BAB IV HASIL DAN PEMBAHASAN
4.3. Pembahasan
Hasil keseluruhan pengujian pada tabel 4.15 menunjukkan nilai akurasi terendah dan tertinggi pada 3 skala pendeteksian interest point sebelum dimodifikasi. Dimana pada tabel 4.15 yaitu hasil keseluruhan 10 kali pengujian pada testingSet1 sebelum dimodifikasi menunjukkan nilai akurasi terendah menggunakan 3 skala pendeteksian interest point sebesar 49 % pada percobaan 4 dan percobaan 10, sedangkan akurasi tertinggi menggunakan 3 skala pendeteksian interest point sebesar 54 % pada percobaan 6. Nilai akurasi terendah menggunakan 4 skala pendeteksian interest point sebesar 45 % pada percobaan 6, sedangkan akurasi tertinggi menggunakan 4 skala pendeteksian interest point sebesar 54 % pada percobaan 9. Nilai akurasi terendah menggunakan 5 skala pendeteksian interest point sebesar 46 % pada percobaan 2, sedangkan akurasi tertinggi menggunakan 5 skala pendeteksian interest point sebesar 53 % pada percobaan 3, percobaan 8 dan percobaan 10.
Hasil keseluruhan pengujian pada tabel 4.16 menunjukkan nilai akurasi terendah dan tertinggi pada 3 skala pendeteksian interest point setelah dimodifikasi. Dimana pada tabel 4.11 yaitu hasil keseluruhan 10 kali pengujian pada testingSet1 setelah dimodifikasi menunjukkan nilai akurasi terendah menggunakan 3 skala pendeteksian interest point sebesar 60 % pada percobaan 1 dan percobaan 8, sedangkan akurasi tertinggi menggunakan 3 skala pendeteksian interest point sebesar 70 % pada percobaan 7. Nilai akurasi terendah
48
menggunakan 4 skala pendeteksian interest point sebesar 67 % pada percobaan 1 dan percobaan 6, sedangkan akurasi tertinggi menggunakan 4 skala pendeteksian interest point sebesar 75 % pada percobaan 4. Nilai akurasi terendah menggunakan 5 skala pendeteksian interest point sebesar 69 % pada percobaan 6 dan percobaan 8, sedangkan akurasi tertinggi menggunakan 5 skala pendeteksian interest point sebesar 77 % pada percobaan 4.
Berdasarkan hasil penelitian yang telah dilakukan, dengan menggunakan 5 skala pendeteksian interest point pada modifikasi speed-up robust feature dengan histogram of oriented gradients dapat mengenali pola blur secara konsisten. Seperti yang ditunjukkan pada tabel 4.16, dimana dalam 10 kali pengujian dalam 8 kali pengujian menghasilkan nilai akurasi 70%, hanya 2 pengujian yang menghasilkan nilai akurasi dibawah 70%. Hal ini berkaitan dengan penentuan skala pada interest point citra, yang dijelaskan pada subbab 2.5 dimana menggunakan skala pendeteksian dapat mengenali pola objek pada citra.
Penelitian ini telah membuktikan dengan menggunakan 5 skala pendeteksian interest point pada modifikasi speed-up robust feature dan histogram of oriented gradients dapat mengenali pola blur pada citra yang tidak hanya berfokus pada penentuan prediksi model degradasi citra untuk mengklasifikasikan daerah blur pada citra seperti penelitian-penelitian sebelumnya. Namun modifikasi metode ini masih sulit untuk mengklasifikasikan jenis gaussian blur pada citra, dimana pada semua skala yang digunakan dalam pengujian hanya menghasilkan akurasi true positif tertinggi testingSet1 sebesar 56%.
BAB 5
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Tesis ini menghasilkan beberapa kesimpulan sebagai berikut:
1. Modifikasi speed-up robust feature dan histogram of oriented gradient, dapat mengenali pola blur secara konsisten dengan rata-rata akurasi tertinggi klasifikasi citra blur sebesar 72,3% dengan menggunakan 5 skala pendeteksian.
2. Modifikasi metode speed-up robust feature dan histogram of oriented gradient sulit untuk mengklasifikasikan jenis gaussian blur pada citra. Dimana pada semua skala yang digunakan dalam pengujian, dimana pada semua skala yang digunakan dalam pengujian hanya menghasilkan akurasi true positif tertinggi testingSet1 sebesar 56%.
3. Ditemukan peningkatan akurasi klasifikasi citra blur, dimana sebelum memodifikasi pendeteksian interest point pada speed-up robust feature hanya menghasilkan akurasi tertinggi sebesar 51%. Sedangkan setelah memodifikasi pendeteksian interest point pada speed-up robust feature menghasilkan akurasi tertinggi sebesar 72.3%. Hal ini membuktikan bahwasanya dengan memodifikasi pendeteksian interest point speed-up robust feature dengan histogram of oriented gradient menghasilkan akurasi klasifikasi yang lebih baik pada citra blur.
