10,32 0,04 0,23 0,01 0,98 0,00 1,21 0,00 0,85 0,00 0,03 0,00 1,03 0,00 0,08 0,00 0,01 0,00 0,01 0,00 0,00 0,00 17,26 0,00 0,03 0,00 0,14 0,00 3,38 0,00 1,37 0,00 1,55 0,04 1,28 26,35 0,07 0,00 0,20 0,00 12,11 0,13 2,22 0,03
14 0,00 0,00 0,29 0,00 26,35 0,00 0,00 0,00 0,00 0,00 0,00 0,00
15 0,00 0,00 0,01 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
16 0,00 0,00 0,00 0,00 0,00 0,02 0,04 0,00 0,00 0,00 0,00 0,00
17 0,07 0,03 0,00 0,00 0,00 1,99 3,21 5,50 0,00 0,00 0,00 0,00
18 0,07 0,00 7,77 0,00 0,54 0,14 0,08 0,00 0,00 0,00 0,00 0,00
19 0,04 0,00 3,69 0,00 0,09 0,12 0,01 0,00 0,00 0,00 0,00 0,00
20 0,37 0,01 0,67 4,62 1,30 0,31 0,09 0,00 0,13 0,03 0,00 0,02
21 0,00 0,07 0,00 0,00 3,22 0,00 0,00 0,00 0,68 0,55 0,00 0,76
Bin Warna Referensi 31 32 33 34 35 0,00 0,00 2,29 0,64 2,87 0,00 0,00 3,54 3,60 4,32 0,00 41,71 0,81 9,15 1,27 0,00 0,00 7,82 0,98 5,26 0,00 0,00 1,37 3,24 1,10 0,00 0,22 2,14 5,21 0,01 0,00 0,44 5,62 1,73 17,26 0,00 0,00 0,01 47,69 0,03 0,00 0,00 0,02 21,60 6,19 0,00 0,00 0,19 21,20 0,35 0,00 0,00 0,06 23,86 0,08 0,00 0,00 0,11 26,71 0,89
36 26,35 1,60 0,04 0,18 2,67 17,26 0,00 0,01 0,73 5,42 0,37 7,50
37 1,33 0,47 0,23 2,40 0,60 0,35 1,10 0,01 0,01 0,08 0,07 0,02
38 0,13 0,01 0,04 0,19 0,30 1,04 0,25 0,00 0,00 0,15 0,03 0,02
39 1,20 0,04 0,92 0,79 1,43 0,04 0,02 0,03 0,62 0,36 0,04 0,25
40 0,15 1,30 3,38 0,80 1,35 5,55 4,87 0,30 0,20 0,06 0,01 0,14
41 0,05 0,00 0,07 0,04 0,08 0,07 0,09 0,00 20,86 0,05 26,35 26,35
42 0,00 0,00 1,46 0,00 0,21 34,51 0,00 0,00 20,86 0,00 0,00 0,00
43 5,11 5,32 6,41 20,58 4,15 2,08 6,13 6,33 8,28 12,15 13,69 11,27
9 0,00 0,00 0,00 0,00 0,00 0,03 0,00 0,00 0,00 0,00 0,00 0,00
22 0,00 0,01 0,00 0,08 3,83 0,00 0,00 0,00 0,07 4,61 0,01 0,19
85
Lampiran 6. Hasil Percobaan Optimasi Parameter Fuzzyfikasi Α. α = 1 Np No Nama Bunga 1 Daisy Merah Muda 2 Daffodil 3 Lily Coklat 4 Daisy Putih 5 Mawar Kuning 6 Ascocentrum 7 Cymbidium 8 Morning Glory 9 Lily Kuning Coklat 10 Iris 11 Lily Putih 12 Lily Kuning Hitam Jumlah Presisi (%)
1 11 11 13 12 12 9 9 8 12 9 6 9
10 2 12 10 13 13 9 11 11 6 14 10 11 10
3 15 8 13 11 9 14 9 6 12 10 13 11
1 12 11 13 12 12 9 9 8 12 10 6 10
10 2 12 10 13 13 10 11 11 6 14 10 11 10
3 15 8 13 11 12 14 9 6 12 11 13 11
∑
38 29 39 36 30 34 29 20 38 29 30 30 382 70,74
1 12 12 13 12 14 9 11 10 13 10 6 12
15 2 13 13 13 14 12 13 12 7 15 10 12 12
3 15 12 14 11 10 14 12 8 14 12 14 13
1 12 12 13 12 14 9 11 10 14 11 6 12
15 2 13 13 13 14 12 13 12 7 15 12 12 12
3 15 12 13 12 11 15 12 8 14 13 14 13
∑
40 37 40 37 36 36 35 25 42 32 32 37 429 79,44
1 13 12 14 12 13 9 12 11 14 10 7 12
20 2 14 13 13 14 12 14 13 9 15 10 13 12
3 15 13 14 11 11 15 13 11 13 12 14 14
1 13 12 14 12 13 9 12 12 14 11 8 13
