PENERAPAN METODE WAVELET CO-OCCURRENCE HISTOGRAM UNTUK PENGENALAN OBJEK PADA CITRA DIGITAL

PENERAPAN METODE WAVELET CO-OCCURRENCE HISTOGRAM UNTUK PENGENALAN OBJEK PADA CITRA DIGITAL Rakhmat Kurniawan. R, ST, M.Kom.*1, Sriani, M.Kom.*2 Program Studi Ilmu Komputer, Fakultas Sains dan Teknologi Univeristas Islam Negeri Sumatera Utara Jl. Williem Iskandar, Psr V, Medan Estate – 20371 Medan – Sumatera Utara Email: [email protected]*1, [email protected]*2 Abstract Object recognitions widely applied to many smart devices to perform specific task, one of them is identification. There so many research has been conducted by researchers in the world, have spawned many methods that can be used in object recognition in variety of media such as images, videos, and audios. In the object recognition test is given an image that will be matched with the rest of the image contained in the image database. To recognize the objects, wavelet decomposition is performed by using Haar Wavelet Transform where the previous test images converted into grayscale image. Wavelet decomposition will be used to build the Wavelet Co-Occurrence Histograms previously done quantization test images. The results obtained from the introduction of this object will show the entire image of the sample that has been stored in the image database with >60% similarity level. Keyword: Object Recognition, Color Histograms, Wavelet Transformation, Image Processing, Wavelet CoOccurrence Histograms 1.

Pendahuluan Teknologi Object Recognition merupakan penerapan dari ilmu pengolahan citra (image processing), dimana object recognition mampu bekerja seperti mata manusia untuk mengenali objek-objek tertentu. Object recognition banyak diterapkan pada perangkat-perangkat cerdas untuk melakukan tugas-tugas tertentu, salah satunya adalah identifikasi. Banyak penelitian yang telah dilakukan oleh para peneliti dunia, telah melahirkan banyak metode yang dapat digunakan dalam pengenalan objek pada media gambar, video, ataupun suara. Metode-metode yang telah ada sekarang ini memiliki kelebihan dan kekurangan, sehingga pelitian dalam bidang object recognition terus dilakukan untuk menemukan metode baru yang dianggap sangat efektif dalam pengenalan objek. Metode Wavelet Co-Occurrence Histograms merupakan pengembangan dari metode CoOccurrence Histograms yang dikombinasikan dengan metode Haar Wavelet Transform. Metode Wavelet Co-Occurrence Histograms ini perkenalkan oleh Ali Hesson dan Dimitrios Androutos pada tahun 2008. Metode ini diperkenalkan mereka untuk meningkatkan metode Edge Directional Histograms (EDH) dengan menggunakan dekomposisi wavelet dari suatu citra sebagai sarana untuk menyimpan informasi tepi (edge) (Hesson & Androutsos, 2008). Metode Wavelet Co-Occurrence Histograms mampu menangkap 2 (dua) variasi informasi, baik intesitas warna maupun pemisahan spasial vertical, horizontal dan diagonal tepi (edge) pada citra digital. Wavelet Vector terdiri dari 3 (tiga) dekomposisi koefisien yang dihasilkan dari penerapan filter pada pixel Low- High (LH), High-Low (HL), dan HighHigh (HH). Sebelum menerapkan wavelet transform, citra terlebih dahulu di konversi dalam bentuk grayscale (Hesson & Androutsos, 2008).

2.

Pengolahan Citra Pengolahan citra (image processing) adalah sebuah istilah umum dari sekian banyaknya teknik yang ada untuk memanipulasi dan memodifikasi citra dengan berbagai cara. Para fotografer dan fisikawan dapat melakukan operasi pengolahan citra tertentu dengan menggunakan bahan kimia ataupun peralatan optik. Akan tetapi dalam hal ini akan dibahas mengenai pengolahan citra digital, seperti apa yang bisa dilakukan pada citra digital dengan menggunakan komputer. Bahasan tidak hanya bagaimana citra digital bisa dimanipulasi dan ditingkatkan, akan tetapi bagaimana citra digital diperoleh, disimpan dan direpresentasikan di dalam memori komputer (Efford, 2000). Pengolahan citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh mata manusia (komputer). Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain. Jadi, masukannya adalah citra dan keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih baik daripada citra masukan. Termasuk ke dalam bidang ini juga adalah pemampatancitra (image compression). 2.1. Citra Digital (Digital Image) Citra digital merupakan sebuah larik (array) yang berisi nilai-nilai real maupun komplek yang direpresentasikan dengan deretan bit tertentu (Putra, 2010). Suatu citra dapat didefinisikan sebagai sebuah fungsi 2 (dua) dimensi 𝑓(𝑥, 𝑦), dimana 𝑥 dan 𝑦 adalah bidang koordinat, dan aplitudo dari pada pasangan koordinat (𝑥, 𝑦) disebut sebagai tingkat intesitas atau derajat keabuan pada koordinat tersebut. Citra digital terdiri atas sekumpulan elemen-elemen, dimana elemen-elemen tersebut memiliki nilai dan koordinat tertentu. Elemen-

