EKSTRAKSI CIRI WARNA, BENTUK DAN TEKSTUR UNTUK

TEMU KEMBALI CITRA HEWAN

IDALIANA KUSUMANINGSIH

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
i

EKSTRAKSI CIRI WARNA, BENTUK DAN TEKSTUR UNTUK

TEMU KEMBALI CITRA HEWAN

IDALIANA KUSUMANINGSIH

Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
ii

ABSTRACT
IDALIANA KUSUMANINGSIH. Feature Extraction Based on Color, Shape and Texture for Animal
Image Retrieval. Under the supervision of SONY HARTONO WIJAYA.
The differences in color, shape, and texture characteristics between each animal cause difficulties
in animal image retrieval. Therefore, specified technique is needed to obtain pattern from each
animals feature so that image retrieval might works properly. One of the techniques to obtain the
pattern done by feature extraction. This research tries to develop image extraction method in Content
Based Image Retrieval approach by using three image visual features (color, shape, texture). In this
research, Fuzzy Color Histogram (FCH) for color feature extraction is used through computing the
membership function using Cauchy function. In FCH, one color may belong to two bins histogram or
more with different membership functions. Then, shape feature is extracted using edge direction
histogram, where each image is processed using Sobel edge detection, and then the direction is
mapped into a defined bin histogram. For texture feature extraction, the process uses co-occurrence
matrix with computing the values of energy, moment, entropy, maximum probability, contrast,
correlation and homogeneity. Similarity value between image query and images in database is
computed based on its features, those are color, shape, texture, and its combination. Recall and
precision value resulted in this research shows the largest average precision value is obtained from
searching process using index combination (color, shape, texture) of feature extraction.
Keywords: feature extraction, Fuzzy Color Histogram, edge direction histogram, co-occurrence
matrix

iii

Judul
Nama
NIM

: Ekstraksi Ciri Warna, Bentuk dan Tekstur untuk Temu Kembali Citra Hewan.
: Idaliana Kusumaningsih
: G64052767

Menyetujui:

Pembimbing

Sony Hartono Wijaya, M.Kom.

NIP 198108092008121002

Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

Dr. drh. Hasim, DEA.

NIP 196103281986011002

Tanggal Lulus:

iv

PRAKATA
Alhamdulillahi Rabbil alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas
limpahan rahmat dan hidayah-Nya sehingga tugas akhir dengan judul Ekstraksi Ciri Warna, Bentuk
dan Tekstur untuk Temu Kembali Citra Hewan dapat diselesaikan dengan baik. Dalam menyelesaikan
tugas akhir ini penulis mandapatkan banyak bantuan, bimbingan dan dorongan dari berbagai pihak,
oleh karena itu penulis mengucapkan terima kasih kepada :
1 Ayah, Ibu, Nenek, Mas Kolik, dan Mas Ihya, atas segala kasih sayang, doa dan dukungan yang
tak ternilai.
2 Bapak Sony Hartono Wijaya, M.Kom. selaku pembimbing atas bimbingan dan arahan selama
pengerjaan tugas akhir.
3 Ibu Yeni Herdiyeni, S.Si. M.Kom dan Ibu Dr. Ir. Sri Nurdiati, M.Sc. selaku penguji, atas segala
kritik dan saran yang telah diberikan.
4 Kak Balqis dan Kak Rizki atas bantuan dan penelitiannya.
5 Teman-teman satu bimbingan, Annisa, Siti Fatimah, Indah Khurotul Aini, dan Desca Marwan
Toni, atas dukungan dan kerjasamanya selama bimbingan.
6 Teman-teman LAB CI, Dani, Fitri, Ferry, Vera, Indra, Rafdi, dan Dimas, atas segala bantuan dan
diskusi selama pengerjaan tugas akhir.
7 Windy, Chika, Tara, Netty, Mega, dan seluruh teman-teman Departemen Ilmu Komputer IPB
angkatan 42 yang telah meramaikan hari-hari penulis dengan kebersamaan dan waktu yang tak
terlupakan.
8 Teman-teman Kost Putri White House, Fitri, Diana, Ulfa, Ana, Evelin, yang selalu memberi
keceriaan, bantuan serta dukungan.
9 Teman-teman KMK, khususnya Andri, Fitri, Farida, Dina, Bram, dan Rina yang telah bersedia
menjadi keluarga kedua penulis selama kuliah di Institut Pertanian Bogor.
Penulis juga mengucapkan terima kasih kepada semua pihak yang telah membantu pengerjaan
tugas akhir ini yang tidak dapat disebutkan satu per satu. Segala kritik dan saran yang membangun
akan diterima untuk perbaikan selanjutnya. Semoga penelitian ini dapat bermanfaat.

Bogor, Agustus 2009

Idaliana Kusumaningsih

RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 1 Januari 1987 di Klaten sebagai anak ketiga dari tiga bersaudara
dari ayahanda bernama Margito dan Ibunda bernama Mulyani. Pada tahun 2002, penulis menempuh
pendidikan menengah atas di SMU Negeri 1 Karanganom masuk program IPA dan lulus pada tahun
2005.
Pada tahun yang sama, penulis melanjutkan pendidikan di IPB melalui jalur USMI dan diterima
sebagai mahasiswi Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika
dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Pada tahun 2008, penulis melaksanakan
kegiatan Praktik Kerja Lapangan di PT Tugu Pratama Indonesia selama dua bulan.

vi

DAFTAR ISI
Halaman
DAFTAR GAMBAR .............................................................................................................................. v
DAFTAR TABEL .................................................................................................................................. v
DAFTAR LAMPIRAN ........................................................................................................................... v
PENDAHULUAN
Latar Belakang .................................................................................................................................. 1
Tujuan ............................................................................................................................................... 1
Ruang Lingkup .................................................................................................................................. 1
TINJAUAN PUSTAKA
Ekstraksi Ciri..................................................................................................................................... 1
Fuzzy Color Histogram (FCH) .......................................................................................................... 1
Fungsi Cauchy................................................................................................................................... 2
Edge Detection .................................................................................................................................. 2
Gray Level Co-occurrence Matrix .................................................................................................... 2
Recall dan Precision ......................................................................................................................... 3
METODE PENELITIAN
Data ................................................................................................................................................... 3
Praproses ........................................................................................................................................... 3
Ekstraksi Ciri Warna ......................................................................................................................... 4
Ekstraksi Ciri Bentuk ........................................................................................................................ 4
Ekstraksi Ciri Tekstur ....................................................................................................................... 5
Pengukuran Kemiripan ...................................................................................................................... 5
Evaluasi ............................................................................................................................................. 6
Perangkat Keras dan Perangkat Lunak .............................................................................................. 6
HASIL DAN PEMBAHASAN
Data Penelitian .................................................................................................................................. 6
Praproses ........................................................................................................................................... 6
Ekstraksi Ciri Warna ......................................................................................................................... 6
Ekstraksi Ciri Bentuk ........................................................................................................................ 7
Ekstraksi Ciri Tekstur ....................................................................................................................... 7
Hasil Temu Kembali ........................................................................................................................ 8
Evaluasi Hasil Temu Kembali Citra .................................................................................................. 8
KESIMPULAN DAN SARAN
Kesimpulan ..................................................................................................................................... 10
Saran ............................................................................................................................................... 10
DAFTAR PUSTAKA ........................................................................................................................... 10
LAMPIRAN ......................................................................................................................................... 12

iv

DAFTAR GAMBAR
Halaman
1
2
3
4
5
6
7
8
9
10
11
12
13

Fungsi Cauchy ................................................................................................................................. 2

