BAB V UJI COBA DAN EVALUAS
5.4 Evaluasi Sistem
Pada sub bab evaluasi sistem, dalam pembuatan sistem analisa image processing untuk mendeteksi kemiripan pada tekstur warna kulit manusia ini
dibuat dengan menggunakan analisa titik piksel pada histogram. Dimana aplikasi ini diorientasikan dengan melakukan pendekatan secara penghitungan kedalaman warna atau bit per pixel. Bit pada gambar dicari dari ukuran matriks NxM yang ditentukan dalam sistem dengan dimensi 350x350, sehingga dalam intensitas warnanya hanya akan membaca piksel gambar dengan ukuran matrik 350x350 walaupun resolusi yang digunakan pada gambar sama yaitu menggunakan resolusi 72dpi.
Pada satuan warna gambar true color atau gambar yang memiliki warna
penuh dapat dikatakan memiliki piksel 24 bit. Sehingga pada pendeteksian pada sistem analisa untuk mendeteksi kemiripan diperlukan perbandingan bit piksel dalam mencari selisih bit yang dimiliki gambar yang akan dibandingkan atau dicari tingkat kemiripannya.
Jika dalam perbandingan gambar untuk mencari tingkat kemiripannya tanpa melakukan rezise ukuran maka yang terjadi adalah overload tingkat
penghitungan kemiripan atau diatas tingkat kemiripan 100%. Karena dari evaluasi yang telah dilakukan uji coba dalam melakukan proses analisa untuk mendeteksi kemiripan,ada ketentuan yang harus dilakukan sebelum menjalankan sistem analisa ini, adalah sebagai berikut:
1. Pada form gambar sumber, informasi data gambar yang dipakai adalah
gambar yang berukuran 350x350. Jika program dilakukan proses atau dijalankan maka pendeteksian secara keseluruhan mulai dari gambar
acuan maupun deteksi bit gambar akan menghasilkan tingkat maksimal diluar akurasi sistem.
2. Untuk menguji gambar sumber sebagai acuan yang dapat
merepresentasikan warna dengan kemiripan 80% atau lebih dari 80% maka gambar acuan yang digunakan memiliki sampling data yang tidak rusak atau kecerahan yang tidak berlebihan (kuantisasi).
Secara evaluasi sistem keseluruhan, dalam pembuatan sistem analisa untuk mendeteksi kemiripan tekstur warna kulit manusia bisa digunakan dan diimplementasikan dalam ilmu pengolongan ras atau ilmu kedokteran pada bidang kulit. Sehingga dapat membantu menganalisa tingkat penglihatan mata manusia dalam melakukan pencocokan tekstur warna kulit kecuali dari segi pola atau bentuk gambar.
Dengan demikian, dalam melakukan analisa untuk mendeteksi kemiripan warna diperlukan intensitas warna yang tidak rusak dari segi komposisi warna ketika akan didistribusikan dalam komposisi warna tertentu dalam melakukan perbandingan maupun sebagai gambar acuan atau gambar sumber acuan. Gambar yang akan dipakai memiliki resolusi dibawah 72 dpi citra aslinya saat dilakukan pengambilan gambar (capture). Karena resolusi 72 dpi memiliki tingkat piksel
yang kurang rapat dibandingan resolusi dibawah 72 dpi yang memiliki citra warna yang rapat dan komposisi warna yang lebih halus.
BAB VI
PENUTUP
6.1. Kesimpulan
Dari hasil perancangan dan pembuatan sistem analisa image processing
untuk mencari kemiripan pada tekstur kulit manusia menggunakan histogram warna, dapat disimpulkan bahwa:
a. Untuk mendeskripsikan suatu tekstur atau jenis warna menggunakan
histogram warna (Color Histogram) harus mengetahui tingkat dari
komposisi warna pada sumber gambar acuan dan gambar yang akan dibandingkan. Sehingga, memberikan hasil yang nilainya sesuai berdasarkan dari perbandingan bit per piksel gambar.
b. Dengan menggunakan metode pendekatan BPP(bit per pixel) dapat
diketahui bahwa tingkat akurasi dalam mencari kemiripan warnma dapat memberikan hasil yang lebih sesuai dengan Tingkat kemiripan yang dianalisa dari sumber gambar acuan dan gambar yang dibandingkan berdasarkan kemiripan yang mendekati citra asli dengan prosentase 90%.