elemen ini disebut sebagai picture element, image element, pels, dan pixel. Sebuah citra digital dapat mewakili oleh sebuah matriks yang terdiri dari M kolom N baris, dimana perpotongan antara kolom dan baris disebut pixel, yaitu elemen terkecil dari sebuah citra. Pixel mempunyai dua parameter, yaitu koordinat dan intensitas atau warna. Nilai yang terdapat pada koordinat (𝑥, 𝑦) adalah 𝑓(𝑥, 𝑦), yaitu besar intensitas atau warna dari pixel pada koordinat tersebut. Oleh sebab itu, sebuah citra digital dapat ditulis dalam bentuk matriks berikut ini: 𝑓(𝑥, 𝑦) = [

𝑓(0,0) 𝑓(0,1) 𝑓(1,0) 𝑓(1,1) ⋮ ⋮ 𝑓(𝑀 − 1,0) 𝑓(𝑀 − 1,1)

… … …

𝑓(0, 𝑁 − 1) 𝑓(1, 𝑁 − 1) ] ⋮ 𝑓(𝑀 − 1, 𝑁 − 1)

masing mewakili setiap komponen R, G, dan B. Langkah - langkah dalam membentuk histogram warna dari suatu image adalah pertama sekali melakukan pengelompokan warna yang terdapat pada image ke sejumlah kelompok warna dan menghitung jumlah pixel yang sesuai dengan kelompok warna tersebut. Histogram menyediakan informasi distribusi data pada suatu image. Histogram warna relatif tidak terpengaruh pada translasi dan rotasi objek atau content pada image. Histogram sangat baik digunakan untuk pengenalan objek atau objek recognition karena sifatnya yang tidak tergantung pada pengaruh perubahan geometri (Tommy, 2011).

2.2. Format File Citra Sebuah format file citra harus dapat menyatukan kualitas citra, ukuran file dan kompabilitas dengan berbagai aplikasi. Format file citra standar yang digunakan saat ini terdiri dari beberapa jenis. Format-format ini digunakan untuk menyimpan citra dalam sebuah file. Setiap format memiliki karakteristik masing- masing. Berikut ini adalah contoh format citra yang umum digunakan, yaitu: bitmap (.bmp), Tagged Image Format (.tif, .tiff), Portable Network Graphic (.png), JPEG (.jpg). Pada saat sekarang ini berbagai format file standar telah digunakan oleh hampir seluruh Software Developer yang mengembangkan aplikasi pengolahan citra. Dengan menggunakan format file standar dapat meningkatkan kemudahan warna citra dapat dipertukarkan dan memungkinkan dibaca oleh aplikasi lain dalam jangka yang panjang. Namun untuk kebanyakan proyek pengembangan aplikasi pengolahan citra, pemilihan format file yang tepat bukanlah hal yang mudah, akan tetapi perlu dipertimbangkan berulang kali (Burger & Burge, 2009).

