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