11. TINJAUAN PUSTAKA
Multimedia Database
Pada dasamya tidak ada definisi yang pasti mengenai multimedia, tetapi para ahli menjabarkan bahwa multimedia dapat dimaksudkan dengan pengunaan tipe data yang berubah - ubah dan berasal dari sumber yang berbeda - beda. Data tersebut dapat berupa data numerik, string, karakter,citra, film dan suara. Secara urnum database multimedia dapat membantu user untuk dapat mengerti dalam membuat format yang tepat pada objek, termasuk untuk pengaturan jumlah data yang besar. Hubungan komplek yang
renggang (spatial) dan sementara,
memberikan range yang luas pada data multimedia, untuk dapat melakukan proses kueri pada database multimedia, yang berbeda dari database tradisional (Fagin 1996).
Banyak usulan dari para tenaga ahli dan peneliti bahwa teknologi objek oriented sebagai tool yang menjanjikan untuk berhubungan dengan data
multimedia (Chen 2004). Untuk itu hampir semua database multimedia baik secara langsung atau tidak langsung menggunakan teknologi objek oriented untuk melakukan semua proses dan akses pada data yang berbeda. Untuk dapat melakukan akses dan proses terhadap database multimedia membutuhkan suatu konsep atau cara, agar dapat berjalan dengan baik dan benar. Salah satu konsep yang menjadi perhatian untuk melakukan penelitian, dengan konsep fuzzy data (Deng 2001). Untuk itu maka secara umum gambaran perbedaan antara database
tradisional dan database multimedia dengan konsep fuzzy data, dapat dilihat pada gambar 1.1.
Kueri fuzzy
Warna='red'and
Database tradisional
Database multimedia
Gambar I. 1 Perbedaan antara Database Tradisional dan Database dengan Data Fuzzy (Deng Y, 2001)
Gambar 1.I menjelaskan tentang perbedaan antara database tradisional dengan database multimedia dengan menggunakan fuzzy data. Pada database multimedia terdapat beberapa jenis data yang dapat diolah dan diakses, diantaranya
adalah data citra dimana dapat dipanggil dan diakses dengan
berdasarkan kepada beberapa kriteria, diantaranya adalah warna dan bentuk. Untuk proses pemanggilan terhadap beberapa jenis data yang berbeda, dapat
menggunakan kueri processor dengan menggunakan metode fuzzy kueri. Dari hasil proses fuzzy kueri dihaslkan beberapa data citra yang sesuai dengan kreteria yang sudah ditetapkan. Secara umum dalam melakukan proses kueri pada data multimedia menjadi kemampuan utama pada sistem manajemen database. Proses ini dilakukan dalam rangka mencari atau memanggil satu atau beberapa jenis data yang sudah tersimpan pada database. Walaupun dalam proses kueri ini mempunyai perintab yang lebih spesifik dan rumit dalam menggunakan, namun satu satu fimgsi dasar dari sistem database manajemen adalah agar dapat memproses pernyataan user atau kueri. Hal ini dapat dicapai dengan mendefinisikan bahasa kueri sebagai bagian dari sistem database manajemen (Bohm 1994). 2.2
Komputasi Lunak
Komputasi lunak merupakan suatu model pendekatan untuk melakukan komputasi dengan meniru aka1 manusia dan memiliki kemampuan penalaran dan dapat melakukan pembelajaran pada
lingkungan yang
penuh
dengan
ketidakpastian dan ketidaktepatan (Zadeh 1965). Sistem model ini diperkenalkan oleh Lotfi A Zadeh pada tahun 1992. Walaupun pada awalnya proses komputasi lunak sudah mulai diperkenalkan sejak tahun 1965, namun dengan konsep yang terkenal adalah sistem fuzzy. Pada dasarnya komputasi lunak bertujuan untuk mengeksploitasi adanya toleransi terhadap ketidakpastian dan ketidaktepatan dan menghasilkan kebenaran yang bersifat partial. Sehingga semuanya dapat
diselesaikan secara mudah, benar dan biaya penyelesaian yang murah, dengan menggunakan pendekatm dalam melakukan penalaran untuk memecahkm masalah.
Pada dasarnya terdapat beberapa komponen utama dari pembentukan Komputasi Lunak diantaranya : sistem fuzzy, jaringan syaraf tiruan (neural network), agoritma evolusioner (algoritma genetik) dan penalaran dengan probabilitas. Keempat komponen di atas merupakan pesaing satu sama lain, namun kesemuanya saling melengkapi dengan bidang kajian yang bervariasi.
2.3
Sistem Fuzzy
Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamik, Sistem ini mempunyai kemampuan untuk mengembangkan sistem cerdas dalam lingkungan yang tidak pasti dan tidak tepat. Sistem ini menduga suatu fungsi dengan logika fuzzy, di mana logika ini merupakan bagian dari logika boolean (Marimin 2005). Logika fuzzy pada dasarnya digunakan untuk menangani konsep derajat kebenaran yang berkisar antara benar dan salah. Secara umum kemampuan sistem logika fuzzy mengakomodasi : O Toleransi terhadap data - data yang tidak tepat dan sangat fleksibel. +$
Pemodelan fimgsi non linear yang sangat komplek.
e3
Dapat membangun dan mengaplikasikan suatu keahlian, tanpa hams melalui proses pelatihan
2.4
Himpunan Klasik (crisp) Secara umum, bahwa teori himpunan fuzzy merupakan perluasan dari teori himpunan klasik. Pada teori himpunan klasik, untuk elemen Z hanya memiliki 2 kemungkinan keanggotaan yaitu menjadi anggota Z atau tidak menjadi anggota Z (Chen 2004). Jika untuk menunjukkan seberapa besar tingkat keanggotaan suatu elemen (x) dalam satu himpunan (Y), maka derajat keanggotaan, dapat dinotasikan dengan p, (x). .