2.4. Color Co-Occurrence Histogram Color Co-Occurrence Histograms (CH) adalah histogram yang menyimpan informasi dari pasangan wama-wama tertentu dari pixel-pixel yang muncul terpisah pada jarak tertentu pada image (Chang & Krumm, 1999). Color Co-Occurrence Histograms (CH) dapat dimanfaatkan dalam bidang Object Recognition atau pengenalan objek karena CH dapat digunakan untuk merepresentasikan objek atau content pada image. Berbeda dengan histogram biasa, CH merepresentasikan aspek geometri selain aspek warna. CH mampu mengenali objek pada image tes walaupun objek di presentasikan secara parsial atau tidak utuh. Berikut tahap - tahap pembentukan Color Co-Occurrence Histograms (CH): 1. Melakukan kuantisasi wama dan mengelompokkanya ke - 𝑛𝑐 kelompok dengan algoritma K-Means dan Euclidian distance untuk menghitung jarak wama. 2. Mencari pasangan-pasangan warna dan menghitung jarak antar pasangan. 3. Melakukan kuantisasi jarak dan mengelompokkanya ke - 𝑛𝑐 kelompok dengan menghitung magnitude. Color Co-Occurrence Histograms (CH) merepresentasikan setiap model objek pada image sebagai fungsi CH. Fungsi CH menyimpan sejumlah kemunculan pasangan warna pada pixel image berupa 𝐶𝑥 = (𝑅𝑥 , 𝐺𝑥 , 𝐵𝑥 ) dan 𝐶2 = (𝑅2 , 𝐺2 , 𝐵2 ) yang dipisahkan oleh sebuah vektor (𝐴𝑥 , 𝐴𝑦 ). Warna - warna pada image dikuantisasi ke dalam 𝑛𝑐 kelompok warna 𝐶 = {𝐶1 , 𝐶2 , 𝐶3 , … , 𝐶𝑐 } dengan menggunakan algoritma K-Means dimana k sebanyak 𝑛𝑐 . Proses kuantisasi menggunakan Euclidian Distance untuk menghitung jarak warna RGB.

2.3. Histogram Warna Histogram warna adalah grafik yang menunjukkan frekuensi kemunculan setiap nilai gradasi warna (Sutoyo, et al., 2009). Histogram warna pada media gambar yang memiliki ruang warna RGB terdiri dari 3 dimensi yang masing-

2.5. Wavelet Transform Transformasi wavelet menjadi sangat bermanfaat sebagai alat perhitungan dalam berbagai variasi aplikasi sinyal digital dan citra digital. Sebagai contoh, transformasi wavelet bermanfaat dalam melakukan kompresi terhadap file citra

Berdasarkan gambaran tersebut, secara matematis citra digital dapat berisikan sebagai fungsi intensitas 𝑓(𝑥, 𝑦), dimana harga 𝑥 (baris) dan 𝑦 (kolom) merupakan koordinat posisi dan 𝑓(𝑥, 𝑦) adalah nilai fungsi pada setiap titik (𝑥, 𝑦) menyatakan besar intensitas citra atau tingkat keabuan atau warna dari pixel di titik tersebut. Pada proses digitalisasi (sampling dan kuantitas) diperoleh besar baris 𝑀 dan kolom 𝑁 hingga citra membentuk matriks 𝑀 × 𝑁 dan jumlah tingkat keabuan pixel (Sutoyo, et al., 2009).

digital. Kecilnya ukuran file dianggap penting dalam penyimpanan untuk menghemat memori dan mempercepat pengiriman. Transformasi wavelet juga dimanfaatkan untuk mengurangi noise pada sinyal. Dalam sebuah artikel tahun 2007 yang ditulis oleh Ivan W. Selesmick yang berjudul Wavelet Transform-A Quick Study, mengilustrasikan bagaimana wavelet transform sangat efektif dalam mengurangi noise, dan menjelaskan secara singkat beberapa pengembangan dari dasar transformasi wavelet. Dalam artikel tersebut juga disebutkan bahwa terdapat 2 (dua) jenis wavelet transform. Jenis yang pertama dirancang untuk memudahkan pembalikan, artinya sinyal awal dapat dengan mudah dikembalikan setelah dilakukan transformasi. Jenis ini umumnya digunakan untuk kompresi citra dan mengurangi noise. Jenis kedua dari wavelet transform dirancang untuk analisis sinyal, sebagai contoh adalah untuk mengetahui frekuensi dari sebuah sinyal berjalan terhadap waktu. Dalam kasus ini, bentuk sinyal yang sudah dimodifikasi tidak dibutuhkan dan wavelet transform dibutuhkan bukan untuk mengembalikan sinyal. Wavelet transform yang paling dasar adalah Haar transform yang diperkenalkan oleh Alfred Haar pada tahun 1910. Dimana Haar Transform berfungsi sebagai prototipe dari transformasi wavelet (Selesnick, 2007). Transformasi wavelet adalah suatu AMR yang dapat merepresentasikan informasi waktu dan frekuensi suatu sinyal dengan baik. Transformasi wavelet menggunakan sebuah jendela modulasi yang fleksibel, ini yang paling membedakannya dengan transformasi Fourier waktu singkat atau biasa disebut dengan Short Time Fourier Transform (STFT), yang merupakan pengembangan dari transformasi Fourier. STFT menggunakan jendela modulasi yang besarnya tetap, ini menyebabkan dilema karena jendela yang sempit akan memberikan resolusi frekuensi yang buruk dan sebaliknya jendela yang lebar akan menyebabkan resolusi waktu yang buruk (Jensen & Cour-Harbo, 2001). 2.6. Segmentasi Warna Teknik segmentasi warna dapat diklasifikasikan menjadi beberapa jenis yaitu berbasis histogram (histogram-based), batas (boundary-based), daerah (region-based), dan kecerdasan buatan (artificial intelligence-based). Teknik berbasis histogram umumnya digunakan untuk segmentasi citra abu-abu. Karena citra berwarna biasanya dinyatakan dengan tiga dimensi warna (RGB), segmentasi berbasis histogram dilakukan dengan menggabungkan tiga ambang (threshold) yang diperoleh dari setiap kanal warna. Pada teknik pengambangan (thresholding) dilakukan di setiap komponen R (Red), G (Green), dan B (Blue) untuk menghasilkan nilai-nilai ambang yang digunakan sebagai dasar untuk menghasilkan