20 2 14 13 13 13 12 14 13 9 15 12 12 12
3 15 13 13 12 11 15 13 12 13 13 14 14
∑
42 38 41 37 36 38 38 31 42 32 34 38 447 82,78
1 13 12 14 12 14 9 12 11 14 10 8 12
25 2 14 13 13 14 14 14 13 9 15 10 12 12
3 15 14 14 11 11 13 12 12 13 12 13 13
1 13 11 14 12 14 9 12 12 14 11 8 12
25 2 14 13 13 12 13 14 12 9 15 12 10 13
3 15 13 13 12 11 13 13 12 13 13 13 14
∑
42 39 41 37 39 36 37 32 42 32 33 37 447 82,78
Β. α = 2 Np No Nama Bunga 1 Daisy Merah Muda 2 Daffodil 3 Lily Coklat 4 Daisy Putih 5 Mawar Kuning 6 Ascocentrum 7 Cymbidium 8 Morning Glory 9 Lily Kuning Coklat 10 Iris 11 Lily Putih 12 Lily Kuning Hitam Jumlah Presisi (%)
∑
39 29 39 36 34 34 29 20 38 31 30 31 390 72,22
∑
40 37 39 38 37 37 35 25 43 36 32 37 436 80,74
∑
42 38 40 37 36 38 38 33 42 36 34 39 453 83,89
∑
42 37 40 36 38 36 37 33 42 36 31 39 447 82,78
86
Lampiran 7. Hasil Percobaan Optimasi Parameter Kurva Segitiga
No
Nama Bunga
No
Nama Bunga
1 1 Daisy Merah Muda 13 2 Daffodil 15 3 Lily Coklat 14 4 Daisy Putih 14 5 Mawar Kuning 14 6 Ascocentrum 8 7 Cymbidium 13 8 Morning Glory 12 9 Lily Kuning Coklat 14 10 Iris 10 11 Lily Putih 8 12 Lily Kuning Hitam 11 Jumlah Presisi (%)
1 1 Daisy Merah Muda 13 2 Daffodil 15 3 Lily Coklat 14 4 Daisy Putih 13 5 Mawar Kuning 14 6 Ascocentrum 9 7 Cymbidium 13 8 Morning Glory 12 9 Lily Kuning Coklat 14 10 Iris 9 11 Lily Putih 8 12 Lily Kuning Hitam 12 Jumlah Presisi (%)
γ = 0,3 2 15 13 13 11 14 14 12 10 15 11 12 11
3 15 13 14 12 13 15 13 10 14 11 13 14
4 14 14 14 13 12 14 12 12 11 11 11 11
γ = 0,4 ∑ 72 69 66 59 68 64 58 54 69 53 56 60 748 83,11
1 13 15 14 13 14 9 13 12 14 10 8 11
2 15 13 13 14 14 14 12 10 15 11 12 11
∑ 73 69 67 62 67 65 59 56 69 55 58 62 762 84,67
1 13 15 14 13 14 9 13 11 14 9 8 12
2 14 13 13 14 14 14 13 11 15 11 12 12
5 15 14 11 9 15 13 8 10 15 10 12 13
γ = 0,5 2 15 13 13 14 14 14 12 11 15 12 12 11
3 15 13 14 12 12 15 14 11 14 12 14 14
4 15 14 14 14 12 14 12 12 11 11 12 12
3 15 13 14 12 12 15 14 10 14 11 14 14
4 15 14 14 14 12 14 12 12 11 11 12 11
∑ 73 69 67 62 67 65 59 54 69 53 58 60 756 84,00
5 15 14 12 9 15 13 8 10 15 10 12 13
γ = 0,6 5 15 14 12 9 15 13 8 10 15 11 12 13
3 15 13 14 12 11 15 14 11 14 12 14 14
4 15 13 14 14 12 12 12 12 11 11 12 12
∑ 72 68 67 62 66 63 60 55 69 54 58 62 756 84,00
5 15 14 12 9 15 13 8 10 15 11 12 12
87
Lampiran 8. Hasil Percobaan Optimasi Parameter Kurva Gaussian A. Lebar Kurva No
Nama Bunga
γ = 0,4 ; σ = 0,1
1 1 Daisy Merah Muda 13 2 Daffodil 15 3 Lily Coklat 14 4 Daisy Putih 13 5 Mawar Kuning 14 6 Ascocentrum 9 7 Cymbidium 13 8 Morning Glory 12 9 Lily Kuning Coklat 14 10 Iris 14 11 Lily Putih 8 12 Lily Kuning Hitam 11 Jumlah Presisi (%)
2 15 13 13 14 14 14 12 10 15 11 12 11
3 15 13 14 12 12 15 13 11 14 12 14 14
4 15 14 14 14 12 12 12 12 11 11 12 11