2.5
Operator Dasar Himpunan Fuzzy Ada 3 operator dasar pada logika fuzzy (Tabel 2.1) yaitu : 1) Operator AND : Operator ini berhubungan dengan operasi interseksi pada himpunan. Hasil operasi dengan operator AND diperoleh dengan mengambil nilai keanggotaan terkecil antara elemen pada himpunan yang bersangkutan. Rumus operator AND p,,, rule. Di mana x
=
,
= min(p ,[XI ,p [y] ; disebut dengan conjuction
nilai elemen dari anggota fuzzy A, dan y
=
nilai elemen
dari anggota fuzzy B. Operator OR : Operator ini berhubungan dengan operasi komplemen pada himpunan. Hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan terbesar antara elemen pada himpunan yang bersangkutan. Rumus operator OR p,,, Rule. Di mana x
= nilai
dari anggota fuzzy B.
= m a x b ,[x],p,[y]
) ; Disebut dengan Disjunction
elemen dari anggota fuzzy A, dan y = nilai elemen
3) Operator Not : Operator ini berhubungan dengan operasi komplemen. Hasil
operasi dengan operator Not, diperoleh dengan mengurangkan nilai keanggotaan dari himpunan yang bersangkutan dengan nilai 1. p-
A(x)=
1 -,u
A
[XI : Disebut dengan Negotion Rule. Di mana x = nilai elemen
dari anggota fuzzy A. Tabel 2.1 Operator dasar himpunan fuzzy
A
B
O
a
0
1
1
0
1
1
rnin!A.B)
A
0
o
0
l a ] 0
0
2.6
m l 1 1 1
A
1
1-A
'Ti
I1I
1
AND
malt{A.B]
OR
NOT
Pengolahan Citra Perkembangan teknologi informasi yang sedemikian pesatnya, menyebabkan terjadinya keanekaragamana dalam penyajian data dan Informasi. Diantaranya bahwa bentuk penyajian tidak hanya dalam bentuk teks, tetapi juga dapat berupa gambar, audio dan video. Citra atau istilah lain adalah gambar sebagai salah satu komponen multimedia yang memegang peranan dalam penyampaian informasi dalam bentuk visual (Gonzales 2002). Walaupun pada dasarnya citra, kaya akan informasi, namun seringkali citra mengalami beberapa permasalahan. Diantara beberapa permasalahan itu diantaranya : a.
Adanya cacat atau derau atau noise.
b.
Kualitas yang tidak memadai.
c.
Sulitnya dikenali dengan asupan citra yang lain.
d.
Warnanya kurang tajam, kabur dan terlalu kontras.
Selain itu dalam pengolahan citra, perlu dilakukan operasi terhadp citra asli menjadi citra baru. Operasi yang dilakukan pada citra dikategorikan sebagai berikut : titik, yaitu operasi yang menghasilkan output di mana setiap piksel hanya dipengaruhi oleh piksel pada posisi yang sama dari citra asli. lokal, yaitu operasi yang menghasilkan output di mana pikselnya dipengaruhi oleh piksel-piksel tetangga pada citra asli. global, yaitu operasi yang menghasilkan output di mana pikselnya dipengaruhi oleh semua piksel yag ada dalam citra asli. Dalam perkembangan pengetahuan teknologi iunformasi untuk mengatasi masalah yang disebut di atas, maka dapat dibedakan menjadi 3 (tiga) kelompok, diantaranya : 1. Komputer Grafik, bertujuan untuk menghasilkan citra dalam bentuk grafik,
lebih tepat disebut dengan grafik picture. 2. Pengolahan Citra, bertujuan memperbaiki kualitas citra agar mudah
diinterprestasi oleh manusia atau mesin (komputer). Dengan demikian yang menjadi Input adalah citra, dan output juga menjadi citra. Namun citra output memiliki kualitas yang lebih baik.
3. Pengenalan Pola (pattern recognation) , mengelompokkan data numerik dan citra secara otomatis oleh komputer. Tujuannya adalah untuk mengenali objek didalam citra. Secara umum otak manusia sangat mudah untuk belajar membuat klasifikasi objek
-
objek disekeliling
.
Sehingga marnpu
membedakan antara objek yang satu dengan objek yang lain. Kemampuan otak manusia ini yang ditiru oleh sistem komputer agar dapat menerima masukkan
sebuat citra objek yang
akan
diidentifikasi, kemudian
memprosesnya dan diharapkan akan menghasilkan keluaran berupa deskripsi objek didalam citra.