6.2. Saran
Mengingat masih kurangnya dalam implementasi program sistem analisa untuk mencari kemiripan pada tekstur warna kulit manusia, maka penulis memberikan beberapa solusi untuk pengembangan sistem analisa ini bagi pihak yang berkeinginan melakukan penelitian sebagai berikut:
a. Dalam menganalisa untuk mencari kemiripan warna yang mencari
kemiripan yang efektif diperlukan pada operasi citra pengenalan pola, sehingga membantu dalam pengenalan pada bentuk benda dan warna gambar.
b. Penelitian dilakukan dalam pencarian dari sisi pola 2 (dua) dimensi, dengan sudut penglihatan yang berbeda, karena proses pengenalan dapat memberikan tambahan dari tingkat kemiripan yang efisien.
[1] Balza A.dan Kartika F., 2005, “Teknik Pengolahan Citra Menggunakan Deplhi”, Ardi Publishing, Yogyakarta
[2] Iswahyudi, Catur, 2010, “Prototype Aplikasi Untuk Mengukur
Kematangan Buah Apel Berdasar Kemiripan Warna”, Institut dan
Teknologi AKPRIND
[3] Munir, Rinaldi, 2004, “Pengolahan Citra Digital dengan Pendekatan
Algoritmik”, Penerbit Informatika, Bandung
[4] Pramitarini Yushintia, 2011, “Analisa Pengiriman Citra Terkompresi JPEG” dengan Teknik Spread Spektrum Direct Sequence, Institut
Teknologi Sepuluh Nopember
[5] Widarsono, Teguh, 2005“Tutorial Praktis Belajar MATLAB”, Institut
Teknologi Bandung
http://referensi.dosen.narotama.ac.id/files/2011/12/Tutorial_MatLab_Teg uhW.pdf [Diakses Tanggal 08 November 2011 Jam 21.34]
LAMPIRAN
Citra 8 bit sebagai gambar acuan.
Hasil Histogram Gambar Acuan
Citra 24 bit sebagai gambar acuan
Hasil Histogram Gambar Acuan.
Compare_Image.m
%% proses load gambar [nama_fi
le path_file]=uigetfile( '*.jpg','Pilih file
master');
gambar_s
umber = [path_file nama_file]; gmbr_sum
ber_awal1 = imread (gambar_sumber);
%% menampilkan gambar pada form utama axes(han dles.axes1) imshow(g mbr_sumber_awal1) set(hand les.axes1)
title('Gambar Sumber' ) clc %% gmbr_sum ber_awal = rgb2gray(gmbr_sumber_awal1); gmbr_sum ber = imresize(gmbr_sumber_awal,[350 350]); %% mencari file gambar (*.jpg) pada direktori [direkto
ri_file_database] = uigetdir( 'c:/','Pilih direktori
folder'); path_sum ber=[direktori_file_database '\']; nama_fil e=[path_sumber '*.jpg']; DB_gamba r=dir(nama_file); nfiles = length(DB_gambar); tampil = []; for ii=1:nfiles nama_file = DB_gambar(ii,1).name; disp(nama_file)
path_plus_filename = [path_sumber nama_file];
data_gambar_DB{ii,1} = imread (path_plus_filename); gambar_gray{ii,1} = rgbgray(data_gambar_DB{ii,1}); gambar{ii,1} = imresize(gambar_gray{ii,1},[350 350]);
gmbr_sumber = im2double (gmbr_sumber); gambar_database = im2double (gambar{ii,1});
[x1 y1]= size (gmbr_sumber_awal); dimensi = y1*x1;
%% proses mendeteksi kemiripan gambar
selisih = abs(gmbr_sumber-gambar_database); cek = (1-selisih)/1*100;
hasil1 = sum(cek);
hasil_akhir = sum(hasil1)/dimensi; hasil(ii) = hasil_akhir;
%% menampilkan pesan pada message box
tampil = [tampil, nama_file,'---Tingkat Kemiripan
Gambar---',num2str(hasil_akhir),' ','persen'];
end msgbox(t
ampil, 'Kemiripan %')
disp (hasil')
%% menentukan gambar yang paling mirip hasil_ak
hir = max(hasil);
[unused gbr]=find(hasil==max(hasil));
GBR_akhi
r=data_gambar_DB{gbr,1};
%% menampilkan gambar hasil pencarian set(hand
les.hasil, 'string',num2str(hasil_akhir));
%%
%%menamp
ilkan gambar paling mirip axes(han
dles.axes2) imshow(G BR_akhir)
title('Gambar Paling Mirip' ) set(hand
les.axes1) clc
%% buat histogram gambar figure (1) imhist (gmbr_sumber) figure(2 ) imhist(g ambar{gbr,1})