Operator Sobel ................................................................................................................................. 2
Metodologi penelitian ...................................................................................................................... 4
Citra sebelum dan sesudah dilakukan image enhancement.............................................................. 6
Citra sebelum dan sesudah cropping. .............................................................................................. 6
Citra Red panda ............................................................................................................................... 7
Hasil FCH dengan Cauchy 30 bin.................................................................................................... 7
Citra Canine ..................................................................................................................................... 7
Citra Canine (grayscale) sebelum dan sesudah dilakukan Sobel edge detection ............................. 7
Hasil edge direction histogram 36 bin ............................................................................................. 7
Citra leopard sebelum dan sesudah diubah menjadi grayscale ........................................................ 8
Hasil co-occurrence matrix dengan 7 ciri tekstur ............................................................................ 8
Grafik perbandingan nilai recall precision rata-rata seluruh citra ................................................. 10

DAFTAR TABEL
Halaman
1
2
3
4
5
6
7

Perbandingan nilai recall precision pada kelas Bear ....................................................................... 8

Perbandingan nilai recall precision pada kelas Canine ................................................................... 8
Perbandingan nilai recall precision pada kelas Skunk..................................................................... 9
Perbandingan nilai recall precision pada kelas Red panda .............................................................. 9
Perbandingan nilai recall precision pada kelas Walruses ................................................................ 9
Perbandingan nilai recall precision pada kelas Leopard ................................................................. 9
Perbandingan nilai recall precision rata-rata seluruh citra pada database..................................... 10

DAFTAR LAMPIRAN
Halaman
1
2
3
4
5

Nilai recall precision temu kembali citra menggunakan ciri warna untuk beberapa jumlah bin
histogram ......................................................................................................................................... 13
Penentuan nilai threshold pada Sobel edge detector ...................................................................... 14
Nilai recall precision temu kembali citra menggunakan ciri tekstur untuk beberapa jumlah level
keabuan ........................................................................................................................................... 15
Beberapa citra yang ada di dalam database .................................................................................... 16
Hasil temu kembali citra hewan ..................................................................................................... 18

PENDAHULUAN
Latar Belakang
Berdasarkan
ilmu
biologi,
hewan
diklasifikasikan ke dalam beberapa kelas. Setiap
kelas hewan dibagi lagi ke dalam ordo
kemudian sub ordo. Dalam satu ordo, masingmasing hewan memiliki karakteristik tersendiri
baik dari segi warna, bentuk maupun tekstur.
Hal ini menyebabkan sulitnya melakukan
pengenalan hewan. Oleh karena itu, diperlukan
suatu teknik untuk mendapatkan pola dari setiap
ciri hewan agar dapat melakukan pengenalan
citra hewan dengan baik.
Salah satu teknik untuk mendapatkan pola
suatu citra adalah dengan melakukan ekstraksi
ciri. Ekstraksi ciri dilakukan berdasarkan isi
visual dari citra yaitu warna, bentuk dan tekstur.
Tujuan dari ekstraksi ciri ini adalah
mendapatkan pola setiap ciri hewan, sehingga
dapat dilakukan temu kembali citra hewan
dengan membandingkan kesamaan ciri antara
hewan yang satu dengan hewan yang lain.
Penelitian sebelumya terkait dengan
ekstraksi ciri antara lain Balqis (2006) yang
telah menerapkan teknik Fuzzy Color
Histogram (FCH) untuk ekstraksi ciri warna
pada citra bunga. Berdasarkan penelitiannya,
FCH
mampu mengatasi kesalahan dalam
kuantisasi dan memberikan hasil yang baik pada
sistem temu kembali citra. Pebuardi (2006)
melakukan pengukuran kemiripan citra berbasis
ekstraksi warna, bentuk dan tekstur dengan
menggunakan Bayesian Network pada data citra
yang beragam.
Penelitian ini akan melakukan ekstraksi ciri
citra hewan menggunakan gabungan ciri warna,
bentuk dan tekstur. Metode yang diterapkan
adalah Fuzzy Color Histogram untuk ekstraksi
ciri warna, edge direction histogram dengan
operator Sobel untuk ekstraksi ciri bentuk, dan
co-occurrence matrix untuk ekstraksi ciri
tekstur. Dengan menggunakan gabungan
ekstraksi ciri tersebut diharapkan dapat
meningkatkan hasil temu kembali citra hewan.
Dalam evaluasi hasil digunakan nilai recall dan
precision
untuk
mengetahui
tingkat
keberhasilan terhadap hasil temu kembali.
Tujuan
Tujuan penelitian ini adalah mengevaluasi
hasil temu kembali citra hewan menggunakan
ciri warna, bentuk, tekstur dan gabungan
ketiganya.

Ruang Lingkup
Data citra yang digunakan dalam penelitian
ini adalah citra hewan yang datanya diperoleh
dari internet. Citra hewan yang dipakai adalah
hewan dari kelas Mamalia dengan ordo
Karnivora. Penelitian ini difokuskan pada
tahapan ekstraksi ciri.
TINJAUAN PUSTAKA
Ekstraksi Ciri
Ekstraksi
ciri
merupakan
proses
pengindeksan suatu database citra dengan
isinya. Secara matematik, setiap ekstraksi ciri
merupakan encode dari vektor n dimensi yang
disebut dengan vektor ciri. Komponen vektor
ciri dihitung dengan pemrosesan citra dan
teknik analisis serta digunakan untuk
membandingkan citra yang satu dengan citra
yang lain. Ekstraksi ciri diklasifikasikan ke
dalam 3 jenis yaitu low-level, middle-level dan
high-level. Low-level feature merupakan
ekstraksi ciri berdasarkan isi visual seperti
warna dan tekstur, middle-level feature
merupakan ekstraksi berdasarkan wilayah citra
yang ditentukan dengan segmentasi, sedangkan
high-level feature merupakan ekstraksi ciri
berdasarkan
informasi
semantik
yang
terkandung dalam citra (Marques & Furht
2002).
Warna merupakan salah satu ciri visual yang
digunakan dalam Content Based Image
Retrieval (CBIR). Warna sangat baik jika
digunakan untuk temu kembali citra karena
memiliki hubungan yang sangat kuat dengan
objek dalam sebuah citra dan melatarbelakangi
gabungan
background, skala,
orientasi,
perspektif dan ukuran suatu citra. Bentuk dapat
didefinisikan sebagai gambaran dari suatu objek
dalam posisi, orientasi dan ukuran. Ciri bentuk
dalam suatu citra sangat esensial untuk
segmentasi citra karena dapat mendeteksi objek
atau batas wilayah. Tekstur merupakan ciri citra
yang sangat menarik digunakan untuk
menentukan karakterisasi suatu citra dengan
aplikasi CBIR. Hal ini dikarenakan, tekstur
mengandung informasi penting mengenai
susunan struktur permukaan suatu citra.
(Acharya & Ray 2005).
Fuzzy Color Histogram (FCH)
Fuzzy Color Histogram (FCH) merupakan
salah satu metode untuk merepresentasikan
informasi warna dalam citra digital ke dalam
1