Pengenalan Citra Buah - buahan Penelitian pengenalan pola yang dilakukan mengunakan proses kueri fuzzy. Dalam proses ini sudah ada beberapa kasus yang dikerjakan oleh beberapa
peneliti, baik dengan mengunakan algoritma fagin, threshold dan algoritrna lainnya. Dalam penelitian ini difokuskan pada proses kueri fuzzy dengan analisa data citra buah buahan, dengan menggunakan algoritma fagin dan threshold. Selain itu penelitian ini memfokuskan pada karakteristik yang dirniliki oleh citra buah - buahan. Terdapat beberapa karakteristik utama citra, diantaranya adalah sebagai berikut (Gonzales 2002) : 1.
Ukuran pada setiap data Item adalah sangat besar (wama citra membutuhkan beberapa megabyte).
2.
Dalam pemanggilan data dibutuhkan isi dan persamaan dari citra di samping dapat memanggil dengan text.
3.
Tanggapan dalam terhadap proses kueri seharusnya cepat
4.
Perubahan sangat jarang dilakukan citra yang sudah disimpan pada database.
5.
User dan interface kueri harus divisualklan selengkap mungkin (contohnya user diizinkan untuk memilih warna, teksture, d m bentuk dalam bentuk graphic) dan juga memungkinkan hubungan visual yang timbal balik, melalui petunjuk pengguna.
Karakteristik ini menjelaskan bahwa, untuk banyak aplikasi dapat dihitung dan disimpan ciri - ciri citra. Namun dalam penelitan ini dibatasi hanya pada database citra, dengan 2 tipe data yaitu : citra (scene) dan objek. Scene adalah warna pada citra dan objek adalah bagian dari scene (Munir 2004). Dalarn kasus memanggil kembali data citra buah yang sudah tersimpan pada database, maka pada saat pemanggilan dapat dilakukan berdasarkan citra warna dan objek bagian dari scene.
2.8
Pendekatan Kueri Fuzzy Pada awalnya dalam proses kueri di dalam database traditional, cukup dengan melakukan proses terhadap satu karakter string, di mana karakter itu sesuai dengan data yang disimpan pada database, setelah itu dilakukan proses kueri, maka muncullah data - data hasil proses kueri. Dengan muncul data hasil proses kueri bersifat sangat homogenius (seragam). Dengan perkembangan teknologi diharapkan proses kueri database tidak hanya mampu berhubungan dengan karakter string tetapi juga dengan berbagai variasi data multimedia
seperti citra, video dan audio. Satu perbedaan yang mendasar bahwa data multimedia mempunyai atribut yang menjadi turunan dari fuzzy. Sebagai contoh bahwa kita tidak dapat mengatakan bahwa citra yang diberikan mempunyai warna biru atau tidak biru. Namun disana terdapat tingkatan dari biru, seperti range diantara 0 (yang tidak biru) dan 1 (yang semuanya biru).
2.9
Fungsi Aggregasi
Pendekatan yang berhubungan dengan data fuzzy adalah untuk melakukan pengunaan fungsi aggregasi . Fungsi aggregasi ini yang memberikan nilai berdasarkan kondisi yang diinput oleh user berdasarkan tingkatan antara 0 hingga
1. Jika parameter xl, x2, ...,x,, maka setiap parameter mempunyai nilai berinterval antara 0 hingga 1.
Salah satu fungsi aggregasi yang sering digunakan adalah
min. Berdasarkan peraturan standar pada fuzzy logic, jika objek R mempunyai peringkat
XI
di bawah attribute Al dan peringkat x2 di bawah attribute A2, maka
kemudian tingkatan di bawah conjuction fuzzy Al A A2adalah min(xl,x2). Fungsi aggregasi yang lain yang sering digunakan adalah average dan max.
2.10
Kueri Dasar
Pada sistem multimedia, kueri dasar hanya bertanya untuk objek dengan satu ekspresi saja. Sebagai contoh untuk mencari citra yang benvarna merah. Untuk itu maka seperti pada perintah pada kueri dasar di mana warna = "merah", meskipun secara aktual sistem ini dapat diekspresikan untuk mencari sebuah warna dari roda warna, atau memilih suatu citra i ( i = yang sebagian besar adalah
merah)
dan meminta citra yang lain yang memiliki warna mendekati yang
dimiliki oleh citra i. Karena untuk mendapatkan beberapa citra yang dibutuhkan, harus dengan mengunakan proses kueri, maka hasilnya seharusnya objek yang akan muncul mulai dari paling merah, objek yang paling merah ke dua, objek yang paling merah ketiga dan seterusnya hingga yang ke sepuluh atau lebih. Dengan demikian maka semua objek akan ditarnpilkan yang mempunyai warna yang mendekati merah.
Pada dasarnya sistem multimedia sudah mempunyai beberapa algoritma yang canggih dalam membandingkan warna, di mana algoritma itu menghitung kedekatan warna antra 2 (dm) citra. Untuk menghitung kedekatan warna antara 2 (dua) citra tidak memerlukan perhitungan yang rurnit, karena pada dasarnya setiap objek mempunyai beberapa elemen warna histogram. Untuk itu maka jarak warna diantara 2 (dua) objek, dapat diarnbil berdasarkan jarak diantara histogram yang didefinisikan sebagai berikut (Fagin 1998): ,/(x - YY
* A(x - Y)
Penjelasan : T= menyatakan proses transpose dan A adalah matrix (x,y) mengambarkan persamaan antara warna x dan warna y. Untuk masalah warna disana terdapat, sejumlah cara untuk mendefinisikan kedekatan antara bentuk.