∑ 73 69 67 62 67 63 58 55 69 58 58 60 759 84,33
5 15 14 12 9 15 13 8 10 15 10 12 13
γ = 0,4 ; σ = 0,15 1 13 15 14 13 14 8 13 12 14 10 8 11
2 15 13 13 14 14 14 12 10 15 11 12 11
3 15 13 14 12 12 15 13 10 14 11 14 14
4 15 14 14 14 12 14 12 12 11 11 12 11
γ = 0,4 ; σ = 0,2
∑ 73 69 67 62 67 64 58 54 69 53 58 60 754 83,78
5 15 14 12 9 15 13 8 10 15 10 12 13
1 13 15 14 13 14 8 13 12 14 10 8 11
2 15 13 13 11 14 14 12 10 15 11 12 11
3 15 13 14 12 14 15 13 10 14 11 13 14
4 14 14 14 13 12 13 12 12 11 11 11 11
∑ 72 69 67 58 69 63 58 54 69 53 56 60 748 83,11
5 15 14 12 9 15 13 8 10 15 10 12 13
B. Pusat Kurva No
Nama Bunga
1 Daisy Merah Muda 2 Daffodil 3 Lily Coklat 4 Daisy Putih 5 Mawar Kuning 6 Ascocentrum 7 Cymbidium 8 Morning Glory 9 Lily Kuning Coklat 10 Iris 11 Lily Putih 12 Lily Kuning Hitam Jumlah Presisi (%)
σ = 0,1 ; γ = 0,3 1 13 15 14 14 14 8 13 12 14 10 8 11
2 15 13 13 14 14 14 12 10 15 11 12 11
3 15 13 14 12 12 15 13 10 14 11 13 14
4 14 14 14 14 12 14 12 12 11 11 11 11
5 ∑ 15 72 14 69 11 66 9 63 15 67 13 64 8 58 10 54 15 69 10 53 12 56 13 60 751 83,44
σ = 0,1 ; γ = 0,4 1 13 15 14 13 14 9 13 12 14 14 8 11
2 15 13 13 14 14 14 12 10 15 11 12 11
3 15 13 14 12 12 15 13 11 14 12 14 14
4 15 14 14 14 12 12 12 12 11 11 12 11
∑ 73 69 67 62 67 63 58 55 69 58 58 60 759 84,33
5 15 14 12 9 15 13 8 10 15 10 12 13
σ = 0,1 ; γ = 0,5 1 13 14 14 12 14 9 13 11 14 9 8 12
2 14 13 13 14 14 14 12 10 15 11 12 11
3 15 13 14 12 12 15 14 11 14 12 14 14
4 15 13 14 13 10 12 12 12 11 11 12 12
∑ 72 67 67 60 65 63 59 54 69 54 58 61 749 83,22
5 15 14 12 9 15 13 8 10 15 11 12 12
σ = 0,1 ; γ = 0,6 1 13 12 14 12 14 9 12 11 14 9 7 12
2 13 13 13 14 14 14 13 10 15 10 12 12
3 15 13 14 11 9 15 14 12 14 11 14 13
4 15 13 14 12 12 11 12 12 10 12 12 12
5 ∑ 15 71 14 65 12 67 9 58 15 64 12 61 7 58 10 55 15 68 11 53 12 57 12 61 738 82,00
88
Lampiran 9. Basis Kaidah Fuzzy Hasil Seleksi
No 1 2 3 4 5 6 7 8 9
No 1 2 3 4 5 6 7 8 9
Masukan sama sama sama mirip mirip mirip beda beda beda
sama mirip beda sama mirip beda sama mirip beda
Masukan sama sama sama mirip mirip mirip beda beda beda
sama mirip beda sama mirip beda sama mirip beda
1 sama sama sama mirip mirip mirip beda beda beda
2 sama sama mirip mirip mirip mirip beda beda beda
3 sama sama beda mirip mirip mirip beda beda beda
4 sama mirip mirip mirip mirip mirip beda beda beda
KELUARAN / TIPE KAIDAH 5 6 7 8 sama sama sama sama mirip beda sama sama beda beda sama mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip beda beda beda beda beda beda beda beda beda beda beda beda beda beda
9 sama sama beda mirip mirip beda beda beda beda
10 sama mirip mirip mirip mirip beda beda beda beda
11 sama mirip beda mirip mirip beda beda beda beda