bentuk
histogram.
Metode
ini
mempertimbangkan persamaan warna pada tiap
piksel warna yang terasosiasikan ke semua bin
histogram melalui fuzzy set membership
function. Pada FCH, satu warna dapat masuk
ke dalam dua bin histogram atau lebih dengan
derajat keanggotaan yang berbeda.
Inti dari FCH adalah bahwa tiap warna
direpresentasikan dengan himpunan fuzzy (fuzzy
set) dan hubungan antar warna dimodelkan
dengan fungsi keanggotaan (membership
function) dari himpunan fuzzy. Himpunan fuzzy
F pada ruang ciri Rn didefinisikan oleh
pemetaan F : Rn [0,1] yang dinamakan
membership function. Untuk setiap vektor ciri f
Rn, nilai dari F(f) disebut derajat
keanggotaan dari f terhadap himpunan fuzzy F.
Nilai dari F(f) yang mendekati 1 berarti vektor
ciri f lebih representatif terhadap himpunan
fuzzy f (Zhang & Zhang 2004).
Fungsi Cauchy
Fungsi Cauchy merupakan suatu fungsi
keanggotaan. Berdasarkan hasil penelitian
Zhang dan Zhang (2004), secara umum fungsi
Cauchy lebih baik daripada fungsi Cone dan
Trapezoidal. Fungsi Cauchy C : Rn [0,1]
didefinisikan pada Persamaan (1).

Edge Detection
Ide dasar dari edge detection adalah
menemukan bagian pada citra yang mengalami
perubahan intensitas secara drastis. Ada dua
cara yang digunakan untuk menemukan bagian
tersebut yaitu mengunakan turunan pertama,
dimana intensitas magnitudonya lebih besar dari
threshold yang didefinisikan dan menggunakan
turunan kedua, dimana intensitas warnanya
mempunyai zero crossing.
Hal mendasar dari vektor gradien adalah
titik arah maksimum dari perubahan intensitas
warna pada koordinat (x,y). Arah maksimum
dari perubahan intensitas warna yang terjadi
didefinisikan pada Persamaan (2) (Gonzalez
&Woods 1992).
(2)
Salah satu operator untuk edge detection
yang menggunakan turunan pertama adalah
operator Sobel. Pada dasarnya operator Sobel
merupakan filter 3x3. Dalam penghitungan
gradien piksel arah sumbu x dan arah sumbu y
digunakan filter pada Gambar 2.
-1

-2

-1

-1

-2

(1)
dengan
,
,
,
adalah titik tengah dari lokasi himpunan fuzzy, d
merepresentasikan lebar dari fungsi, dan
menentukan bentuk (kehalusan) dari suatu
fungsi. Secara bersamaan, d dan
mendeskripsikan tingkat kekaburan (fuzziness)
dari ciri fuzzy yang bersesuaian. Pada Gambar 1
diilustrasikan fungsi Cauchy dalam R dengan
v=0, d=36, dan
antara 0.01 sampai 100
(Zhang & Zhang 2004).

Sumbu x
Sumbu y
Sumbu
x
Gambar 2. Operator Sobel
Jika Gx dan Gy adalah nilai keabuan yang
dihasilkan dengan memetakan Gx dan Gy pada
citra, maka untuk menghitung magnitudo
gradiennya
digunakan
Persamaan
(3)
(McAndrew 2004).
(3)
Gray Level Co-occurrence Matrix
Co-occurrence matrix
menggunakan
matriks derajat keabuan adalah untuk
mengambil contoh bagaimana suatu derajat
keabuan tertentu terjadi dalam hubungannya
dengan derajat keabuaan yang lain. Matriks
derajat keabuan adalah suatu matriks yang
elemen-elemennya merupakan frekuensi relatif
kejadian bersama dari kombinasi level keabuan
antar pasangan piksel dengan hubungan spasial
tertentu.

Gambar 1. Fungsi Cauchy.

Misal diketahui sebuah citra Q(i,j), dan P

adalah sebuah matriks. Elemen P(i,j)
menyatakan jumlah berapa kali titik tersebut
2

terjadi pada citra berdasarkan posisi tertentu.

Matriks P merupakan co-occurrence matrix
yang didefinsikan oleh sudut dan jarak d.
Berdasarkan matriks P dapat dihitung nilainilai ciri tekstur seperti contrast, correlation,
energy, homogeneity, maximum probability,
moment dan entropy (Osadebey 2006).
Berikut adalah beberapa formula yang
digunakan untuk mengekstraksi ciri tekstur.
(A) Contrast
Contrast menyatakan kandungan variasi
lokal pada citra. Semakin tinggi nilai
contrast maka semakin tinggi tingkat
kekontrasannya.
(4)
(B) Correlation
Correlation menyatakan ukuran hubungan
linear dari nilai graylevel piksel
ketetanggan.

(10)
dengan P(i,j) merupakan elemen baris ke-i,
kolom ke-j dari co-occurrence matrix. i adalah
nilai rata-rata baris ke-i dan j adalah nilai ratarata kolom ke-j pada matriks P. i adalah
standard deviasi baris ke-i dan j adalah
standard deviasi kolom ke-j pada matriks P.
Recall dan Precision
Recall dan precision merupakan parameter
yang digunakan untuk mengukur keefektifan
dari hasil temu kembali . Recall menyatakan
perbandingan jumlah materi relevan yang
ditemukembalikan terhadap seluruh materi
relevan. Sementara itu, precision menyatakan
perbandingan materi yang ditemukembalikan
yang relevan (Baeza-Yates & Riberio-Neto
1999).
Recall

(5)
(C) Energy
Energy menyatakan tingkat keseragaman
piksel-piksel suatu citra. Semakin tinggi
nilai energy, maka semakin seragam
teksturnya.

Precision

(11)

(12)

dengan Ra adalah jumlah citra relevan yang

ditemukembalikan, R adalah jumlah citra
relevan dalam database dan A adalah jumlah
seluruh citra yang ditemukembalikan.

(6)
(G) Homogeneity
Homogeneity
menyatakan
ukuran
kedekatan setiap elemen dari cooccurrence matrix.
(7)
(D) Maximum probability (MP)
MP adalah nilai maksimum atau respon
terkuat dari co-occurrence matrix. Nilai
MP menyatakan tingkat keteraturan dari
suatu citra. Semakin tinggi nilai MP, maka
semakin teratur teksturnya.
(8)
(E) Inverse Difference Moment (IDM)
IDM merupakan kebalikan dari contrast.
Semakin tinggi nilai IDM maka semakin
rendah tingkat kekontrasannya.
(9)
(F) Entropy
Entropy menyatakan tingkat keacakan
piksel-piksel suatu citra. Semakin tinggi
nilai entropy, maka semakin acak
teksturnya.