Gabungan Perintah Boolean dengan Kueri Dasar Pada dasarnya hasil dari proses fuzzy kueri pada database multimedia adalah list pendek dari objek yang dicari. Sebagai contoh : proses kueri untuk objek warna merah, kemudian hasilnya adalah objek pertama yang merah, objek kedua yang lebih merah, objek ketiga yang paling merah dan seterusnya. Kemudian bagaimana jika proses kueri multimedia digabung dengan traditional database atau dengan perintah boolean yang diletakkan diantara perintah kueri multimedia. Sebagai Contoh sebagai berikut : (buah="apple")
A
(warna
=
"hijau"),
maka hasilnya dari proses kueri ini, buah ape1 yang memiliki warna kulit luar adalah hijau, hijau tua, hijau muda, dan seterusnya. Pada setiap kueri dasar, sebuah nilai ditugaskan pada setiap objek. Nilai pada objek tersebut mewakili dari keberadaan objek tersebut. Untuk yang nilainya 1 (satu) mewakili proses kueri dengan perbandingan yang sempurna, sedangkan nilai 0 (nol) mewakili proses kueri yang salah atau perbandingan yang salah.
2.12
Algoritma untuk Evaluasi Kueri Dalarn mendapat informasi utama pada sistem database managemen adalah efisiennya untuk proses fuzzy kueri. Pada bagian ini dibahas 2 (dua) algoritma ymg &an m~fqkukqn evaluasi kueri dan akan memperlihatkan bahwa . . - ..., . . , asumsi terhadap sebuah algoritma yang dapat memberikan efisien yang optimal sebagai faktor yang utama.
Proses kueri yang dapat dilakukan pada objek,
dimana memiliki beberapa kondisi, diantara objek dilakukan perintah boolean. Untuk perintah boolean ini dapat bersifat conjuction rule dengan perintah AND
dan disjuction rule dengan perintah OR. Contoh (buah
=
"apel")
A
(warna
=
"hijau"). Bagian pertama buah = "apel" adalah kueri pada database tradisional dan bagian kedua warna
=
"hijau" akan dialamatkan pada sub sistem. Kerena itu 2
subsitem yang berbeda akan dilibatkan dalam menjawab proses kueri . Terdapat dalil yang berkenaan dengan proses kueri di mana dengan dalil tersebut dapat membuat algortima menjadi 3 (tiga) phase yaitu : akses secara berurutan, akses secara random, proses perhitungan Dalam menjawab dalil proses kueri, maka dilakukan penelitim citra dengan menggunakan algoritma Fagin dan Threshold. Pada dasarnya 2 (dm) algoritma ini dikemukan oleh 2 (dua) peneliti yang berbeda, namun saling melengkapi dalam menjawab proses kueri yang berbasis citra (multimedia).
Algoritma Fagin (FA Algorithm) Salah satu algoritma yang banyak dibahas untuk mengakses database multimedia salah satunya adalah Algoritma Fagin. Chaudhuri dan Gravano (2000) mempertimbangkan cara untuk menirukan algoritma fagin dengan mengunakan "Kondisi Penyaringan " misalnya untuk nilai warna sekurang - kurangnya adalah 0,2. Dengan ini maka algoritma Fagin akan bekerja sebagai berikut : 1. Lakukan pengurutan secara paralel untuk semua data citra yang sejenis di mana yang ada didalam himpunan urutan m dengan kondisi a, kemudian dilanjutkan pengurutan juga didalam himpunan urutan n dengan kondisi b.
2. Untuk setiap objek yang sudah terlihat, lakukan akses secara acak sesuai yang dibutuhkan untuk dapat menemukan data objek yang sejenis yang ada pada himpunan m dengan kondisi a, dengan himpunan n dengan kondisi b. 3. Lakukan perhitungan fungsi aggregasi, untuk mendapatkan hasil peringkat
pada setiap citra yang ada didalam basis data.
Algoritma fagin sangat mendukung untuk mendapatkan nilai yang teratas untuk kemiripan pada data sejenis dengan menggunakan fimgsi aggregasi. Sekaligus juga dapat menghasilkan nilai probabilitas presisi yang optimal dalam kasus citra yang buruk atau jelek.
2.14
Algoritma Threshold Pada dasarnya algoritma Fagin sudah cukup optimal pada situasi di mana menunjukkan performa yang kurang baik. Sebagai contoh bahwa tidak ada jaminan bahwa fungsi aggregasi tidak tetap. Karena pada beberapa kasus yang sudah jelas bahwa terlihat untuk fungsi aggregasi adalah konstan. Untuk itu deskripsi algoritma Threshold adalah sebagai berikut : 1. Kerjakan akses pengurutan secara paralel untuk setiap list m pada data urut
LI. Sebagai objek R dilihat di bawah akses urutan
pada beberapa list,
kerjakan urutan secara random untuk list yang lain untuk mendapatkan peringkat xl pada objek R dalam setiap list L1. Kemudian hitung peringkat f(R)=t(x1,x2,..xm) pada objek R. Jika peringkat k ini adalah salah satu dari nilai tertinggi yang sudah dilihat, kemudian ingat objek R dan pada peringkat t(R).
