METODE PENELITIAN - Segmentasi citra tanaman hias menggunakan metode Boykov and Kolmogorov max

Penelitian ini dilakukan dalam beberapa tahap. Tahap-tahap tersebut diselesaikan dengan metode penelitian yang dapat dilihat pada Gambar 8.

Data Citra Tanaman Hias

Data citra tanaman hias yang dipergunakan dalam penelitian ini adalah citra tanaman hias lokal Indonesia. Lokasi pengambilan citra tersebut adalah Kebun Raya Bogor dan beberapa tempat lainnya. Jumlah data yang diambil berjumlah 300 buah dengan berbagai macam sudut pengambilan yang kemudian dikelompokkan menjadi 30 kelas. Semua citra tersebut kemudian dimasukkan ke dalam beberapa kelompok kelas antara lain berdasarkan latar belakang, berdasarkan pencahayaan dan berdasarkan keragaman warna objek citra.

Kelompok citra berdasarkan latar belakang dapat dibagi menjadi 2 jenis yaitu citra dengan latar belakang sederhana seperti pada Gambar 9 dan citra dengan latar belakang kompleks yang dapat dilihat pada Gambar 10. Kelompok citra berdasarkan pencahayaan dapat dibagi menjadi 2 macam yaitu citra dengan pencahayaan seragam seperti pada Gambar 11 dan citra dengan pencahayaan tidak seragam seperti pada Gambar 11. Citra dengan keragaman warna objek dapat dilihat pada Gambar 12.

Gambar 8 Metode Penelitian.

Gambar 9 Citra dengan latar belakang sederhana.

Spot Spot/flat Line end Edge Corner

Gambar 7 Tekstur uniform patterns.

Penggabungan antara Rotation Invariant dan

Uniform Pattern menghasilkan variasi Local Binary Pattern yang disebut Rotation Invariant Uniform Pattern atau LBPriu2 (Kulsum 2010).

METODE PENELITIAN

Penelitian ini dilakukan dalam beberapa tahap. Tahap-tahap tersebut diselesaikan dengan metode penelitian yang dapat dilihat pada Gambar 8.

Data Citra Tanaman Hias

Gambar 8 Metode Penelitian.

Gambar 9 Citra dengan latar belakang sederhana.

4 Gambar 10 Citra dengan latar belakang

kompleks.

(a) (b)

Gambar 11 Citra dengan pencahayaan seragam (a) dan Citra dengan pencahayaan tidak seragam (b).

Gambar 12 Citra dengan keragaman warna objek.

Praproses Data

Praproses data pada penelitian ini dilakukan dengan memperkecil ukuran citra. Hal ini dilakukan karena keterbatasan sistem sehingga citra masukan hanya berukuran 270x210 pixel.

Segmentasi Citra

Tahapan selanjutnya setelah praproses adalah melakukan segmentasi. Segmentasi dilakukan menggunakan metode Boykov and Kolmogrov`s max flow/ min cut graph (Boykov & Kolmogorov 2001). Segmentasi ini tidak dilakukan secara manual tetapi menggunakan sebuah sistem yang memanfaatkan metode tersebut. Dalam sistem ini citra masukan memiliki channelRed, Green, Blue (RGB) yang kemudian akan menghasilkan citra hasil segmentasi yang memiliki channel RGB dan

Grayscale.

Tahapan pertama dalam segmentasi adalah membentuk sebuah graf. Dalam penelitian ini graf dibentuk menggunakan seluruh pixel yang terdapat pada citra. Tahapan ini dapat dibagi menjadi beberapa langkah yaitu pelabelan daerah, penentuan pivot atau terminal dan perhitungan bobot link.

Pelabelan daerah pada penelitian ini digunakan untuk membagi citra menjadi 3

daerah yaitu daerah yang mewakili objek utama, daerah yang mewakili background dan daerah yang belum teridentifikasi seperti terlihat pada Gambar 13. Pada sistem segmentasi, pemilihan inisialisasi wilayah dilakukan oleh pengguna sistem dengan memilih dua titik untuk dua wilayah yang berbeda.

Gambar 13 Contoh pelabelan citra.

Setelah pelabelan selesai dilakukan, langkah berikutnya adalah penentuan pivot atau terminal. Pivot atau terminal digunakan sebagai inisialisasi daerah tertentu pada hasil pelabelan. Pada penelitian ini pivot atau terminal mewakili daerah objek utama dan daerah background. Terminal yang mewakili daerah objek utama disebut terminal source dan terminal yang mewakili background disebut terminal sink. Kedua terminal tersebut selanjutnya dihubungkan dengan seluruh pixel untuk membentuk sebuah graf. Graf yang terbentuk dapat dilihat pada Gambar 14.

Tahapan terakhir dalam membentuk graf adalah menghitung bobot untuk setiap link yang terjadi dalam graf. Secara umum, terdapat tiga macam link graf yaitu link antara terminal

source dengan node, link antara terminal sink

dengan node dan link antara node yang bersebelahan. Ketentuan perhitungan bobot link

terlihat pada Tabel 1 (Boykov & Jolly 2001).