METODE PENELITIAN
Tahap-tahap
yang
dilakukan
dalam
penelitian ini adalah praproses, ekstraksi ciri,
pengindeksan dan penemuan kembali citra.
Tahap penelitian yang lebih detail dapat dilihat
pada metodologi penelitian Gambar 3.
Data
Tahap awal sebelum pemrosesan citra
adalah tahap akuisisi atau pengumpulan data.
Data citra hewan yang digunakan dalam
penelitian ini adalah data citra hewan yang
diambil dari internet dan tersimpan dalam
format JPG.
Praproses
Tahap praproses yang dilakukan antara lain
melakukan
image
enhancement
yaitu
menambah kekontrasan pada beberapa citra.
Selain itu juga dilakukan operasi resize dan
cropping. Tahap ini dilakukan agar citra hewan
yang akan diolah nanti memiliki kualitas yang
baik.

yang mengoptimalkan nilai precision untuk

temu kembali citra menggunakan ciri warna.
Dalam penghitungan nilai derajat keanggotaan
digunakan fungsi Cauchy.
Rumus yang
digunakan dapat dilihat pada Persamaan (13).
Warna kuantisasi c adalah warna hasil k-means
clustering, sedangkan semesta warna c adalah
sebaran warna citra hewan.
(13)
dengan
c
c

= fungsi keanggotaan Cauchy

= jarak Euclid antara c dengan c
= warna pada bin FCH
= warna kuantisasi awal
= ukuran yang menentukan bentuk atau
kehalusan dari citra
= ukuran lebar fungsi keanggotaan.

Nilai parameter
dan
yang digunakan
adalah =2 dan =10 karena nilai tersebut
menghasilkan nilai precision terbesar untuk
temu kembali citra menggunakan ciri warna.
Tahap terakhir dalam ekstraksi ciri warna
adalah penghitungan nilai FCH. Nilai FCH
dihitung menggunakan Persamaan (14).
Histogram awal yang telah ditentukan dikalikan
dengan matriks derajat keanggotaan yang akan
menghasilkan nilai ciri yang cenderung sedikit
bergantung pada jumlah bin histogram yang
digunakan.
(14)

Gambar 3. Metodologi penelitian

Ekstraksi Ciri Warna
Pada ekstraksi ciri warna menggunakan
Fuzzy Color Histogram (FCH), akan digunakan
warna RGB untuk mempermudah pengolahan
citra. Langkah awal dalam penghitungan FCH
adalah penghitungan histogram awal. Penentuan
nilai warna kuantisasi awal didasarkan pada
sebaran warna hewan dalam database yang
terdiri dari 8 jenis hewan. Untuk tiap kelas
hewan diambil 25 warna piksel yang muncul
terbanyak sehingga dihasilkan 200 warna.
Penghitungan histogram awal dilakukan dengan
cara memetakan tiap piksel yang ditemukan ke
dalam 200 warna yang telah ditentukan.
Langkah selanjutnya adalah menghitung
nilai derajat keanggotaan. Jumlah bin FCH yang
digunakan adalah 15, 20, 25 dan 30 (Lampiran
1) yang ditetapkan menggunaan k-means
clustering.
Jumlah bin yang dipilih adalah

dengan
= Fuzzy Color Histogram (FCH)
= histogram warna yang dinormalisasi
= nilai keangotaan dari warna c ke warna
c
Pada penghitungan FCH dengan fungsi
Cauchy
perlu
dilakukan
normalisasi
menggunakan Persamaan (15).
(15)
Dengan demikian, nilai FCH yang dihasilkan
berkisar antara 0 dan 1 (Zhang & Zhang 2004).
Ekstraksi Ciri Bentuk
Ekstraksi ciri bentuk dilakukan dengan
menentukan edge direction histogram. Langkah
awal yang dilakukan untuk menentukan edge
direction histogram adalah mengubah citra
RGB menjadi citra grayscale. Pada citra
grayscale dilakukan deteksi tepi menggunakan
4

operator Sobel, kemudian dihitung arahnya

(edge direction).
Tahap selanjutnya adalah menentukan
piksel-piksel citra yang merupakan edge.
Sebuah piksel akan dianggap sebagai edge
apabila nilai magnitudonya lebih besar dari nilai
threshold yang ditetapkan. Langkah-langkah
dalam penentuan nilai threshold adalah sebagai
berikut (Pebuardi 2008):
1 Menghitung nilai threshold dengan cara
melakukan edge detection dengan operator
Sobel pada setiap citra. Hasilnya berupa
array threshold yang memiliki elemen
sebanyak citra yang ada dalam database.
2 Menghitung nilai mean dan standar deviasi
pada
array
threshold.
Kemudian
menentukan selang nilai threshold yang
digunakan yaitu mean - standar deviasi
threshold mean + standar deviasi.
3 Menghitung edge direction histogram untuk
tiap-tiap citra dengan beberapa nilai
threshold yang sudah didapatkan.
4 Menghitung nilai precision dengan cara
setiap citra yang ada dalam database
dijadikan sebagai citra kueri. Kemudian
menghitung rata-rata precision pada sepuluh
kali recall.
5 Nilai threshold yang akan digunakan adalah
nilai threshold yang memaksimumkan nilai
precision.
Penentuan nilai threshold dapat dilihat pada
Lampiran 2.
Penghitungan edge direction histogram
mengggunakan beberapa jumlah bin yaitu 18,
36 dan 72. Berdasarkan hasil dari ketiga bin
yang digunakan, kemudian diambil jumlah bin
yang mengoptimalkan nilai precision untuk
temu kembali citra menggunakan ciri bentuk
yaitu jumlah bin 36. Tahap terakhir dalam
ekstraksi bentuk adalah adalah menghitung
jumlah piksel pada edge yang bersesuaian
arahnya dengan jumlah bin yang telah
didefinisikan. Hasil nilai vektor yang
didapatkan kemudian dinormalisasi dengan cara
membagi nilai vektor dengan jumlah piksel
penyusun edge. Tujuan dari normalisasi ini
adalah agar vektor bentuk yang didapatkan
tidak dipengaruhi oleh perubahan skala citra.
Ekstraksi Ciri Tekstur
Langkah awal dalam ekstraksi ciri tekstur
adalah mengubah citra RGB menjadi citra
grayscale, kemudian menghitung nilai-nilai
co-occurrence matrix dalam empat arah
masing-masing 0o, 45o, 90o, dan 135o.
Penghitungan co-occurrence matrix digunakan