2. Untuk setiap list L1, tentukan xl menjadi tingkatan pada objek terakhir yang dilihat pada proses akses pengurutan. Definisikan nilai threshold z menjadi t(R)'t(x1,x~,..xm).sekurang kurangnya pada objek k yang sudah dilihat di mana peringkat adalah sekurang - kurangnya sama dengan z (nilai ambang) kemudian keluar dari sistem.
3. Tentukan Y menjadi satu set yang berisi objek k yang dilihat pada peringkat yang tertinggi, outputnya adalah himpunan peringkat ((R,t(R))IR€ Y). Algoritma threshold adalah benar untuk setiap fimgsi t aggregasi yang monotone.
Fuzzy Database (Kueri) Dalam proses pengolahan database, perhatikan proses kueri di bawah ini : Select nama, alamat,golongan From karyawan Where (gaji > 1000000) Dengan perintah kueri di atas, maka proses ini untuk menampilkan data nama, alamat, dan golongan pada tabel karyawan, dengan syarat gaji yang diterima lebih dari 1000000. Namun dalam keseharian diperlukan data yang bersifat tidak pasti (fuzzy). Sebagai contoh untuk menampilkan pegawai yang muda dan dewasa. Dengan menampilkan data pegawai yang masih muda dan dewasa, maka kueri yang digunakan adalah kueri fuzzy. Pada database kueri fuzzy terdapat 2 model yang digunakan yaitu (Sri 2004) :
1. Kueri fuzzy Model Tahani
2. Kueri fuzzy Model Umano Pada model tahani masih mengunakan relasi standar, hanya model ini mengunakan teori himpunan fuzzy untuk mendapatkan infomasi pada kuerinya. Contoh jika ingin mengkategorikan usia karyawan dalam himpunan muda, dewasa, dan tua.
30
35
40 45 Umur (tahun)
Fungsi Keanggotaan :
I
1; x I 3 5 atau x 2 5 0
50
Dengan drajat keanggotaan yang sudah disebutkan di atas, maka dapat diuraikan kedalam tabel karyawan sebagai berikut (Tabel 2.1) : Tabel 2.1 Tabel karyawan Drajat Keanggotaan ([x]) Umur
Nama
No.
TUA
Dewasa
Muda
1
TOR0
30
1
0
0
2
UDIN
48
0
0,4
03
3
AND1
37
0,3
02
0
4
HASAN
35
0s
0
0
Catatan : x = Objek yang diarnati Dengan melihat fiungsi keanggotaan di atas, bahwa nilai Fuzzy terletak diantara angka 1 dan 0, jika nilai mendekati angka 1 maka nilai tersebut menuju ke besar, sedangkan jika mendekati ke angka 0 menuju ke kecil. Contoh Andi termasuk kedalam kategori muda dengan nilai 0,3 dibandingkan dengan kategori dewasa yang hanya mempunyai nilai 0,2. Pada Model Umano, data - data yang bersifat ragu
-
ragu diekspresikan dengan mengunakan distribusi posibilitas. Distribusi
posibilitas merupakan nilai atribut dari suatu model relasi.Contoh : Anton Umur
54 tahun nama anak (ani,ari)p. Dengan contoh di atas dapat dijelaskan bahwa Anton dengan urnur 54 tahun, dengan nama anak anton diekspresikan dengan
distribusi posibilitas yang diberikan {0,8/ani; O,5/ari). Nilai posibilitas ani lebih besar dibandingkan dengan nilai posibilitas ari 0,5.
2.16
Pengenalan Warna Secara urnum warna pokok itu dibagi menjadi 3 warna yaitu warna merah (red), hijau (green) dan biru (blue). Warna lain diperoleh dengan mencampurkan 3 (ketiga) warna tersebut dengan perbandingan tertentu. Besar perbandingan tersebut akan disesuaikan dengan kebutuhan dari warna yang dihasilkan, termasuk juga besaran campuran dari ketiga warna tersebut (Munir 20042). Percampuran warna warna pokok C1, C2 dan C3 dengan prosentase tertentu : C = aCI + bC2 + cC3
Penjelasan : C1 =Merah C2 = Hijau C3 = Biru a,b,c = Besaran nilai yang diberikan pada setiap warna
Dengan demikian jika menghasilkan satu buah warna, maka merupakan penggabungan dari 3 (ketiga) warna dan setiap warna RGB dikalikan besaran yang ditambahkan pada setiap warna. Selain itu Secara umum gambaran dari model warna RGB merupakan kombinasi dari ketiga lapisan warna sehingga menghasilkan satu warna yang besifat komposit. (Stone 2003).
Gambar 2.2 : Model Warna RGB clan HSV (Stone 2003)
Pada gambar 3 (a) menunjukkan koordinat awal (0,0,0) adalah warna hitam dan koordinat (1,1,1) adalah warna Putih. Sedangkan untuk warna abu - abu berada disepanjang garis antara koordinat (0,0,0) sampai dengan (1,1,1). Untuk warna magenta merupakan pencampuran antara warna merah dan Biru, warna kuning antara warna merah dan hijau. Selain warna RGB, warna juga dapat dimodelkan berdasarkan atributenya. Untuk setiap warna akan mempunyai 3 attribute yaitu : Intensity (I), Hue (H) dan Saturation (S). Intensity : Mempunyai kisaran nilainya antara warna gelap (hitam) dan terang (putih).Hue menyatakan warna sebenarnya sekaligus juga untuk membedakan dengan warna - warna lainnya. Saturation : Mengindetifikasikan seberapa banyak warna putih yang diberikan pada setiap warna.