12 sama beda beda mirip mirip beda beda beda beda
13 sama sama sama mirip mirip mirip mirip mirip beda
14 sama sama mirip mirip mirip mirip mirip mirip beda
15 sama sama beda mirip mirip mirip mirip mirip beda
16 sama mirip mirip mirip mirip mirip mirip mirip beda
KELUARAN / TIPE KAIDAH 17 18 19 20 sama sama sama sama mirip beda sama sama beda beda sama mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip beda beda mirip mirip mirip mirip mirip mirip mirip mirip beda beda beda beda
21 sama sama beda mirip mirip beda mirip mirip beda
22 sama mirip mirip mirip mirip beda mirip mirip beda
23 sama mirip beda mirip mirip beda mirip mirip beda
24 sama beda beda mirip mirip beda mirip mirip beda
89
Lampiran 10. Hasil Percobaan Penilaian Kinerja Basis Kaidah Fuzzy TipeKaidah No NamaBunga 1 Daisy Merah Muda 2 Daffodil 3 Lily Coklat 4 Daisy Putih 5 Mawar Kuning 6 Ascocentrum 7 Cymbidium 8 Morning Glory 9 Lily Kuning Coklat 10 Iris 11 Lily Putih 12 Lily Kuning Hitam Jumlah Citra Temukembali Presisi (%)
1 13 12 14 12 13 9 12 12 14 11 8 13
Tipe 1 2 3 4 14 15 15 13 13 12 13 13 14 13 12 12 12 11 12 14 15 12 13 13 12 9 12 12 15 13 10 12 13 12 12 14 12 12 14 13
5 13 13 13 11 15 11 9 12 15 12 11 12
Tipe Kaidah No Nama Bunga 1 Daisy Merah Muda 2 Daffodil 3 Lily Coklat 4 Daisy Putih 5 Mawar Kuning 6 Ascocentrum 7 Cymbidium 8 Morning Glory 9 Lily Kuning Coklat 10 Iris 11 Lily Putih 12 Lily Kuning Hitam Jumlah Citra Temukembali Presisi (%)
1 13 12 14 12 14 8 12 11 14 10 8 12
Tipe 4 2 3 4 14 15 15 13 13 12 13 13 14 14 12 12 13 11 12 14 14 12 12 14 12 10 13 11 15 14 11 12 13 11 11 13 12 10 13 11
5 14 13 12 9 15 11 9 7 15 12 10 12
Tipe Kaidah No Nama Bunga 1 Daisy Merah Muda 2 Daffodil 3 Lily Coklat 4 Daisy Putih 5 Mawar Kuning 6 Ascocentrum 7 Cymbidium 8 Morning Glory 9 Lily Kuning Coklat 10 Iris 11 Lily Putih 12 Lily Kuning Hitam Jumlah Citra Temukembali Presisi (%)
1 13 15 14 13 13 9 12 12 14 9 8 12
Tipe 7 2 3 4 15 15 15 13 13 14 13 14 14 14 11 14 13 12 12 14 15 14 13 13 12 9 11 11 15 13 10 12 13 12 13 14 11 12 14 13
5 15 14 13 9 15 13 8 12 15 11 12 13
∑
70 63 67 60 63 61 59 57 67 60 57 64 748 83,11
∑
71 63 66 59 65 59 59 52 69 58 54 58 733 81,44
∑
73 69 68 61 65 65 58 55 67 57 58 64 760 84,44
1 13 12 14 12 14 10 13 12 14 11 8 13
Tipe 2 2 3 4 14 15 15 13 13 12 13 13 14 13 12 12 14 11 14 14 15 12 13 14 12 10 14 12 15 14 11 12 13 12 12 14 12 12 14 13
5 15 13 13 9 15 11 9 9 15 11 11 12
1 13 12 14 12 14 8 12 11 14 10 8 12
Tipe 5 2 3 4 14 15 15 13 13 12 13 13 14 14 12 12 13 11 12 14 14 12 12 14 12 10 13 11 15 14 11 12 13 11 11 13 12 10 13 11
5 14 13 12 9 15 11 9 7 15 12 10 12
1 13 15 14 13 14 9 13 12 14 9 8 12
Tipe 8 2 3 4 15 15 15 13 13 14 13 14 14 14 12 14 14 12 12 14 15 14 12 14 12 11 11 12 15 14 11 12 12 11 12 14 12 11 14 12