beberapa level keabuan yaitu 8, 16, 32 dan 64

(Lampiran 3). Level keabuan yang dipakai
adalah yang mengoptimalkan nilai precision
untuk temu kembali citra menggunakan ciri
tekstur.
Informasi
tekstur
direpresentasikan
menggunakan tujuh ciri tekstur yaitu contrast,
correlation, energy, homogeneity, maximum
probability, moment dan entropy. Penghitungan
tujuh ciri tekstur tersebut dilakukan dalam
empat arah masing-masing 0o, 45o, 90o, dan
135o, sehingga untuk setiap ciri akan dihasilkan
empat nilai. Nilai dari setiap ciri tekstur adalah
rata-rata dari keempat arah sudut tersebut. Hal
ini dilakukan agar ciri tekstur yang dihasilkan
tidak dipengaruhi oleh rotasi citra. Ciri tekstur
yang dihasilkan kemudian direpresentasikan
dengan sebuah vektor yang memiliki tujuh
elemen dan nilai akhir dari ciri tekstur diperoleh
dengan melakukan normalisasi terhadap vektor
masing-masing citra.
Pengukuran kemiripan
Hasil dari ekstraksi ciri baik warna, bentuk
maupun
tekstur
adalah
indeks
yang
merepresentasikan
setiap
citra
hewan.
Berdasarkan indeks tersebut maka dilakukan
pengukuran kemiripan antara citra kueri dengan
citra dalam database. Hasil dari citra yang
ditemukembalikan adalah citra dalam database
yang memiliki tingkat kemiripan yang tinggi
dengan citra kueri.
Pengukuran
kemiripan
dilakukan
berdasarkan salah satu ciri warna, bentuk dan
tekstur dengan menggunakan ukuran kesamaan
cosine. Rumus kesamaan cosine dapat dilihat
pada Persamaan (16) (Rodrigues & Araujo
2004).
(16)
dengan
= karakteristik ke-i sebuah citra di dalam
database.
= karakteristik ke-i sebuah citra kueri.
Pengukuran
kemiripan
berdasarkan
gabungan antara ketiga ciri (warna, bentuk,
tekstur) dihitung menggunakan Bayesian
Network.
Misalkan
karakteristik
warna
direpresentasikan dengan CC, bentuk dengan
CS, dan tekstur dengan CT. Jika diberikan kueri
Q, maka peluang citra I yang memiliki
informasi CC, CS, dan CT dapat ditentukan
dengan Persamaan (17).

HASIL DAN PEMBAHASAN

(17)

Data Penelitian
Berdasarkan inference yang dilakukan
Rodrigues dan Araujo (2004) nilai
dapat
dihitung menggunakan Persamaan (18) yang
merupakan persamaan umum model Bayesian
Network untuk CBIR.

(18)
dengan
= peluang terjadinya citra
kueri citra Q terjadi.

, jika

= peluang terjadinya citra

yang
memiliki ciri warna, jika citra
kueri yang memiliki ciri warna
CC terjadi.
= peluang terjadinya citra
yang
memiliki ciri bentuk, jika citra
kueri yang memiliki ciri bentuk
CS terjadi.
= peluang terjadinya citra
yang
memiliki ciri tekstur, jika citra
kueri yang memiliki ciri tekstur
CT terjadi.
Nilai
merupakan pengukuran kemiripan
antara dua buah citra. Jika sebuah citra
direpresentasikan dengan sebuah vektor maka
nilai
akan sama dengan kesamaan
cosine antara citra di dalam database dengan
citra kueri (Rodrigues & Araujo 2004).

Data yang digunakan pada penelitian ini

terdiri atas 600 citra hewan. Data hewan yang
digunakan adalah hewan dari kelas Mamalia
dengan ordo Karnivora. Citra hewan
dikelompokkan ke dalam 6 kelas yaitu kelas
Bear (110 citra), Canine (110 citra), Red panda
(100 citra), Skunk (100 citra), Walruses (80
citra) dan Leopard (100 citra). Format citra
adalah JPG dengan ukuran panjang 100 piksel
dan lebarnya bervariasi. Beberapa contoh data
citra hewan yang digunakan dapat dilihat pada
Lampiran 4.
Praproses
Praproses citra dilakukan agar citra yang
diolah berkualitas baik. Salah satu tahap
praproses yang dilakukan adalah melakukan
image
enhancement
yaitu
menambah
kekontrasan pada beberapa citra yang dianggap
kurang kontras (Gambar 4). Citra yang akan
diolah juga dilakukan operasi resize dan
cropping (Gambar 5). Tujuan dari operasi
resize adalah agar ukuran piksel tidak terlalu
besar. Operasi cropping dilakukan apabila ada
beberapa citra yang mempunyai garis tepi.
Tujuan operasi cropping adalah untuk
menghilangkan garis tepi citra asli agar Sobel
edge detector tidak menangkap informasi yang
salah dalam menentukan edge pada sebuah
citra.

Evaluasi
Evaluasi merupakan tahap akhir dari
penelitian ini. Evaluasi ini dilakukan untuk
mengukur tingkat keberhasilan dalam proses
temu kembali
citra hewan berdasarkan
ekstraksi ciri warna, bentuk dan tekstur.
Pengujian yang dilakukan dalam evaluasi ini
adalah menghitung nilai recall dan precision
dari proses temu kembali citra berdasarkan
penilaian relevansinya. Hasil temu kembali
citra dikatakan baik apabila nilai precision
besar.

Gambar

4. Citra sebelum dan sesudah

dilakukan image enhancement.

Gambar 5. Citra sebelum dan sesudah cropping.

Perangkat Keras dan Perangkat Lunak

Perangkat keras yang digunakan dalam
penelitian ini adalah Processor Intel Celeron
1,73 GHz, memori DDR RAM 992 MB dan
harddisk 60 GB. Perangkat lunak yang
digunakan adalah Sistem operasi Windows XP
Service Pack 2 dan Matlab 7.0.1

Ekstraksi Ciri Warna

Berdasarkan Lampiran 1, dapat dilihat
bahwa nilai rata-rata precision terbesar untuk
temu kembali citra menggunakan ciri warna
adalah jumlah bin 30. Dengan demikian, hasil
dari ekstraksi ciri warna menggunakan FCH
6

untuk seluruh citra yang ada di dalam database

adalah sebuah matriks yang berukuran 30 x
600. Hal ini dikarenakan, jumlah bin yang
digunakan adalah 30 dengan 600 citra yang ada
di dalam database, sehingga setiap citra
direpresentasikan dengan sebuah vektor yang
memiliki elemen sebanyak 30. Diberikan
contoh citra Red yang diekstraksi menggunakan
ciri warna (Gambar 6). Histogram warna hasil
ekstraksi ciri warna pada Red panda dapat
dilihat pada Gambar 7.

Gambar 6. Citra Red panda.

Gambar 7. Hasil FCH dengan Cauchy 30 bin.

Ekstraksi Ciri Bentuk
Gambar
8. Hasilciri
FCHbentuk
dengan Cauchy
Bin
Ekstraksi
dimulai 25dengan
melakukan temu kembali tepi citra dengan
operator Sobel. Berdasarkan Lampiran 2, nilai
Gambar
dengan Cauchy
Bin
threshold8. Hasil
yang FCH
memperbesar
nilai 25rata-rata
precision adalah 0.12. Hasil dari ekstraksi ciri
bentuk menggunakan edge direction histogram
untuk seluruh citra yang ada di dalam database
adalah sebuah matriks berukuran 36 x 600. Hal
ini karena jumlah bin yang digunakan adalah 36
dengan 600 citra yang ada di dalam database,
sehingga setiap citra direpresentasikan dengan
sebuah vektor yang memiliki 36 elemen.
Pada Gambar 8 diberikan contoh citra
Canine yang diekstraksi menggunakan ciri
bentuk. Citra Canine (grayscale) sebelum dan
setelah dilakukan Sobel edge detection dapat
dilihat pada Gambar 9, sedangkan hasil hasil
ekstraksi ciri bentuk menggunakan edge
direction histogram dapat dilihat Pada Gambar
10.