5 Tabel 1 Rumusan perhitungan bobot link

Edge Bobot Kondisi

n-link {p, q} B{p, q} {p, q}∈N t-link {p, s} λ∙ Dp(s) p∈P, p∈OUB K p∈O 0 p∈B t-link {p, t} λ∙ Dp (t) p∈P, p∈OUB 0 p∈O K p∈B

Untuk link antara dua buah node yang bersebelahan dilambangkan sebagai n-link

{p,q} dengan p dan q adalah dua buah pixel

yang bersebelahan. Persamaan untuk menghitung bobot n-link terlihat pada persamaan berikut:

(1)

dengan Ip dan Iq merupakan intensitas dua buah pixel yang bersebelahan. Pada penelitian ini nilai intensitas merupakan rata-rata dari ketiga

channel masukan yaitu Red, Green dan Blue.

dist(p,q) merupakan jarak antara kedua buah

pixel dengan persamaan perhitungan sebagai berikut:

Jarak2 = (Rp – Rq)2 + (Gp – Gq)2 + (Bp – Bq)2 (2)

dengan Rp, Rq, Gp, Gq, Bp, Bq adalah nilai channel Red, Green dan Blue pada citra. Contoh perhitungan untuk n-link adalah sebagai berikut:

Ip = 255, 200, 70

Iq = 50, 10, 15

dalam contoh ini variance bernilai 2000 Ip = (255 + 200 + 70)/3 = 175 Iq = (50 + 10 + 15)/3 = 25 dist(p,q)2 = (255-50)2 + (200-10)2 + (70-15)2 dist(p,q) = 284.8683. B{p,q} = exp(-(175-25)2/2*2000 ) * 1/284.8683 B{p,q} = 1.263 x 10-5

Edge yang menghubungkan antara terminal

source dengan node dilambangkan dengan t-

link {p, s}. Pada hubungan ini, terdapat beberapa ketentuan untuk menghitung bobotnya. Pertama adalah ketentuan untuk menghitung bobot antara terminal source dan

node dengan kondisi node merupakan anggota bagian objek utama (O) dan background (B). Formulasi untuk menghitungnya adalah sebagai berikut:

Dp(s) ∞ exp( -|| Ip – Is ||2 / 2σ2 ) (3)

dengan Ip dan Is merupakan intensitas node dan

intensitas terminal source serta λ yang bernilai 1. Contoh perhitungan t-link {p, s} adalah sebagai berikut:

Is = 200, 150, 250 Ip = 150, 180, 120

dalam contoh ini variance bernilai 2000 || Ip– Is || 2 = (200-150)2 + (150-180)2 + (250-

120) || Ip– Is || 2 = 28400.

Dp(s) = exp(-28400/2*2000) Dp(s) = 8.251 x 10-4.

Selanjutnya adalah ketentuan untuk menghitung bobot antara terminal source dan node dengan kondisi node merupakan anggota objek utama (O). Persamaan untuk menghitung bobot ini adalah sebagai berikut:

(4) Untuk hubungan terminal source dan node

dengan kondisi node merupakan anggota

background maka bobot yang diberikan adalah 0.

Hubungan antara terminal sink dengan

node dilambangkan sebagai t-link {p, t} dengan p merupakan pixelnode dan t merupakan pixel

terminal sink. Dalam hubungan ini, terdapat beberapa ketentuan untuk menghitung bobot. Ketentuan pertama adalah untuk menghitung bobot dengan kondisi node p merupakan anggota dari objek utama (O) dan background

(B) dengan persamaan perhitungan sebagai berikut:

Dp(t) ∞ exp( -|| Ip – It ||2 / 2σ2 ) (5)

dengan Ip dan It merupakan intensitas node dan

intensitas terminal sink serta λ yang bernilai 1. Contoh perhitungan t-link {p, t} adalah sebagai berikut: It = 200, 150, 250 Ip = 150, 180, 120 ) , ( 1 2 ) ( exp ₂ 2 } , { q p dist I I B_p_q p q _         



















  N q p q q p P p

B

K

} , { : } , {

max

1

6 dalam contoh ini variance bernilai 2000

|| Ip– It || 2 = (200-150)2 + (150-180)2 + (250- 120)

|| Ip– It || 2 = 28400.

Dp(t) = exp(-28400/2*2000) Dp(t) = 8.251 x 10-4.

Untuk bobot t-link {p, t} dengan p merupakan anggota background (B) maka bobot akan bernilai K dengan formulasi perhitungan terlihat pada persamaan 4. Jika p merupakan anggota objek utama (O) maka akan bernilai 0.

Setelah graf terbentuk, tahapan selanjutnya adalah melakukan implementasi algoritme

Boykov and Kolmogorov max flow/min cut graph. Langkah detail dari algoritme ini adalah sebagai berikut: (Boykov & kolmogorov 2001) 1. Mencari path atau lintasan dari terminal

source ke terminal sink.

2. Mencari bobot yang paling minimum antara dua buah node yang bertetanggaan dalam path atau lintasan tersebut sebagai representasi minimum cut atau maksimum dari flow yang bisa melewati path atau lintasan tersebut.

3. Update masing-masing bobot antar node

yang bertetanggaan dalam path atau lintasan tersebut dengan nilai yang ditemukan pada langkah kedua dengan mengurangkan setiap bobot pada edge

penyusun path.

4. Lakukan langkah 1 sampai 3 hingga tidak terdapat path atau lintasan dari source ke

sink.

5. Mencari node anggota masing-masing terminal berdasarkan karakteristik terminal. Dalam sistem segmentasi citra masukan akan dipecah menjadi 4 bagian seperti terlihat pada Gambar 15. Untuk setiap bagian hasil pemecahan citra akan dilakukan segmentsi dengan membentuk graf dan implementasi metode Boykov and Kolmogorov max flow/min cut graph.

Gambar 15 Contoh pembagian citra di dalam sistem segmentasi.

Pengenalan

Pada tahapan ini semua citra hasil segmentasi dipilih berdasarkan kriteria tertentu untuk diuji menggunakan sistem Local Binary

Pattern (LBP) dan diklasifikasikan

menggunakan Probabilistic Neural Network

(PNN).

HASIL DAN PEMBAHASAN

Dalam dokumen Segmentasi citra tanaman hias menggunakan metode Boykov and Kolmogorov max flow/min cut graph (Halaman 36-40)