5 15 14 12 9 15 13 8 10 15 11 12 13
∑
72 63 67 58 68 62 61 57 69 59 57 64 757 84,11
∑
71 63 66 59 65 59 59 52 69 58 54 58 733 81,44
∑
73 69 67 62 67 65 59 56 69 55 58 62 762 84,67
1 13 12 14 12 14 10 13 12 14 11 8 13
Tipe 3 2 3 4 14 15 15 13 13 12 13 13 14 13 12 12 14 11 14 14 15 12 13 14 12 10 14 12 15 14 11 12 13 12 12 14 12 12 14 13
5 15 13 13 9 15 11 9 9 15 11 11 12
1 13 12 14 12 14 8 12 11 14 10 8 12
Tipe 6 2 3 4 14 15 15 13 13 12 13 13 14 14 12 12 13 11 12 14 14 12 12 14 12 10 13 11 15 14 11 12 13 11 11 13 12 10 13 11
5 14 13 12 9 15 11 10 7 15 11 10 12
1 13 15 14 13 14 9 13 12 14 9 8 12
Tipe 9 2 3 4 15 15 15 13 13 14 13 14 14 14 12 14 14 12 12 14 15 14 12 14 12 11 11 12 15 14 11 12 12 11 12 14 12 11 14 12
5 15 14 12 9 15 13 8 10 15 11 12 13
∑
72 63 67 58 68 62 61 57 69 59 57 64 757 84,11
∑
71 63 66 59 65 59 60 52 69 57 54 58 733 81,44
∑
73 69 67 62 67 65 59 56 69 55 58 62 762 84,67
90
Lampiran 10. Hasil Percobaan Penilaian Kinerja Basis Kaidah Fuzzy (lanjutan) Tipe Kaidah No Nama Bunga 1 Daisy Merah Muda 2 Daffodil 3 Lily Coklat 4 Daisy Putih 5 Mawar Kuning 6 Ascocentrum 7 Cymbidium 8 Morning Glory 9 Lily Kuning Coklat 10 Iris 11 Lily Putih 12 Lily Kuning Hitam Jumlah Citra Temukembali Presisi (%) Tipe Kaidah No Nama Bunga 1 Daisy Merah Muda 2 Daffodil 3 Lily Coklat 4 Daisy Putih 5 Mawar Kuning 6 Ascocentrum 7 Cymbidium 8 Morning Glory 9 Lily Kuning Coklat 10 Iris 11 Lily Putih 12 Lily Kuning Hitam Jumlah Citra Temukembali Presisi (%) Tipe Kaidah No Nama Bunga 1 Daisy Merah Muda 2 Daffodil 3 Lily Coklat 4 Daisy Putih 5 Mawar Kuning 6 Ascocentrum 7 Cymbidium 8 Morning Glory 9 Lily Kuning Coklat 10 Iris 11 LilyPutih 12 LilyKuningHitam Jumlah Citra Temukembali Presisi (%)
1 13 15 13 12 13 8 11 10 14 9 9 10
Tipe 10 2 3 4 15 14 14 13 13 14 13 14 14 14 12 14 13 10 12 14 14 14 12 14 12 10 8 11 15 14 11 11 12 10 11 12 10 10 12 10
5 14 14 11 8 15 13 8 7 15 9 9 12
1 12 11 13 12 14 9 12 11 14 8 8 11
Tipe 13 2 3 4 13 15 15 13 11 13 13 14 13 14 10 12 12 9 12 13 15 12 12 13 12 9 11 12 15 13 10 10 11 12 13 14 12 12 14 12
5 14 13 13 9 15 9 6 12 15 11 12 12
1 12 11 13 12 14 9 12 11 14 8 8 11
Tipe 19 2 3 4 13 15 15 13 9 13 13 14 13 14 10 12 12 9 12 13 15 12 12 13 12 9 11 12 15 13 10 10 11 12 13 14 12 12 14 12
5 14 13 13 9 15 9 6 12 15 11 12 12
∑
70 69 65 60 63 63 57 46 69 51 51 54 718 79,78
∑
69 61 66 57 62 58 55 55 67 52 59 61 722 80,22
∑
69 59 66 57 62 58 55 55 67 52 59 61 720 80,00
1 13 15 13 12 13 8 11 10 14 9 9 10
Tipe 11 2 3 4 15 14 14 13 13 14 13 14 14 14 12 14 13 11 12 14 14 14 12 14 12 10 8 11 15 14 11 11 12 10 11 12 10 10 12 10
5 14 14 11 8 15 13 8 7 15 9 9 12
1 12 11 13 12 14 9 13 11 14 8 8 11