satu set nilai ambang untuk segmentasi citra dengan suatu proses pengelompokan tanpa pengawalan (unsupervised clustering). Pada teknik berbasis batas, sebuah detektor tepi digunakan untuk mencari batas suatu objek. Teknik ini berdasarkan kenyataan bahwa intensitas piksel akan berubah dengan cepat pada batas dua daerah. Untuk segmentasi warna, pertama- tama dilakukan deteksi tepi pada setiap kanal warna R,G,B. Selanjutnya tepi-tepi yang dihasilkan digabungkan untuk mendapatkan citra tepi akhir. Pada teknik berbasis daerah, piksel dikelompokkan sesuai dengan kriteria keseragaman. Contoh dari teknik ini adalah pertumbuhan daerah (region growing) serta teknik pemisahan dan penggabungan (split and merge). Pada teknik pertumbuhan daerah, dilakukan pengelompokan piksel- piksel menjadi daerah yang lebih besar berdasar kriteria yang sudah ditentukan. Teknik ini dimulai dari satu set titik-titik awal dan selanjutnya menumbuhkan daerah-daerah dengan menambahkan setiap piksel tetangga dari titik-titik awal di atas yang mempunyai kesamaan ciri, seperti nilai keabuan atau warna. Teknik pemisahan dan penggabungan diawali dengan membagi suatu citra menjadi beberapa daerah dan selanjutnya menggabungkan dan/atau memisahkan daerahdaerah untuk memenuhi kriteria yang sudah ditentukan. Teknik berbasis daerah ini memiliki dua kelemahan utama. Teknik pertumbuhan daerah, dan pemisahan dan penggabungan sangat tergantung pada kriteria global yang ditentukan di awal. Sementara itu, teknik pertumbuhan daerah tergantung juga pada segmen awal, yaitu segmen atau piksel-piksel awal yang digunakan, dan urutan dari proses yang dilakukan. Jaringan syaraf tiruan yang mengimplementasikan multilayer perceptron (MLP) dapat digunakan untuk segmentasi warna secara adaptif. Teknik ini menggunakan fungsi multi sigmoid sebagai fungsi aktivasi untuk proses segmentasi. Jumlah nilai ambang pada fungsi aktivasi tergantung dari jumlah kelompok pada citra yang ditentukan secara otomatis dari turunan orde pertama dari histogram saturasi dan intensitas pada bidang warna HSV. Aturan logika Ersamar didefmisikan berdasar hasil observasi manusia untuk mengklasifikasikan warna yang dihasilkan dari ketiga komponen dari bidang warna HSV. Pada algoritma genetika digunakan untuk optimasi segmentasi warna. Pada teknik ini, proses berevolusi terdiri dari suatu urutan langkah-langkah. Pada setiap langkah algoritma genetika mengoptimasi hasil segmentasi yang diperoleh pada proses sebelumnya sampai hasil segmentasi yang diinginkan tercapai. Algoritma genetika dimulai dari populasi acak N buah individu, dan selanjutnya dilakukan N segmentasi dari citra sesuai dengan parameter yang dikodekan pada setiap individu.