Gambar 8. Citra Canine.

Gambar 9. Citra Canine (grayscale) sebelum dan

sesudah dilakukan Sobel edge
detection.

Gambar 10. Hasil edge direction histogram 36

bin.
Ekstraksi Ciri Tekstur
Berdasarkan Lampiran 3, dapat dilihat
bahwa jumlah level keabuan 16 mampu
meningkatkan nilai rata-rata precision untuk
temu kembali citra menggunakan ciri tekstur.
Pada ekstraksi ciri tekstur setiap citra
direpresentasikan dengan sebuah vektor yang
memiliki 7 elemen yaitu contrast, correlation,
energy, homogeneity, maximum probability,
moment dan entropy. Dengan demikian, hasil
dari ekstraksi ciri tekstur menggunakan cooccurrence untuk seluruh citra yang ada di
dalam database adalah sebuah matriks yang
berukuran 7 x 600.
Pada Gambar 11 diberikan contoh citra
Leopard yang diekstraksi menggunakan ciri
teksur, yang mana harus diubah dulu ke dalam
citra grayscale. Hasil dari ekstraksi ciri tekstur
pada citra Leopard dapat dilihat pada Gambar
12.

0.7, 0.8, 0.9 dan 1 lebih tinggi daripada dengan

gabungan ketiga ciri.
Tabel 1. Perbandingan nilai recall precision
pada kelas Bear

Gambar 11. Citra leopard sebelum dan sesudah

diubah menjadi grayscale.

Gambar 12. Hasil co-occurrence matrix dengan

7 ciri tekstur.
Hasil Temu Kembali Citra
Pada Lampiran 5 dapat dilihat beberapa
hasil temu kembali citra hewan menggunakan
ciri warna, bentuk, tekstur dan gabungan
ketiganya (warna, bentuk, tekstur). Hasil temu
kembali citra yang ditampilkan adalah 37 citra
teratas yang memiliki ukuran kesamaan terbesar
dengan citra kueri.Citra yang digunakan sebagai
kueri diambil dari tiap kelas hewan dan
memiliki beberapa citra yang relevan dalam
database.
Evaluasi Hasil Temu Kembali Citra
Evaluasi hasil temu kembali citra dilakukan
dengan menghitung nilai precison tiap kelas
citra setiap kali recall. Dalam penghitungan
nilai precision, maka setiap citra yang ada di
kelas tersebut dijadikan sebagai citra kueri.
Hasil akhir dari nilai precision dihitung dengan
merata-ratakan nilai precision setiap citra kueri.
Berikut ini akan dipaparkan nilai-nilai
precision pada setiap kelas hewan dalam
database. Nilai rata-rata precision yang
disajikan adalah berdasarkan ciri warna, bentuk,
tekstur dan gabungan ketiganya.
Pada Tabel 1 disajikan perbandingan nilai
recall precision pada kelas Bear. Berdasarkan
Tabel 1 dapat dilihat bahwa nilai rata-rata
precision pada kelas Bear menggunakan
gabungan ketiga ciri (warna, bentuk, tekstur)
lebih tinggi daripada menggunakan ciri warna,
bentuk dan tekstur itu sendiri. Akan tetapi, nilai
precision dengan ciri tekstur pada recall 0.6,

Recall
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Rataan

Warna
1
0.2836
0.2296
0.2057
0.1953
0.1906
0.1876
0.1841
0.1835
0.1867
0.1839
0.2755

Bentuk
1
0.3016
0.2529
0.2270
0.2149
0.2028
0.1945
0.1890
0.1865
0.1863
0.1840
0.2854

Tekstur
1
0.3185
0.2591
0.2434
0.2385
0.2221
0.2178
0.2082
0.2040
0.2030
0.1949
0.3009

Gabungan
1
0.3445
0.2800
0.2533
0.2415
0.2292
0.2166
0.2059
0.1968
0.1930
0.1850
0.3042

Perbandingan nilai recall precision pada

kelas Canine dapat dilihat pada Tabel 2.
Berdasarkan Tabel 2 dapat dilihat bahwa nilai
rata-rata precision tertinggi pada kelas Canine
diperoleh menggunakan gabungan ketiga ciri.
Sementara itu, nilai rata-rata precision
menggunakan ciri bentuk lebih tinggi daripada
ciri warna dan tekstur. Hal ini dikarenakan,
citra-citra pada kelas canine mempunyai bentuk
yang hampir sama. Pada recall 0.1 nilai ratarata precision menggunakan ciri warna lebih
tingggi daripada menggunakan ciri bentuk dan
tekstur.
Tabel 2. Perbandingan nilai recall precision
pada kelas Canine
Recall
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Rataan

Warna
1
0.3509
0.2657
0.2322
0.2241
0.2163
0.2125
0.2097
0.2053
0.1954
0.1853
0.2885

Bentuk
1
0.3180
0.2545
0.2283
0.2176
0.2145
0.2130
0.2116
0.2124
0.2098
0.1942
0.2976

Tekstur
1
0.2593
0.2251
0.2185
0.2139
0.2126
0.2133
0.2107
0.2079
0.2045
0.1920
0.2871

Gabungan
1
0.3601
0.2823
0.2564
0.2432
0.2338
0.2263
0.2188
0.2106
0.2026
0.1873
0.3110

Perbandingan nilai recall precision pada

kelas Skunk dapat dilihat pada Tabel 3. Tabel 3
menunjukkan bahwa nilai rata-rata precision
tertinggi pada kelas Skunk diperoleh
menggunakan gabungan ketiga ciri. Sementara
itu, nilai rata-rata precision dengan ciri bentuk
lebih tinggi daripada ciri warna dan tekstur.
8

Berdasarkan nilai recall dapat dilihat juga

bahwa pada recall 0.1 nilai precision dengan
ciri warna lebih tinggi daripada dengan ciri
bentuk dan tekstur.
Tabel 3. Perbandingan nilai recall precision
pada kelas Skunk
Recall
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Rataan

Warna
1
0.3118
0.2465
0.2286
0.2190
0.2120
0.2091
0.2028
0.1956
0.1888
0.1779
0.2902

Bentuk
1
0.2965
0.2546
0.2472
0.2421
0.2343
0.2272
0.2196
0.2099
0.2012
0.1820
0.3013

Tekstur
1
0.2764
0.2502
0.2307
0.2184
0.2129
0.2101
0.2109
0.2066
0.1973
0.1730
0.2897

Gabungan
1
0.3348
0.2941
0.2682
0.2518
0.2401
0.2314
0.2232
0.2164
0.2042
0.1746
0.3129

