52
BAB III
PROSEDUR DAN METODOLOGI
3.1 ANALISA MASALAH
Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala
melakukan proses retrival citra dan bagaimana solusi untuk memecahkan
masalah itu. Salah satu masalah itu adalah semantic gap. Semantic gap bisa
terjadi karena adanya kesalahan pengenalan dari komputer yang mengenali
antara citra kueri dengan citra database yang hanya memiliki kemiripan warna
tanpa komputer memperhatikan bentuk dari citra itu sehingga output yang
dihasilkan bisa berbeda dengan input walaupun memiliki warna yang sama. Jadi
pada kasus semantic gap, ouput yang dihasilkan hanya berdasarkan fitur warna
yang sama dengan kueri input tanpa melihat perbedaan dari bentuk dari citra itu.
Sehingga pada saat memberikan input citra berupa gunung yang mempunyai
warna hijau dan karena terjadi semantic sehingga output citra yang keluar pun
bisa berupa citra laut hanya karena warna citra laut itu adalah hijau sama dengan
input citranya, padahal citra output yang kita inginkan adalah citra gunung. Oleh
sebab itu kami berusaha menambah fitur baru yaitu fitur bentuk untuk membuat
akurasi dari penretrievalan citra menjadi lebih akurat dan permasalahan dari
semantic gap itu bisa diminimalisasi seminim mungkin.
3.2 PENYELESAIAN MASALAH
Pada pemecahan masalah ini kami menggunakan citra bunga untuk
memudahkan kami dalam melakukan retrival citra karena citra bunga memiliki
53
fitur warna dan bentuk yang beragam. Hal pertama yang harus kita lakukan
untuk dapat melakukan retrival citra yaitu kita harus dapat melakukan ekstrasi
ciri pada citra itu dan ekstrasi ciri yang kami gunakan adalah ekstrasi ciri
berdasarkan fitur warna dan fitur bentuk. Pada ekstrasi fitur warna, pertama-tama
kami melakukan distribusi warna pada citra dengan menggunakan warna crayon
dan setelah distribusi warna selesai kami mensegmentasinya. Seperti yang kita
ketahui segmentasi adalah suatu proses yang digunakan untuk mengelompokkan
citra sesuai dengan obyek citranya. Setelah menentukan berapa banyak distribusi
warna yang digunakan maka tiap citra yang ada dilakukan segmentasi warna.
Citra database terlebih dahulu disegmentasi sebelum disimpan di database. Citra
kueri juga disegmentasi terlebih dahulu sebelum dibandingkan dengan citra
database. Pada ekstrasi fitur bentuk kami melakukan grayscale terlebih dahulu
pada citra, dimana citra yang semulai memiliki warna merah biru hijau kini
hanya menjadi warna dengan intensistas 0-255 dan proses ini disebut juga proses
derajat keabuan dan setelah citra telah menjadi grayscale kami menghaluskan
citra tersebut dengan mem-blur citra. Setelah citra sudah menjadi gray dan blur,
lalu kami melakukan deteksi tepi pada citra itu dengan menggunakan metode
sobel. Setelah deteksi tepi selesai lalu melakukan integral proyeksi yang akan
dilanjutkan dengan resampling dan normalisasi lalu dibuatlah ciri vektor dari
citra tersebut. Dan setelah semua proses ekstrasi selesai kami melakukan
pembagian kelas untuk setiap objek bunga dengan menggunakan metode k-
means dan tujuan pembagian kelas ini agar dapat dilakukan retrival citra dengan
lebih cepat dan efektif. Dan proses selengkapnya dapat dilihat dari perancangan
sistem yang kami buat dibawah ini.
54
3.3 PERANCANGAN SISTEM
Metode yang akan kita pakai dari perancangan program ini yaitu dengan
menggunakan teknik CBIR yang dimana fitur yang akan kita pakai dari citra
adalah fitur warna dan bentuk. Dimana kita akan melakukan ekstrasi fitur warna
dan bentuk dari suatu citra dan dari ekstrasi fitur warna dan bentuk itu kita
melakukan retrival citra berdasarkan kemiripan pada fitur warna dan bentuk. Dan
selanjutnya kami melakukan pembagian kelas dari setiap obyek dengan
menggunakan metode kmeans. Pembagian kelas ini kami lakukan agar pada
proses retrival citra berlangsung degan cepat.