Tipe 14 2 3 4 13 15 15 13 10 13 13 14 13 14 11 12 13 9 12 13 15 12 12 14 12 10 10 12 15 14 10 10 11 11 12 14 12 11 14 11
5 15 13 12 9 15 9 6 11 15 10 12 12
1 12 11 13 12 14 9 13 11 14 8 8 11
Tipe 20 2 3 4 13 15 15 13 9 13 13 14 13 14 11 12 13 9 12 13 15 12 12 14 12 10 10 12 15 14 10 10 11 11 12 14 12 11 14 12
5 15 13 12 9 15 9 6 11 15 10 12 12
∑
70 69 65 60 64 63 57 46 69 51 51 54 719 79,89
∑
70 60 65 58 63 58 57 54 68 50 58 59 720 80,00
∑
70 59 65 58 63 58 57 54 68 50 58 60 720 80,00
1 13 15 13 12 13 8 11 10 14 9 9 10
Tipe 12 2 3 4 15 14 14 13 13 14 13 14 14 14 12 14 13 10 12 14 14 14 12 14 12 10 8 11 15 14 11 11 12 10 11 12 10 10 12 10
5 14 14 11 8 15 13 8 7 15 9 9 12
1 13 11 13 12 14 9 13 11 14 8 9 11
Tipe 15 2 3 4 13 15 15 13 9 13 13 14 13 14 11 12 13 9 12 13 15 12 12 14 12 10 10 12 15 14 10 10 11 11 12 14 12 11 14 11
5 15 13 12 9 15 9 6 11 15 10 12 12
1 12 11 13 12 14 9 13 11 14 8 8 11
Tipe 21 2 3 4 13 15 15 13 9 13 13 14 13 14 11 12 13 10 12 13 15 12 12 14 12 10 10 12 15 14 10 10 11 11 12 14 12 11 14 12
5 15 13 12 9 15 9 6 11 15 10 12 12
∑
70 69 65 60 63 63 57 46 69 51 51 54 718 79,78
∑
71 59 65 58 63 58 57 54 68 50 59 59 721 80,11
∑
70 59 65 58 64 58 57 54 68 50 58 60 721 80,11
91
Lampiran 11. Hasil Percobaan dengan Metode Implikasi Aljabar dan Einstein A. Metode Aljabar Tipe Kaidah No Nama Bunga 1 Daisy Merah Muda 2 Daffodil 3 Lily Coklat 4 Daisy Putih 5 Mawar Kuning 6 Ascocentrum 7 Cymbidium 8 Morning Glory 9 Lily Kuning Coklat 10 Iris 11 Lily Putih 12 Lily Kuning Hitam Jumlah Citra Temukembali Presisi (%)
Tipe 1 1 14 12 14 14 15 10 12 11 15 12 11 14
2 14 12 13 14 15 14 12 10 15 12 12 13
3 15 13 14 13 15 15 14 12 14 12 13 14
4 15 12 14 14 15 13 12 12 12 12 12 13
5 15 13 14 12 15 14 11 12 15 12 12 13
4 15 12 14 14 15 13 12 12 12 12 11 13
5 15 13 14 12 15 15 10 12 15 12 12 13
∑
73 62 69 67 75 66 61 57 71 60 60 67 788 87,56
Tipe 2 1 14 13 14 14 14 9 12 13 15 12 11 14
2 15 13 13 14 15 14 13 10 15 12 12 13
1 14 14 14 14 14 9 12 13 15 12 10 13
2 15 13 13 14 15 14 12 9 15 12 12 13
3 15 12 14 13 15 15 15 12 15 12 13 14
4 15 13 14 14 14 13 12 12 11 12 11 12
5 15 14 13 13 15 15 11 12 15 12 11 13
4 15 13 14 14 13 13 12 12 11 12 11 12
5 15 13 12 11 15 15 11 11 15 12 11 13
∑
74 65 68 68 73 66 63 59 71 60 58 66 791 87,89
Tipe 7 1 14 14 14 14 15 10 12 12 15 10 10 13
2 15 13 14 14 15 14 14 11 15 12 12 13
1 14 14 14 14 15 10 12 12 15 9 10 14
2 15 13 14 14 15 14 14 11 15 12 12 13
3 15 13 15 13 14 15 14 11 13 12 13 14
4 15 14 14 13 14 13 12 12 11 12 11 13
5 15 14 13 13 15 14 10 12 15 12 12 12
4 15 14 14 13 14 13 12 12 11 12 11 13
5 15 14 13 13 15 14 10 12 15 11 12 12
å
74 68 70 67 73 66 62 58 69 58 58 65 788 87,56
Tipe 8 1 13 14 14 13 15 9 12 13 15 10 9 13
2 15 13 14 14 15 14 14 10 15 11 12 13
1 13 14 14 13 15 9 12 10 15 9 9 12