Selain itu masing - masing warna pokok menunjukkan persentase relatif diantara warna pokok lainnya, ini disebut dengan Kromatisitas. Hal ini dapat didefinisikan
RGB kedalam bentuk variable X, Y, Z. Untuk itu gambaran kromatisitas adalah sebagai berikut (Jain A K 2004) : .Y
Dengan demikian maka total nilai seluruh kromatisitas adalah X
=
Y =Z
=
1 atau
X+Y+Z = 1 atau Z = 1-X-Y
Pendekatan Kueri pada warna buah
Pada dasarnya terdapat beberapa cara untuk dapat melakukan pengenalan objek warna. Salah satmya adalah, dilakukannya perbedaan terhadap huenya. Ini dilakukan dengan cara memberikan nilai ambang pada rentang nilai huenya yang melingkupi objek. Warna adalah bagian atau objek yang paling sering ada jika digunakan pada proses kueri didalam data multimedia dan sistem temu kembali. Citra yang mempunyai kemiripan akan dipanggil atau temu kembali pada database citra. Dengan demikian citra yang mempunyai prosentase warna yang mendekati dengan prosentase warna yang dipanggil akan ditarnpilkan. Dalam proses temu kembali terhadap warna dari buah
-
buahan yang menjadi objek
penelitian, tetap menggunakan perbandingan antara l(satu) buah dengan warna tertentu, akan mencari objek buah dengan warna tertentu yang sudah dimasukkan kedalam database. Semua ketentuan ini dapat dilihat pada contoh warna buah pada Gambar 2.3.
Semua ketentuan ini dapat dilihat pada contoh warna buah pada Gambar 2.3.
Gambar 2.3 :Objek warna citra buah
Pada gambar 2.3 terlihat buah mangga dan starawberi, di mana untuk buah mangga didominasi dengan warna hijau, sedangkan untuk buah strawberi didominasi dengan warna merah darah. Dengan satu warna yang dimiliki terhadap setiap citra buah, dapat menjadi pedoman dalam melakukan penelitian atau kajian yang sedang dilakukan terhadap citra buah.
2.18
Pendekatan Kueri dengan Bentuk Bentuk merupakan bagian yang penting untuk mengidentifikasikan objek pada Clitra. Selain itu juga dapat digunakan untuk sistem temu kembali. Kekuatan bentuk pada pencarian citra dimulai sejak mulai dibentuk hingga menjadi informasi dan berbeda dari warna. Banyak pendekatan yang dilakukan dalam melakukan proses kueri pada bentuk seperti pendekatan yang cukup terkenal dengan metode canny edge detection (deteksi tepi model Canny) (Chaudhuri
1996) . Untuk identifikasi tepi disimpan kedalam sebuah histogram untuk sebuah
citra. Pada dasarnya terdapat 2 cara berbeda dalam melakukan temu kembali terhadap bentuk. Metode pertarna adalah kueri dengan contoh (query by example) di mana sebuah objek contoh disediakan dan objek yang mempunyai persamaan struktur dalam bentuk akan muncul. Metode kedua untuk temu kembali pada bentuk adalah kueri dengan sket visual (query by visual). Objek dapat dispesifikasi dengan penggabungan pada geometrik primitive. (Seperti bentuk bulat, segiempat dan segitiga) dan Objek yang mendekati dengan sketsa ini akan dipanggil.
Pada dasarnya teknik perbandingan yang diperoleh dengan histogram adalah untuk menentukan persamaan diantara 2 (dua) histogram, ini dapat dilakukan pada kueri dengan warna dan bentuk. Salah satu metode adalah matrik diskrit di mana jarak nilai antara 2 histogram ke-i dan ke-j mewakili informasi pada 2 objek dapat didefinisikan sebagai berikut :
d(i,j)
= jarak
Minkowski antara data ke-i dan data kej, x
= obyek
data, p
=
banyaknya atribut data, dan q adalah bilangan bulat positif.
Matrik di atas disebut dengan Matrik Jarak Minkowski dan Ini dibutuhkan untuk menginputkan data yang sama ukurannya. Matrik pengukurun kemiripan lainnya yang banyak digunakan, termasuk digunakan pada penelitian ini adalah
jarak euclid. Pada dasarnya jarak euclid sama seperti jarak minkowsi, jarak euclid merupakan kasus khusus dari jarak minkowsi .