3.4 PROSEDUR
3.4.1 Ekstrasi Fitur Warna
Dalam proses ekstrasi fitur warna kami menggunakan metode histogram
interseksi dan tahapan proses dari metode kami bagi menjadi 4 tahapan yaitu
1. Distribusi warna
2. Segmentasi warna
3. Histogram warna
4. Histogram interseksi
Berikut adalah flowchart pada proses ekstrasi fitur warna pada gambar 3.1
55
Gambar 3.1 Flowchart untuk proses ekstrasi warna
Penjelasan dari setiap proses ekstrasi warna dapat dilihat dibawah :
3.4.1.1 Distribusi Warna
Distribusi warna yang digunakan pada program tugas akhir ini 48
warna crayon. Untuk mendapatkan nilai warna 48 crayon dengan menggunakan
Adobe Photoshop. Buka file citra crayon 48 warna pada Adope Photoshop lalu
gunakan Eyedropper Tool, klik tiap crayon dan lihat nilai RGB pada window
color yang ada disebelah kanan atas form. Untuk lebih jelasnya, berikut ini
ditampilkan citra dan tabel 48 warna crayon pada gambar 3.2
56
Gambar 3.2 Pengambilan nilai RGB 48 warna crayon dengan adobe photoshop
3.4.1.2 Segmentasi Warna
Segmentasi adalah suatu proses yang digunakan untuk mengelompokkan
citra sesuai dengan obyek citranya. Setelah menentukan berapa banyak distribusi
warna yang digunakan maka tiap citra yang ada dilakukan segmentasi warna.
Citra database terlebih dahulu disegmentasi sebelum disimpan di database. Citra
kueri juga disegmentasi terlebih dahulu sebelum dibandingkan dengan citra
database.
tampilan flowchart dari segmentasi warna dapat dilihat pada gambar 3.3:
57
Gambar 3.3 Flowchart segmentasi warna
58
3.4.1.3 Histogram Warna
Pada tahap ini menghitung nilai Probability Density Function dari hasil
proses segmentasi dan rumus PDF dapat dilihat pada rumus 3.1 :
, , , ,
(3.1)
Keterangan :
P(r,g,b) = nilai probabilitas warna
H(r,g,b) = nilai histogram warna
Nimage = jumlah pixel dari image
Probability Density Function adalah fungsi probabilits p(x) dimana x adalah
kejadian dan p(x) adalah kemunculan dari suatu kejadian. Flowchart dari PDF
dapat dilihat pada gambar 3.4 :
59
Gambar 3.4 Flowchart mencari nilai Probability Density Function (PDF)
3.4.1.4 Histogram Interseksi
Histogram interseksi digunakan untuk menentukan jarak antara dua
histogram yaitu histogram dari citra kueri dengan citra database. Jarak minimum
60
ini menentukan kedekatan antara dua obyek. flowchart dari histogram interseksi
dapat dilihat pada gambar 3.5:
Gambar 3.5 Flowchart untuk histogram interseksi
3.4.2 Ekstrasi Fitur Bentuk
Selain menggunakan ekstraksi fitur warna, metode yang digunakan untuk
mengidentifikasi citra adalah dengan ekstraksi citra berdasarkan fitur bentuk.
Adapun flowchart untuk ekstraksi fitur bentuk dapat dilihat pada gambar 3.6
61
Gambar 3.6 Flowchart ekstrasi citra berdasarkan fitur bentuk
Penjelasan untuk flowchart di atas adalah sebagai berikut :
62
3.4.2.1 Grayscale
Proses grayscale, prinsip dari metode grayscale adalah mengubah warna
citra yang semula terdiri dari merah, hijau dan biru menjadi warna dengan
intensitas 0 sampai 255 dan proses ini disebut juga dengan proses perhitungan
derajat keabuan, untuk perhitungannya adalah sebagai berikut :
(3.2)
Dimana
s : Nilai derajat keabuan
r : Nilai warna merah
g : Nilai warna hijau
b : Nilai warna biru
Flowchart untuk grayscale dapat dilihat pada gambar 3.7 :
63
START
FINISH
i=0 to n
j=0 to m
N = image widhtM = image height
r = (rgb >> 16) & 0xFF;g = (rgb >> 8) & 0xFF;
b = rgb & 0xFF;gray = (r+g+b)/3
i
j
Gambar 3.7 Flowchart grayscale
3.4.2.2 Blur
Proses Bluring yaitu proses yang digunakan untuk menghaluskan citra dari
noise yang ada.