Setelah itu dilakukan evaluasi dari setiap citra hasil segmentasi dan operator genetika (seleksi, kawin silang, mutasi) dioperasikan pada parameterparameter dari individu-individu sampai nilai kecocokan (fitness) tidak melebihi batas ambang tertentu atau jumlah maksimum iterasi tercapai. Berikut teknik segmentasi warna pada RGB:

Perumusan Ruang Lingkup Masalah

Analisa Masalah

Penentuan Tujuan

𝐼=

𝑅 𝑅+𝐺+𝐵

Pembelajaran Literatur

𝑏=

𝐺 𝑅+𝐺+𝐵

Analisis Kebutuhan Sistem dan Data

𝑐=

𝐵 𝑅+𝐺+𝐵

Penyajian Citra Dalam Bentuk Grayscale

Nilai hasil perhitungan kemudian dibandingkan dengan nilai ambang atau threshold untuk mengetahui apakah memenuhi warna yang diinginkan. 2.7. Wavelet Co-Occurrence Histograms Metode Wavelet Co-Occurrence Histograms merupakan metode kombinasi yang pertama sekali diperkenalkan oleh Ali Hesson dan Dimitrios Androutsos pada tahun 2008. Metode ini diperkenalkan dengan tujuan untuk memperbaiki metode Edge Directional Histograms dengan menggunakan koefisien dekomposisi wavelet dari sebuah citra sebagai sarana untuk mengambil informasi tepi (edge). Dengan menggunakan CoOccurrence Histograms sebagai Metode Wavelet Co-Occurrence Histograms mampu menangkap 2 (dua) variasi informasi, baik intesitas warna maupun pemisahan spasial vertikal, horizontal dan diagonal tepi (edge) pada citra digital. Wavelet Vector terdiri dari 3 (tiga) dekomposisi koefisien yang dihasilkan dari penerapan filter pada pixel Low-High (LH), High-Low (HL), dan High-High (HH). Sebelum menerapkan wavelet Transform, citra terlebih dahulu di konversi dalam bentuk grayscale (Hesson & Androutsos, 2008). 3.

Metodologi Penelitian

Dalam melakukan penelitian ini, dibutuhkan kerangka kerja yang dijadikan sebagai acuan dalam proses penyelesaian masalah. Tahapan-tahapan dalam kerangka keija penelitian ini disusun secara sitematis agar penyelesaian masalahnya menjadi jelas. Adapun kerangka keija yang disusun dalam penelitian ini adalah sebagai berikut:

Dekomposisi Wavelet

Pembentukan Wavelet Co-Occurrence Histograms

Perancangan Interface Perangkat Lunak Pengenalan Objek

Implementasi

Pengujian

Gambar 3.1 Kerangka Kerja 4.

Analisis dan Perancangan Dalam penulisan penelitian ini, media yang digunakan adalah citra digital dalam format JPEG dan BMP. Sebelum objek citra digital dikenali, terlebih dahulu citra digital tersebut di konversi ke dalam bentuk grayscale untuk mengurangi informasi pada citra ke dalam 1 (satu) channel. Setelah citra digital yang akan dikenali dikonversi ke dalam bentuk grayscale, selanjutnya akan dilakukan proses dekomposisi wavelet dengan menggunakan Haar Wavelet Transform, sehingga akan diperoleh 4 (empat) citra baru dengan frekuensi pixel Low-Low, High-Low, Low-High, dan High-High. Tahap berikutnya setelah dekomposisi wavelet adalah representasi ke dalam bentuk Wavelet Co-Occurrence Histogram. Dimana pada tahap ini citra hasil dekomposisi akan di kelompokkan ke dalam beberapa kelompok warna, kemudian dilakukan penghitungan terhadap jarak pasangan warna dari tiap-tiap kelompok warna. Hasil tersebut akan disimpan sebagai salah satu record dalam database citra. Citra digital yang digunakan sebagai objek yang akan dikenali adalah citra File Bitmap dengan ekstensi JPG dan BMP. Hal penting dari pemilihan format file ini adalah kedalaman warna dari citra digital yang akan dikenali. Artinya, pada citra digital tersebut memiliki berapa jumlah bit pada setiap

pixelnya. Pada penulisan ini, tingkat kedalaman warna yang digunakan adalah 8 bit. Dalam perancangan aplikasi pengenalan objek menggunakan metode Wavelet Co-occurrence Histograms ini, algoritma umum aplikasi disajikan pada gambar dibawah ini: Citra Digital