d(i,j) = jarak euclid antara data ke-i dan data ke-j, x = obyek data
2.19
Sistem Inferensi Fuzzy Sistem Inferensi Fuzzy (Fuzzy Inference System (FIS) merupaan kerangka perhitungan yang didasarkan pada himpunan Fuzzy, di mana setiap aturan fuzzy berbentuk kondisi Selection yaitu IF- THEN. Secara urnurn Sistem Inferensi Fuzzy berbasis kaidah fuzzy yang merupakan komposisi dari pengetahuan dan informasi dari seorang pakar dalam bentuk -kaidah kaidah fuzzy. Terdapat 2 (dua) basis pengetahuan fuzzy yang terdiri dari 2 (dua) komponen yaitu :
4 Sebuah basis data yang mengandung peubah fuzzy dan fungsi keanggotaan
4 Basis kaidah terdiri dari himpunan kaidah fuzzy dengan operator fuzzy. Pada dasarnya Sistem inferensi fuzzy menerima masukkan himpunan crisp, di mana yang akan dikirim ke basis pengetahuan yang berisi n aturan fuzzy dalam bentuk IF-THEN. Untuk nilai fuzzy akan dicari pada setiap aturan, dan akan dilakukan aggregasi jika mempunyai lebih dari satu aturan, sekaligus akan dilakukan defuzzyfikasi untuk mendapatkan keluaran dari sistem crisp. Sistem Inferensi fuzzy yang digunakan dalam penelitian analisa data buah - buah dengan algoritma Fagin dan Threshold adalah metode Mamdani. Metode Mamdani sering dikenal dengan metode Max-Min. Menurut Mamdani untuk mendapatkan output diperlukan 4 tahapan diantaranya :
1. Pembentukan himpunan Fuzzy, dengan metode mamdani baik variabel Input maupun ouput menjadi satu atau lebih himpunan fuzzy.
2. Aplikasi fungsi implikasi : Fungsi yang digunakan adalaj Min
3. komposisi Aturan : Ada 3 metode yang digunakan dalam melakukan Inferensi sistem Fuzzy yaitu : Max, Additive dan probabilistik (Or). Untuk nilai max solusi himpunan fuzzy diperoleh dengan cara menggambil nilai maksimum aturan dan menggunakan operator OR untuk dapat mengaplikasikan ke Output, termasuk menggunakannya untuk memodifikasi daerah fuzzy. Secara umum dapat dituliskan sebagai berikut :
Ppr[ x i ] = max( pPf[ x i ] ,pkf[xi I) Dengan ketentuan sebagai berikut : ppf [xi] = NIlai Keanggotaan solusi Fuzzy pw [xi] = Nilai Keanggotaan Konsekuen Fuzzy
Xi = Elemen didalam keanggotaan
Untuk metode additive (sum), metode ini solusi himpunan fuzzy diperoleh dengan cara melakukan seluruh penjumlahan terhadap semua output daerah fuzzy. Secara umum dapat digambarkan seabgai berikut :
P p f [ x i l= min( 1 9 ~ ~ ~ r xPi kl f+[ ~ i I ) Dengan ketentuan sebagai berikut : ppf [xi] = NIlai Keanggotaan solusi Fuzzy pw [xi] = Nilai Keanggotaan Konsekuen Fuzzy
Xi = Elemen didalam keanggotaan
4. Penegasan (Defuzzy) adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan
-
aturan fuzzy. Sedangkan output yang dihasilkan
merupakan suatu bilangan pada domain himpunan fuzzy tersebut.
Untuk itu perhitungan nilai fuzzy implikasi pada metode marndani adalah sebagai berikut : p b w nbb
= min{ p b w , p b b
}
d m /I bw
upbb=max@bw,~bb)
Di mana dengan ketentuan :
&,,, pbb
= nilai
= nilai
fuzzy ciri warna fuzzy ciri bentuk
Dengan penelitian yang difokuskan kepada Algoritma Fagin dan Threshold dalarn melakukan analisa data buah - buahan, maka rurnus difokuskan kepada bentuk sebagai berikut :
p,, nbb = min{ p,, ,pb,) di mana dengan ketentuan bahwa : jib,, = Proses
Seleksi data Warna
pb, = Proses Seleksi data Bentuk
Hasil dari proses seleksi akan dilakukan proses fuzzy untuk menentukan nilai
yang tepat, untuk sebagai output yang dihasilkan dari hasil Analisa.
Fungsi Sigmoid Pada dasar fungsi sigmoid yang digunakan pada penelitian ini, untuk melakukan perhitungan peringkat berbasis fuzzy. Fungsi sigmoid yang digunakan mempunyai fungsi keanggotaan dalam bentuk kurva s penyusutan, atau dalam nilai penurunan dari 1 ke 0 berbentuk kurva s. Pada dasarnya fbngsi sigmoid dibagi menjadi 2 bagian yaitu : 1. Fungsi Sigmoid Biner. Fungsi ini memiliki nilai range antara 0 sampai 1. Sehingga dengan demikian ouput yang dihasilkan memiliki interval 0 sampai 1. Fungsi ini dinunuskan sebagai berikut (Kusuma 1996) :
2. Fungsi Sigmodi Bipolar. Fungsi memiliki nilai range antara nilai 1 sampai -1 Fungsi ini memiliki rumus sebagai berikut :
1-e-" Y = f ( x ) = g dengan ketentuan fl (X)f'(x) = ;[I
+ f (x)] (1 - f (x)]
Fungsi di atas menyerupai fbngsi hyperbolik tangent. Kedua memiliki range nilai antara - 1 sampai 1.
Dalam melaksanakan penelitian terhadap citra buah
-
buahan dengan algoritma
fagin dan threshold, digunakan fimgsi sigmoid Biner, di mana mempunyai nilai antara 0 sampai dengan 1. Fungsi sigmoid biner ini berfimgsi untuk memberikan peringkat terhadap citra yang sudah ditemukan kemiripannya berdasarkan citra kueri.