2 15 14 13 14 15 14 12 9 15 11 12 13
3 15 12 15 13 13 15 15 9 15 12 13 14
4 15 14 14 13 14 13 12 12 11 12 10 11
5 15 14 12 11 15 14 9 11 15 10 11 12
4 15 14 14 13 13 13 12 12 11 11 10 11
5 15 13 12 10 10 14 9 11 15 10 11 12
∑
73 67 69 64 72 65 62 55 71 55 55 63 771 85,67
B. Metode Einstein Tipe Kaidah No Nama Bunga 1 Daisy Merah Muda 2 Daffodil 3 Lily Coklat 4 Daisy Putih 5 Mawar Kuning 6 Ascocentrum 7 Cymbidium 8 Morning Glory 9 Lily Kuning Coklat 10 Iris 11 Lily Putih 12 Lily Kuning Hitam Jumlah Citra Temukembali Presisi (%)
Tipe 1 1 14 13 14 14 15 10 12 11 15 12 12 14
2 14 12 13 14 15 14 12 10 15 12 12 13
3 15 13 14 13 15 15 14 12 13 12 13 14
∑
73 63 69 67 75 67 60 57 70 60 60 67 788 87,56
Tipe 2 3 15 12 14 13 15 15 15 11 15 12 12 14
∑
74 65 67 66 72 66 62 56 71 60 56 65 780 86,67
Tipe 7 3 15 12 15 13 14 15 14 11 13 12 13 14
∑
74 67 70 67 73 66 62 58 69 56 58 66 786 87,33
Tipe 8 3 15 12 15 12 11 15 15 9 15 12 13 14
∑
73 67 68 62 64 65 60 51 71 53 55 62 751 83,44
92
Lampiran 12. Nilai Presisi – Recall A. Metode Mamdani No
Nama Bunga
0,07 1 Daisy Merah Muda 100,00 2 Daffodil 100,00 3 Lily Coklat 100,00 4 Daisy Putih 100,00 5 Mawar Kuning 100,00 6 Ascocentrum 100,00 7 Cymbidium 100,00 8 Morning Glory 100,00 9 LilyKuning Coklat 100,00 10 Iris 100,00 11 Lily Putih 100,00 12 Lily Kuning Hitam 100,00 Rata-Rata 100,00
0,13 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00
0,20 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00
0,27 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00
0,33 100,00 96,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 96,00 100,00 99,33
0,40 100,00 96,67 100,00 100,00 100,00 100,00 100,00 96,67 100,00 100,00 93,33 100,00 98,89
Recall 0,47 0,53 0,60 0,67 0,73 0,80 0,87 0,93 1,00 100,00 97,50 97,78 98,00 98,18 96,67 96,92 97,14 97,33 97,14 97,50 97,78 98,00 98,18 98,33 96,92 95,71 92,00 100,00 100,00 97,78 98,00 98,18 98,33 96,92 94,29 89,33 100,00 100,00 100,00 98,00 94,55 91,67 89,23 87,14 81,33 100,00 100,00 100,00 100,00 100,00 98,33 95,38 91,43 89,33 100,00 100,00 97,78 98,00 94,55 93,33 92,31 90,00 86,67 97,14 95,00 93,33 94,00 90,91 90,00 87,69 81,43 78,67 91,43 90,00 86,67 84,00 81,82 76,67 76,92 75,71 74,67 100,00 97,50 97,78 98,00 96,36 96,67 93,85 92,86 92,00 100,00 100,00 97,78 96,00 89,09 83,33 80,00 75,71 73,33 85,71 87,50 86,67 84,00 83,64 85,00 83,08 80,00 77,33 100,00 97,50 97,78 98,00 92,73 91,67 87,69 85,71 84,00 97,62 96,88 95,93 95,33 93,18 91,67 89,74 87,26 84,67
0,13 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00
0,20 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00
0,27 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 95,00 100,00 99,58