64
3.4.2.3 Deteksi Tepi (Edge Detection)
Proses deteksi tepi (Edge Detection), metode yang digunakan dalam proyek
akhir ini adalah metode Sobel. Metode Sobel merupakan pengembangan metode
Robert yang menggunakan filter HPF yang diberi satu angka nol penyangga.
Metode ini mengambil prinsip dari fungsi laplacian dan gaussian yang dikenal
sebagai fungsi untuk membangkitkan HPF. Kelebihan dari metode sobel ini
adalah kemampuan untuk mengurangi noise sebelum melakukan perhitungan
deteksi tepi. Kernel filter yang digunakan dalam metode sobel ini adalah :
(3.3) dan (3.4)
Sebelum melakukan proses edge detection, warna citra di-binerkan. Jika
intensitas warna kurang dari rata-rata pixel keseluruhan, maka intensitas warna
diubah menjadi 0, selain kondisi tersebut, intensitas warna diubah menjadi 255. Data
ini menjadi data acuan untuk proses selanjutnya. Flowchart untuk proses edge
detection dapat dilihat pada gambar 3.8 :
65
Gambar 3.8 Flowchart deteksi tepi
66
3.4.2.4 Integral Proyeksi
Proses selanjutnya adalah proses integral proyeksi, suatu teknik yang
menjumlahkan nilai setiap kolom atau setiap baris. Integral proyeksi
didefinisikan dengan :
∑ , (3.5)
Keterangan :
h(j) = total nilai baris
x(i,j) = nilai baris
∑ , (3.6)
Keterangan :
h(i) = total nilai kolom
x(i,j) = nilai kolom
flowchart untuk proses integral proyeksi untuk mendapatkan nilai baris dapat
dilihat pada gambar 3.9 :
67
START
FINISH
i=0 to n
j=0 to m
N = image widhtM = image height
iph[i] = iph[i] + tempedge[i][j]
i
j
Gambar 3.9 Flowchart integral proyeksi untuk nilai baris
Flowchart untuk proses integral proyeksi untuk mendapatkan nilai kolom dapat
dilihat pada gambar 3.10
68
START
FINISH
i=0 to m
j=0 to n
N = image widhtM = image height
ipv[i] = ipv[i] + tempedge[i][j]
i
j
Gambar 3.10 Flowchart integral proyeksi untuk nilai kolom
3.4.2.5 Resampling
Proses Resampling dari nilai integral proyeksi dengan cara mengambil nilai
rata-rata atau nilai vektor kuantisasinya pada setiap vektor m + n dari setiap nilai
integral proyeksi dengan skala 10 x 10, dan hasilnya berupa nilai vektor, dapat
dituliskan sebagai berikut:
69
∑ ∑ (3.7)
Keterangan, V(i) : merupakan nilai vector m + n : merupakan jumlah
vektor yang terdapat pada vektor m + n
X : merupakan nilai dari setiap vektor integral proyeksi
Flowchart untuk resampling dapat dilihat pada gambar 3.11 :
70
71
Gambar 3.11 Flowchart data untuk resampling
3.4.2.6 Normalisasi
Proses selanjutnya yaitu Normalisasi dengan membagi hasil nilai dari
resampling dengan nilai terbesar sehingga di dapat nilai antara 0 sampai 1,dari
nilai inilah digunakan sebagai vektor ciri dari setiap citra.
Flowchart normalisasi dapat dilihat pada gambar 3.12:
72
73
Gambar 3.12 Flowchart proses normalisasi
3.4.3 K-
Setel
dilakuka
Pembagi
lebih cep
Dem3.13
means
lah proses n
an clustering
ian kelas ini
pat.
monstrasi untu
Gam
normalisasi k
g sehingga da
dilakukan a
uk algoritma
mbar 3.13 De
kami mengg
ata dapat dik
agar proses r
a sederhana
emonstrasi a
gunakan me
kelompokkan
retrival citra
dari K-mean
algoritma dar
etode k-mean
n menjadi be
menjadi leb
ns dapat dilih
ri k-means
ns agar dap
eberapa kela
bih efisien da
hat pada gam
74
at
as.
an
mbar