Representasi Dalam Wavelet Co-Occurrence Histogams

Proses Input Data

Input/Output

Proses Output Data

Start

Citra Berwarna

Informasi Frekuensi Warna dan Jarak

I = (R+G+B)/3

Proses

Gambar 4.1 Algoritma Umum Aplikasi Pada gambar 4.1 di atas, tiap modul yang disajikan merupakan modul secara umum dimana di dalam setiap modul tersebut terdapat banyak sub modul yang memiliki fungsi lebih spesifik yang membangun keseluruhan aplikasi. Pada modul proses input data akan melakukan beberapa operasi seperti konversi citra ke dalam bentuk grayscale, dekomposisi wavelet, kuantisasi warna, kuantisasi jarak, perhitungan frekuensi kemunculan warna dan jarak antar warna. Pada modul proses output data akan disajikan dalam bentuk informasi kelompok warna dan jarak yang kemudian disimpan ke dalam database. 4.1 Proses Konversi Citra Digital Ke Dalam Bentuk Grayscale Citra asli yang akan menjadi objek untuk dikenali berupa citra berwarna 8 bit. Pada citra berwarna, pada umumnya memiliki nilai RGB (Red Green Blue) yang berbeda-beda pada setiap pixelnya. Perbedaan nilai RGB tersebut akan membentuk suatu pixel dengan warna tertentu. Pada citra grayscale, nilai RGB memiliki nilai yang sama. Sehingga citra grayscale sering disebut dengan citra 1 (satu) channel. Untuk melakukan konversi citra berwarna menjadi citra grayscale, dapat dilakukan dengan melakukan operasi perataan pada tiap pixel-nya dengan menggunakan persamaan berikut: 𝑅+𝐺+𝐵 3 Proses konversi ke dalam format grayscale dapat disajikan seperti pada gambar 4.2 dibawah ini: 𝐼=

Citra Grayscale

End

Gambar 4.2 Flowchart Proses Konversi Ke dalam Format Grayscale Sebagai ilustrasi, sebuah citra berwarna dengan ukuran 3x3 pixel disajikan seperti dibawah ini: (220,150,79) (225,165,10) (50,120,250)

(80,95,255)

(150,100,190) (35,70,198)

(225,165,10)

(80,95,255) (35,70,198)

(4,190,17)

(180,10,0)

(255,255,120) (220,150,79)

(50,120,250) (255,255,120) (255,255,120)

(220 + 150 + 79) = 149.66 = 150 3 (225 + 165 + 10) 𝑃𝑖𝑥𝑒𝑙 (0,1) = = 133,33 = 133 3 (50 + 120 + 250) 𝑃𝑖𝑥𝑒𝑙 (0,2) = = 140 3 (80 + 95 + 225) 𝑃𝑖𝑥𝑒𝑙 (0,3) = = 133,33 = 133 3 (150 + 100 + 190) 𝑃𝑖𝑥𝑒𝑙 (1,0) = = 146,66 = 147 3 (35 + 70 + 198) 𝑃𝑖𝑥𝑒𝑙 (1,1) = = 101 3 (180 + 10 + 0) 𝑃𝑖𝑥𝑒𝑙 (1,2) = = 63,33 = 63 3 (225 + 165 + 10) 𝑃𝑖𝑥𝑒𝑙 (1,3) = = 133,33 = 133 3 (80 + 95 + 225) 𝑃𝑖𝑥𝑒𝑙 (2,0) = = 133,33 = 133 3 (4 + 190 + 17) 𝑃𝑖𝑥𝑒𝑙 (2,1) = = 70.33 = 70 3 (255 + 255 + 120) 𝑃𝑖𝑥𝑒𝑙 (2,2) = = 210 3 (220 + 150 + 79) 𝑃𝑖𝑥𝑒𝑙 (2,3) = = 149.66 = 150 3 (35 + 70 + 198) 𝑃𝑖𝑥𝑒𝑙 (3,0) = = 101 3 (50 + 120 + 250) 𝑃𝑖𝑥𝑒𝑙 (3,1) = = 140 3 (255 + 255 + 120) 𝑃𝑖𝑥𝑒𝑙 (3,2) = = 210 3 𝑃𝑖𝑥𝑒𝑙 (0,0) =

𝑃𝑖𝑥𝑒𝑙 (3,3) =

(225 + 255 + 120) = 210 3

Dari hasil perhitungan di atas, maka dihasilkan sebuah citra grayscale sebagai berikut:

150

133

140

133

147 133 101

101 70 140

63 210 210

133 150 210

4.2 Proses Dekomposisi Wavelet Pada proses dekomposisi wavelet, citra yang telah dikonversi dalam bentuk grayscale akan difilter sehingga citra awal akan menjadi 4 (empat) buah citra baru dengan frekuensi Low-Low, HighLow, Low-High, dan High-High. Proses filtrasi dilakukan dengan 2 (dua) buah filter, yaitu Low Pass Filter, dan High Pass Filter. Dimana Low Pass Filter akan meloloskan pixel yang memiliki frekuensi rendah, dan High Pass Filter akan meloloskan pixel yang memiliki frekuensi tinggi. Dimana Low Pass Filter merupakan sebuah operasi perataan sederhana dengan mengambil nilai tengah terhadap pixel yang bersebelahan, sedangkan High Pass Filter merupakan selisih nilai dari pixel yang bersebelahan. Gambar 4.3 dibawah ini merupakan bentuk hasil filtrasi dari Low Pass Filter dan High Pass Filter. Grayscale Image