0,33 100,00 100,00 100,00 100,00 100,00 100,00 100,00 96,00 100,00 100,00 96,00 100,00 99,33
0,40 100,00 100,00 96,67 100,00 100,00 100,00 100,00 96,67 100,00 100,00 90,00 100,00 98,61
0,47 100,00 100,00 97,14 100,00 100,00 100,00 97,14 97,14 100,00 100,00 91,43 100,00 98,57
Recall 0,53 100,00 100,00 97,50 100,00 100,00 100,00 97,50 92,50 100,00 100,00 87,50 100,00 97,92
0,60 100,00 100,00 97,78 100,00 100,00 100,00 97,78 91,11 100,00 100,00 82,22 100,00 97,41
0,67 100,00 100,00 98,00 100,00 100,00 98,00 98,00 88,00 100,00 96,00 80,00 100,00 96,50
0,13 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00
0,20 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00
0,27 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00
0,33 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00
0,40 100,00 100,00 100,00 100,00 100,00 100,00 100,00 96,67 100,00 100,00 96,67 100,00 99,44
0,47 100,00 100,00 100,00 100,00 100,00 100,00 100,00 97,14 100,00 100,00 94,29 100,00 99,29
Recall 0,53 100,00 100,00 100,00 100,00 100,00 100,00 100,00 92,50 100,00 100,00 92,50 100,00 98,75
0,60 100,00 100,00 97,78 100,00 100,00 100,00 97,78 86,67 100,00 100,00 91,11 100,00 97,78
0,67 0,73 0,80 0,87 0,93 1,00 100,00 100,00 100,00 98,46 97,14 97,33 100,00 98,18 95,00 93,85 90,00 84,00 98,00 98,18 96,67 95,38 94,29 92,00 98,00 96,36 95,00 93,85 92,86 89,33 100,00 100,00 100,00 100,00 100,00 100,00 98,00 98,18 96,67 95,38 92,86 89,33 98,00 98,18 96,67 90,77 85,71 80,00 86,00 81,82 80,00 78,46 77,14 76,00 100,00 98,18 98,33 96,92 94,29 93,33 100,00 94,55 91,67 87,69 84,29 80,00 88,00 89,09 88,33 87,69 82,86 80,00 100,00 98,18 96,67 95,38 92,86 89,33 97,17 95,91 94,58 92,82 90,36 87,56
B. Metode Aljabar No
Nama Bunga
0,07 1 Daisy Merah Muda 100,00 2 Daffodil 100,00 3 Lily Coklat 100,00 4 Daisy Putih 100,00 5 Mawar Kuning 100,00 6 Ascocentrum 100,00 7 Cymbidium 100,00 8 Morning Glory 100,00 9 LilyKuning Coklat 100,00 10 Iris 100,00 11 Lily Putih 100,00 12 Lily Kuning Hitam 100,00 Rata-Rata 100,00
0,73 0,80 0,87 0,93 1,00 100,00 100,00 98,46 98,57 98,67 100,00 98,33 95,38 90,00 86,67 96,36 96,67 93,85 92,86 90,67 98,18 98,33 95,38 94,29 90,67 100,00 100,00 100,00 100,00 97,33 96,36 95,00 93,85 91,43 88,00 96,36 95,00 89,23 85,71 84,00 85,45 83,33 80,00 78,57 77,33 98,18 98,33 96,92 95,71 94,67 94,55 91,67 89,23 85,71 81,33 81,82 80,00 78,46 75,71 77,33 100,00 98,33 95,38 92,86 88,00 95,61 94,58 92,18 90,12 87,89
C. Metode Einstein No
Nama Bunga
0,07 1 Daisy Merah Muda 100,00 2 Daffodil 100,00 3 Lily Coklat 100,00 4 Daisy Putih 100,00 5 Mawar Kuning 100,00 6 Ascocentrum 100,00 7 Cymbidium 100,00 8 Morning Glory 100,00 9 LilyKuning Coklat 100,00 10 Iris 100,00 11 Lily Putih 100,00 12 Lily Kuning Hitam 100,00 Rata-Rata 100,00
93