2.18
Pengukuran Kedekatan Citra Dalam melakukan pengukuran akan kedekatan citra, dapat dilakukan berdasarkan fimgsi jarak antara dua ciri citra. Jarak digunakan untuk mengukur ke(tidak)miripan antara dua obyek data. Kemiripan merupakan salah satu landasan dari proses pencarian sebuah citra. Di mana dalam penelitian ini citranya adalah citra buah - buahan. Dengan ketentuan bahwa sudah disiapkan data buah buahan kedalam bentuka Database. Pada dasarnya terdapat banyak cara untuk menghitung jarak, namun pada tesis ini hanya akan dibahas tiga jarak yang paling banyak digunakan. Dan diantara ketiga jarak tersebut, yang paling populer adalah jarak Euclid (Gonzales 2002). a. Jarak Minkowski Didefinisikan sebagai :
Di mana : dfi,j)
= jarak
Minkowski antara data ke-i dan data ke-j,
x = obyek data,
p = banyaknya atribut data, dan
q
= adalah bilangan
bulat positif.
b. Jarak Manhattan
Jarak Manhattan merupakan kasus khusus (q=l)dari Jarak Minkowski. d(i, j ) = lx,, - xJ1
I + Ixi,
- xj21
+ ... + l x , - x,
I,
2.19
Citra Biner
Citra biner adalah citra yang mempunyai dua nilai derajat keabuan yaitu Hitam dan Putih. Pixel - pixel objek bernilai 1 dan pixel - pixel latar belakang bernilai 0. Pada waktu menampilkan gambar, 0 akan mempunyai warna putih dan 1 mempunyai warna hitam. Dengan demikian maka untuk objek mempunyai warna hitam dan latar belakang mempunyai warna putih. Terdapat beberapa keuntungan dari penggunaan citra biner yaitu: 1. Kebutuhan memori kecil karena nilai derajat keabuan hanya membutuhkan
representasi 1 bit. 2. Waktu pemerosesan lebih cepat dibandingkan dengan citra hitam putih, karena banyak operasi citra biner dilakukan dengan operasi logika (AND, OR, NOT). Pada dasarnya dalam penelitian thesis yang penulis lasanakan terutarna dalam proses pencarian data buah - buahan (retrieve data). Untuk Citra buah - buahan telah terjadi proses konversi terhadap objek - objek. Konversi tersebut dirubah kedalam citra hitam putih. Di mana untuk citra objek diberikan warna hitam sedangkan untuk warna latar belakang menggunakan warna putih. Setelah terjadi perubahan maka dilakukan proses konversi dari Citra hitam putih menjadi citra biner. Ini dilakukan karena beberapa alasan yaitu (Munir 2004): 1.
Untuk dapat mengidentifikasi keberadaan objek, di mana direpresentasikan sebagai daerah (region) didalam citra. Di mana pixel
-
pixel objek
dinyatakan dengan nilai 1 sedangkan yang lainnya dengan nilai 0.
2.
Untuk menampilkan citra pada piranti keluaran yang hanya mempunyai resolusi intensitas satu bit.
3.
Dapat menkonversi citra yang telah ditingkatkan kualitasnya tepinya ke penggambaran garis - garis tepi(edge enhancement). Dalam penelitan ini Citra biner menjadi proses yang dilaksanakan dalarn rangka mendeteksi citra
-
citra buah yang akan dicari dengan mengunakan
algoritma fagin dan threshold.
2.20
Segmentasi Warna
Secara umum warna merupakan suatu ciri yang dominan jika dibedakan secara visual. Apalagi dalam penelitian terhadap buah - buahan, ini dapat merupakan suatu ciri yang dominan terhadap buah
-
buahan. Untuk buah Ape1
dan tomat , mempunyai ciri warna dominan merah. Untuk buah alpukat, kedodong, mangga
mempunyai warna dominan biru, dan buah belimbing
mempunyai warna dominan kuning. Dalam penelitian ini segmentasi citra warna ini dilakukan dengan mengelompokkan tiap piksel citra kedalam bin warna referensi sebanyak 30 warna. Metode penentuan ciri citra warna dilakukan dengan mencari jarak euclid minimum antara warna piksel dengan warna referensi, yaitu : d, = min[(d,, - d,)f
Di mana : d, d,= d,
-
= citra warna
citra warna referensi = Jarak Euclid
Segmentasi Bentuk
Seperti juga dengan citra warna, maka untuk citra bentuk merupakan juga salah satu ciri yang digunakan dalam sistem temu kembali. Dalarn penentuan dan pencarian citra bentuk yang sudah tersimpan database, dengan mengunakan inputan dari buah yang sudah disiapkan oleh penulis mengunakan teknik citra biner. Di mana antara objek buah dan warna latar belakang mempunyai ketentuan masing
-
masing. Di mana untuk objek buah akan mempunyai warna hitam,
sedangkan untuk warna latar belakang dari objek mempunyai warna putih. Pada dasarnya citra buah yang ada didatabase dan inputan akan dibagi menjadi 9 (sembilan) bagian yang sama besar. Di mana untuk setiap bagian akan dicari indek yang terdekat pada data yang ada didalarn database.