Perbandingan nilai recall precision pada

kelas Red panda dapat dilihat pada Tabel 4.
Berdasarkan Tabel 4 dapat dilihat bahwa nilai
rata-rata precision tertinggi pada kelas Red
panda diperoleh menggunakan ciri warna. Hal
ini dikarenakan citra pada kelas Red panda
memiliki warna yang secara keseluruhan hampir
sama. Nilai rata-rata precision terendah pada
kelas Red panda diperoleh menggunakan ciri
bentuk, hal ini karena citra pada kelas ini
mempunyai posisi dan bentuk yang bervariasi.
Tabel 4. Perbandingan nilai recall precision
pada kelas Red panda
Recall
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Rataan

Warna
1
0.4306
0.3642
0.3237
0.3078
0.2917
0.2820
0.2717
0.2594
0.2329
0.1949
0.3599

Bentuk
1
0.1926
0.1865
0.1884
0.1940
0.1979
0.1990
0.1986
0.1964
0.1902
0.1760
0.2654

Tekstur
1
0.3079
0.2480
0.2268
0.2127
0.2039
0.1995
0.1969
0.1968
0.1884
0.1755
0.2869

Gabungan
1
0.3844
0.3143
0.2784
0.2649
0.2512
0.2384
0.2287
0.2193
0.2055
0.1763
0.3238

Perbandingan nilai recall precision pada

kelas Walruses dapat dilihat pada Tabel 5.
Berdasarkan Tabel 5 dapat dilihat bahwa nilai
rata-rata precision tertinggi pada kelas Walruses
diperoleh dengan menggunakan ciri tekstur.
Namun, pada recall 0.1 nilai rata-rata precision

menggunakan gabungan ketiga ciri paling tinggi

daripada menggunakan ciri lain.
Tabel 5. Perbandingan nilai recall precision
pada kelas Walruses
Recall
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Rataan

Warna
1
0.2091
0.1727
0.1554
0.1510
0.1483
0.1465
0.1459
0.1465
0.1464
0.1379
0.2327

Bentuk
1
0.2136
0.1520
0.1371
0.1300
0.1244
0.1228
0.1239
0.1271
0.1324
0.1335
0.2179

Tekstur
1
0.2655
0.2301
0.2122
0.2002
0.1893
0.1797
0.1737
0.1709
0.1657
0.1469
0.2667

Gabungan
1
0.2772
0.2247
0.1980
0.1883
0.1801
0.1746
0.1676
0.1620
0.1547
0.1388
0.2605

Perbandingan nilai recall precision pada

kelas Leopard dapat dilihat pada Tabel 6.
Berdasarkan Tabel 6 dapat dilihat bahwa nilai
rata-rata precision tertinggi pada kelas Leopard
diperoleh dengan menggunakan gabungan
ketiga ciri. Akan tetapi, pada recall 0.1, 0.2 dan
0.3 nilai precision dengan ciri bentuk lebih
tinggi daripada dengan gabungan ketiga ciri.
Tabel 6. Perbandingan nilai recall precision
pada kelas Leopard
Recall
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Rataan

Warna
1
0.4100
0.3290
0.2968
0.2778
0.2569
0.2400
0.2254
0.2140
0.1984
0.1721
0.3292

Bentuk
1
0.8111
0.7686
0.7049
0.6653
0.6228
0.5768
0.5204
0.4618
0.3759
0.2042
0.6102

Tekstur
1
0.7159
0.6676
0.6542
0.6392
0.6215
0.6018
0.5657
0.5143
0.3556
0.2261
0.5965

Gabungan
1
0.7551
0.7276
0.7035
0.6907
0.6697
0.6347
0.5912
0.5279
0.4155
0.2243
0.6310

Pada Tabel 7 disajikan pula nilai recall

precision untuk semua citra yang ada di
database. Dalam penghitungan nilai recall
precision ini semua citra di dalam database
sebanyak 600 citra dijadikan sebagai citra kueri.
Berdasarkan Tabel 7 dapat dilihat bahwa nilai
rata-rata precision seluruh citra dalam database
tertinggi diperoleh menggunakan gabungan
ketiga ciri yaitu sebesar 03588. Sementara itu,
nilai rata-rata precision menggunakan ciri
tekstur sebesar 0.3389, lebih tinggi daripada
menggunakan ciri warna dan bentuk. Nilai rata9

rata precision menggunakan ciri bentuk sebesar

0.3321 dan ciri warna paling rendah yaitu
sebesar 0.2997.
Tabel 7. Perbandingan nilai recall precision
rata-rata seluruh citra dalam database
Recall
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Rataan

Warna
1
0.3363
0.2705
0.2425
0.2313
0.2211
0.2147
0.2083
0.2023
0.1929
0.1769
0.2997

Bentuk
1
0.3588
0.3149
0.2918
0.2802
0.2689
0.2583
0.2464
0.2348
0.2182
0.1808
0.3321

Tekstur
1
0.3580
0.3137
0.2983
0.2880
0.2780
0.2715
0.2622
0.2512
0.2203
0.1863
0.3389

Gabungan
1
0.4124
0.3557
0.3282
0.3152
0.3024
0.2885
0.2742
0.2569
0.2307
0.1826
0.3588

Grafik perbandingan nilai recall precision

rata-rata seluruh citra dalam database dapat
dilihat pada Gambar 13.

Nilai
precision
meningkat
dengan
menggunakan gabungan ketiga ciri (warna,
bentuk, tekstur) menjadi 0.36. Hal ini
membuktikan bahwa hasil temu kembali citra
hewan baik jika digunakan gabungan ketiga ciri
(warna, bentuk, tekstur).
Saran
Data yang digunakan pada penelitian ini
beragam dan memiliki latar belakang yang
kompleks sehingga untuk meningkatkan hasil
temu kembali citra sebaiknya digunakan metode
ekstraksi ciri lainnya. Metode ekstraksi ciri
yang dapat digunakan seperti FCH dengan
derajat keanggotaan FCM, untuk ekstraksi ciri
warna, Fourier descriptor untuk ekstraksi ciri
bentuk dan Tamura untuk ekstraksi ciri tekstur.

DAFTAR PUSTAKA
Acharya T & Ajoy K. Ray. 2005. Image
Processing Principles and Applications.
Canada : John Wiley & Sons Inc.,
Hooboken, New Jersey.
Baeza-Yates R, Ribeiro-Neto B.1999. Modern
Information Retrieval. New York: Addison
Wesley.
Balqis DP. 2006. Fuzzy Color Histogram untuk
Temu Kembali Citra Bunga. [Skripsi].
Bogor : Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor.
Gonzalez RC & Richard E. Woods. 1992.
Digital Image Processing. New York :
Addison-Wesley Publishing Company, Inc.
Marques O, Furht B. 2002. Content-Based
Image and Video Retrieval. Florida Atlantic
University Baca Raton, FL, USA : Kluwer
Academic Publisher.

Gambar 13. Grafik perbandingan nilai recall

precision rata-rata seluruh citra.
KESIMPULAN DAN SARAN
Kesimpulan
Penelitian ini telah mengimplementasikan
Fuzzy Color Histogram, edge direction
histogram dan Gray Level co-occurrence
Matrix untuk ekstraksi ciri warna, bentuk dan
tekstur pada citra hewan. Berdasarkan nilai ratarata precision seluruh citra dalam database,
diketahui bahwa nilai rata-rata precision untuk
ciri warna sebesar 0.30, untuk ciri bentuk
sebesar 0.33 dan untuk ciri tekstur sebesar 0.34.

