Professional Documents
Culture Documents
IDALIANA KUSUMANINGSIH
IDALIANA KUSUMANINGSIH
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer
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
Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
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.
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
DAFTAR TABEL
Halaman
1
2
3
4
5
6
7
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.
(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)
(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.
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)
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
(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
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
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
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
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
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
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
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
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
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.
10
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
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
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
18
Lanjutan
Hasil temu kembali citra menggunakan ciri tekstur.
Hasil temu kembali citra menggunakan gabungan ketiga ciri (warna, bentuk, tekstur).
19