Wavelet

LL

HL

LH

HH

Gambar 4.3 Format Dekomposisi Wavelet 4.3 Pembentukan Wavelet Co-Occurrence Histogram Setelah citra asli disajikan dalam bentuk transformasi wavelet, setiap pixel citra dapat direpresentasikan oleh sebuah vektor tiga dimensi, yang terdiri cari horizontal, vertical, dan diagonal. Bukan menggunakan nilai dari pixel, melainkan menggunakan vektor tiga dimensi tersebut untuk mewakili setiap pixel, in sebuah WCH (Wavelet CoOccurrence Histograms) dari sebuah citra dibangun berdasarkan representasi tersebut. Dua dimensi pertama nerepresentasikan vektor pixel dan dimensi ketiga merepresentasikan jarak yang memisahkan dua vektor. Sebagai contoh diberikan pixel P1 dengan koefisien wavelet (LH1, HL1, HH1), pixel P2 dengan koefisien wavelet (LH2, HL2, HH2), kemudian: 𝐶𝐶𝐻(𝑣1 , 𝑣2 , 𝑑) = 𝑘 Kemudian pasangan pixel 𝑣1 dan 𝑣2 dipisahkan oleh pixel 𝑑 sebanyak 𝑘 kali, dimana: 𝑣1 = (𝐿𝐻1 , 𝐻𝐿1 , 𝐻𝐻1 ) 𝑣2 = (𝐿𝐻2 , 𝐻𝐿2 , 𝐻𝐻2 ) 4.4 Kesamaan Ukuran (Similarity Measure) Kesamaan dapat didefinisikan sebagai sebuah fungsi pemetaan diantara sekumpulan parameter atau vektor parameter yang menggambarkan ciri-ciri dari citra dan sebuah nilai

riil positif untuk mengukur tingkat kesamaan diantara citra-citra yang diperbandingkan. Saat ini banyak sekali similarity measure yang telah dikembangkan dalam sistem pencarian citra. Similarity Measure yang digunakan pada metode ini adalah Histogram Intersection seperti pada persamaan dibawah: 𝑛

𝑆𝑤𝑐ℎ (ℎ1 , ℎ2 ) = ∑ min(𝐻1 [𝑖], 𝐻2 [𝑖]) 𝑖=1

Setelah mendapatkan nilai 𝑆𝑤𝑐ℎ maka akan dilakukan perbandingan antara WCH1 dengan WCH2 𝐻[𝐾] 𝐻[𝐾] = 𝑛 ∑𝑖=1 𝐻[𝑖] 5.

Implementasi Sistem Implementasi sistem merupakan tahapan dalam menerapkan sistem yang telah dibangun, dimana nantinya akan diketahui kualitas dari sistem yang dirancang, apakah sudah dapat berjalan dengan baik dan sesuai dengan tujuan yang diharapkan. Dalam melakukan implementasi dipersiapkan beberapa sarana yang berhubungan dengan perangkat keras (hardware) dan perangkat lunak (software). Adapun tahapan dalam melakukan implementasi sistem, terdiri dari: 1. Pembuatan perangkat lunak 2. Lingkungan Perangkat keras Berikut ini merupakan tampilan dari interface form utama:

uji. Hasil yang ditampilkan berupa daftar objek yang memiliki tingkat kesamaan > 60% dari database citra yang telah disediakan. Gambar 5.4 Interface Form Recognize

Gambar 5.1 Interface Form Utama

5.1 Interface Form Test Object Interface Form Test Object digunakan untuk menampilkan citra uji yang akan diolah. Pengolahan citra yang dilakukan dapat berupa scan dan recognize. Form ini akan memberikan informasi nama file, tipe file, dimensi citra, dan tingkat kedalaman bit pada citra uji.