McAndrew A. 2004. Introduction to Digital

Image Processing with MATLAB. United
States : Course Technology, a division of
Thomson Learning, Inc.
Osadebey ME. 2006. Integrated Content-Based
Image Retrieval Using Texture, Shape and
Spasial Information. [Thesis]. Umea :
Department of Applied Phyiscs and
Electronics, Umea University.
Pebruardi R. 2008. Pengukuran Kemiripan
Citra Berbasis Warna, Bentuk, dan Tekstur
menggunakan Bayesian Network. [Skripsi].
Bogor : Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor.

10

Rodrigues PS & Arnaldo de Albuqueque

Araujo. 2004. A Bayesian Network Model
Combining Color, Shape and Texture
Information to Improve Content Based
Image Retrieval System. LNCC, Petropolis,
Brazil.
Zhang R, Zhang Z. 2004. A Robust Color
Object Analysis Approach to Efficient Image
retrieval. EURASIP Journal on Applied
Signal Processing, 871-885.

11

LAMPIRAN

12

Lampiran 1 Nilai recall precision temu kembali citra menggunakan ciri warna untuk beberapa jumlah
bin histogram.
Tabel 8. Nilai recall precision untuk beberapa jumlah bin histogram
Recall

15

20

25

30

0.1

0.3126

0.3217

0.3289

0.3363

0.2

0.2578

0.2652

0.2687

0.2705

0.3

0.2379

0.242

0.2439

0.2425

0.4

0.2275

0.2313

0.2322

0.2313

0.5

0.2196

0.2218

0.2238

0.2211

0.6

0.2133

0.2145

0.2158

0.2147

0.7

0.2053

0.2075

0.2088

0.2083

0.8

0.1973

0.2004

0.2012

0.2023

0.9

0.1889

0.1913

0.1922

0.1929

0.1749

0.1757

0.1771

0.1769

Rataan

0.2941

0.2974

0.2993

0.2997

Jumlah bin histogram yang dipilih adalah 30 karena mengoptimalkan hasil temu kembali citra
hewan menggunakan ciri warna.

13

Lampiran 2 Penentuan nilai threshold pada Sobel edge detector.

Penentuan nilai threshold untuk edge detector dari setiap citra yang ada dalam database
dilakukan dengan menggunakan fungsi edge dengan operator Sobel yang ada di MATLAB. Nilai
threshold setiap citra yang dihasilkan berupa sebuah array yang memiliki 600 elemen Nilai mean
yang diperoleh adalah 0.1618 dan nilai standar deviasinya adalah 0.0397. Dengan demikian, nilai
threshold yang digunakan berada pada selang 0.1221 sampai 0.2015 (0.1221 threshold 0.2015).
Berdasarkan batas dari selang kepercayaan nilai threshold , maka dipilih beberapa nilai threshold
sebagai sample yaitu 0.12, 0.14, 0.16, 0.18, dan 0.20.
Tabel 9. Nilai recall dan precision untuk beberapa nilai threshold
Recall

0.12

0.14

0.16

0.18

0.20

0.1

0.3588

0.3519

0.3480

0.3500

0.3449

0.2

0.3149

0.3130

0.3112

0.3103

0.3038

0.3

0.2918

0.2914

0.2909

0.2905

0.2855

0.4

0.2802

0.2802

0.2812

0.2802

0.2729

0.5

0.2689

0.2681

0.2692

0.2660

0.2565

0.6

0.2583

0.2571

0.2557

0.2516

0.2427

0.7

0.2464

0.2463

0.2426

0.2381

0.2282

0.8

0.2348

0.2303

0.2260

0.2212

0.2116

0.9

0.2182

0.2130

0.2082

0.2021

0.1978

0.1808

0.1808

0.1797

0.1789

0.1761

Rataan

0.3321

0.3302

0.3284

0.3263

0.3200

Berdasarkan data pada Tabel dapat diambil kesimpulan bahwa nilai threshold yang digunakan
untuk penghitungan edge direction histogram adalah 0.12 karena mengoptimalkan hasil temu kembali
citra hewan.

14

Lampiran 3 Nilai recall precision temu kembali citra menggunakan ciri tekstur untuk beberapa
jumlah level keabuan.
Tabel 10. Nilai recall precision untuk beberapa jumlah level keabuan
Recall

16

32

64

0.1

0.3398

0.3580

0.3485

0.3398

0.2

0.2993

0.3137

0.3051

0.2993

0.3

0.2857

0.2983

0.2898

0.2857

0.4

0.2777

0.2880

0.2819

0.2777

0.5

0.2710

0.2780

0.2741

0.2710

0.6

0.2629

0.2715

0.2674

0.2629

0.7

0.2537

0.2622

0.2569

0.2537

0.8

0.2415

0.2512

0.2460

0.2415

0.9

0.2151

0.2203

0.2172

0.2151

0.1813

0.1863

0.1825

0.1813

Rataan

0.3298

0.3389

0.3336

0.3298

Jumlah level keabuan yang digunakan adalah 16 karena mengoptimalkan hasil temu kembali citra
hewan menggunakan ciri tekstur.

15

Lampiran 4 Contoh beberapa citra yang ada di dalam database.

1 Kelas Bear

citra_001.jpg

citra_010.jpg

citra_013.jpg

citra_043.jpg

citra_044.jpg

citra_075.jpg

citra_076.jpg

citra_098.jpg

citra_101.jpg

citra_103.jpg

citra_111.jpg

citra_116.jpg

citra_131.jpg

citra_149.jpg

citra_156.jpg

citra_162.jpg

citra_187.jpg

citra_201.jpg

citra_202.jpg

citra_210.jpg

citra_223.jpg

citra_231.jpg

citra_237.jpg

citra_247.jpg

citra_247.jpg

citra_255.jpg

citra_260.jpg

citra_263.jpg

citra_310.jpg

citra_312.jpg

2 Kelas Canine

3 Kelas Skunk

16

Lanjutan
4 Kelas Red Panda

citra_322.jpg

citra_326.jpg

citra_327.jpg

citra_334.jpg

citra_343.jpg

citra_348.jpg

citra_350.jpg

citra_354.jpg

citra_358.jpg

citra_381jpg

citra_422.jpg

citra_424.jpg

citra_430.jpg

citra_442.jpg

citra_444.jpg

citra_446.jpg

citra_447.jpg

citra_448.jpg

citra_449.jpg

citra_450.jpg

citra_502.jpg

citra_505.jpg

citra_511.jpg

citra_512.jpg

citra_515.jpg

citra_537.jpg

citra_575.jpg

citra_578.jpg

citra_582.jpg

citra_592jpg

5 Kelas Walruses

6 Kelas Leopard

17

Lampiran 5 Hasil temu kembali citra hewan

Hasil temu kembali citra menggunakan ciri warna.

Hasil temu kembali citra menggunakan ciri bentuk.

18

Lanjutan
Hasil temu kembali citra menggunakan ciri tekstur.

Hasil temu kembali citra menggunakan gabungan ketiga ciri (warna, bentuk, tekstur).

19