Gambar 5.2 Interface Form Test Object 5.2 Interface Form Scan Interface Form Scan digunakan untuk menampilkan hasil perhitungan dari metode wavelet co-occurrence histograms. Pada form ini akan menyajikan tiap-tiap tahap dari wavelet cooccurrence histograms diantamya konversi citra grayscale, representasi wavelet, kuantisasi, dan penyajian perhitungan co-occurrence histograms. Hasil perhitungan ini bisa disimpan di dalam database citra dengan melakukan klik tombol Save pada Form Utama. Gambar 5.3 Interface Form Scan 5.3 Interface Form Recognize Interface Form Recognize digunakan untuk

menampilkan hasil pengenalan objek terhadap citra

Pada form recognize, memiliki objek kontrol yang hampir sama dengan form scan, hanya saja pada form recognize ini dilengkapi dengan tambahan 1 (satu) ListView yang berfungsi menampilkan hasil pencarian objek yang memiliki tingkat kesamaan > 60% dengan daftar citra yang tersimpan di dalam database citra. 6.

Penutup Pada bab ini akan diambil beberapa kesimpulan beserta dengan saran dari pembahasan yang telah pada bab sebelumnya. 6.1 Kesimpulan Dari hasil pembahasan serta pengujian sistem yang dilakukan pada bab sebelumnya, makan dapat disimpulkan beberapa hal antara lain: 1. Jumlah pasangan pixel yang dibentuk untuk citra yang sama baik untuk citra dengan format JPEG maupun BMP adalah sama. Sehingga, citra JPEG akan mengenali citra yang sama walaupun memiliki perbedaan format. 2. Pencocokan citra uji dengan citra yang terdapat di dalam database citra tergantung dari jumlah pasangan pixel nya, sehingga citra yang tidak sama dengan citra uji akan tetapi memiliki kesamaan jumlah akan dianggap memiliki kesamaan dengan tingkat kemiripan yang relatif. 6.2 Saran Adapun saran-saran yang dapat diberikan di dalam pengembangan aplikasi pengenalan objek ini adalah: 1. Informasi objek berupa wavelet cooccurrence histograms yang disimpan di dalam database sangat besar sehingga menghabiskan media penyimpanan yang besar. Untuk kedepannya ada pengembangan pada teknik ini agar informasi yang disimpan tidak terlalu besar dan tetap dapat digunakan dengan baik pada proses identifikasi. 2. Walaupun wavelet co-occurrence histograms lebih baik dari penggnnaan color co-occurrence histograms dan histograms warna biasa dalam mengatasi masalah dalam identifikasi objek berbeda dengan warna yang hampir sama dengan digunakannya fitur jarak antar pixel warna, namun wavelet co-occurrence histograms juga dapat menghasilkan kesalahan yang sama pada

3.

4.

dua objek berbeda yang warna dan jarak antar pixel warnanya hampir sama. Diharapkan kedepannya algoritma wavelet co-occurrence histograms dapat disempurnakan lagi sehingga dapat mengatasi masalah ini. Aplikasi yang telah dibangun hanya mendukung format citra JPEG dan BMP serta dimensi citra yang dibatasi hanya 256 x 256 pixel, diharapkan pada pengembangan berikutnya dapat menggunakan berbagai format citra dengan dimensi citra yang lebih besar. Aplikasi yang telah dibangun hanya mampu mengolah citra yang telah tersimpan di dalam perangkat komputer, hendaknya dalam pengembangan berikutnya aplikasi mampu mengenali objek citra digital secara real time. Daftar Pustaka

1.

2.

3.

4.

5.

6. 7.

8. 9.

Burger, W. & Burge, M. J., 2009. Principles of Digital Image Processing: Fundamental Techniques. 1st ed. London: Springer. Chang, P. & Krumm, J., 1999. Object Recognition with Color Cooccurrence Histograms. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, II(1), pp. 498-504. Efford, N., 2000. Digital Image Processing: A Practical Introduction Using Java. 1st ed. Harlow: Addison Wesley. Hesson, A. & Androutsos, D., 2008. Logo classification using Haar. IEEE Canadian Conference on Electrical and Computer Engineering, pp. 927-930. Jensen, A. & Cour-Harbo, A. L., 2001. Ripples in Mathematics: The Discrete Wavelet Transform. 1st ed. Berlin: Springer. Putra, D., 2010. Pengolahan Citra Digital. 1st ed. Yogyakarta: Andi Offset. Selesnick, I. W., 2007. Ivan Selesnick, New York: Polytechnic Institute of New York University . Sutoyo, T. et al., 2009. Teori Pengolahan Citra Digital. 1st ed. Yogyakarta: Andi Publisher. Tommy, 2011. Perancangan Aplikasi Pengenalan Object Menggunakan CoOccurrence Histogram, Medan: Sekolah Tinggi Teknik Harapan.