5.2. Saran
Modifikasi metode ini dapat dikembangkan untuk mengenali pola gaussian blur pada citra blur dengan memodifikasi pendeteksian interest point yang lebih baik dalam mengenali pola gaussian blur ataupun dengan memodifikasi klusterisasi feature vector pada k-means.
Acharya, Tinku & Ray, Ajoy K. 2005. Image Processing – Principles and Applications.
Wiley-Blackwell: New Jersey.
Bay, Herbert, Tuytelaars, Tinne & Van Gool, Luc. 2006. Surf: Speeded Up Robust Features. 9th European Conference on Computer Vision. 110(3):404-417.
Corburn, Craig A. 2002. Local Spatial Variability as a Measure of Image Texture: A Multidimensional Approach to Image Texture Analysis and Classification. Thesis.
University of California.
Cruz-Roa, Angel, Caicedo, Juan C & Gonzalez, Fabio A. 2009. Visual Pattern Analysis in Histopathology Images Using Bag of Features. CIARP 2009 : 14th Iberoamerican Conference on Pattern Recognition 521-528.
Dalal, N. & Triggs, B. 2005. Histogram of Gradients for Human Detection. Computer Vision and Pattern Recognition 1:886-893.
Farhangi, Mohammad Mehdi, Soryani, Mohsen, & Fathy, Mahmood. 2013. Informative Visual Words Construction to Improve Bag of Words Image Representation. IET Image Process 8(5):310-318.
Gonzalez, R. & Woods, R. 2008. Digital Image Processing. 3rd Edition. Prentice Hall: New Jersey.
Han, Jiawei & Kamber, Micheline. 2006. Data Mining: Concepts and Techniques. 2nd Edition. Morgan Kaufmann: Amsterdam.
Harris, C. & Stephens, M. 1988. A Combined Corner and Edge Detector. Proceedings International Conference Alvey Vision. 147-151.
Khrisnamoorthy, R. & Punidha, R. 2012. An Orthogonal Polynomials Transform-Based Variable Block Size Adaptive Vector Quantization for Color Image Coding. IET Image Process 6(6):635-646.
Lowe, K.D. 2004. Distinctive Image Features from Scale-Invariant Keypoints.
International Journal Computer Vision 60(2):91-110.
Marques, Oge. 2011. Practical Image and Video Processing Using Matlab. Wiley-Blackwell: New Jersey.
Mikolajczyk, Krystian & Schmid, Cordelia. 2001. Scale & Affine Invariant Interest Point Detectors. International Journal of Computer Vision 60(1):63-86.
Nixon, Mark S. & Aguado, Alberto S. 2008. Feature Extraction and Image Processing.
Elsevier: London.
Raza, S. Husein, Parry, R.Mitchell, Moffit, Richard A., Young, Andrew N & Wang, May D. 2011. An Analysis of Scale and Rotation Invariance in the Bag-of-feature Method for Histopathological Image Classification. Medical Image Computing and Computer-Asissted Intervention 3:66-74.
Rassem, Taha H. & Khoo, Bee Ee. 2015. Performance evaluation of new colour histogram-based interest point detectors. Multimedia Tools and Application 74(24):11357-11398.
Salomon, Chris & Breckon, Toby. 2011. Fundamentals of Digital Image Processing.
Wiley-Blackwell: Oxford.
51
Shukla, Tuhin, Mishra, Nishchol & Sharma, Sanjeev. 2013. Automatic Image Annotation using SURF Features. International Journal Computer Applications 68(4):17-24.
Sivic, J. Zisserman. 2003. Video google: A Text Retrieval Approach to Object Matching in Videos. International Conference on Computer Vision 2:1470-1477.
Suta, Loreta A. & Vaida, Mircea F. 2012. Global Blur Assessment And Blurred Region Detection In Natural Images. Acta Technica Napocensis 53(2):30-35.
Szelizki, R. 2011. Computer Vision : Algorithms and Applications. Springer: New York.
Tiwari, Shamik , Shukla, V.P., Biradar, S.R. & Singh, A.K. 2014. Blur Classification Using Wavelet Transform and Feed Forward Network. International Journal of Modern Education and Computer Science 4:16-23.
Vignesh, R. & Sivabalakrishnan, M. A. 2015. Comperative Study on Blur Families and Their Algorithmic Applications Methods to Make An Image Restoration By Image Deblurring. International Journal of Scientific Progress and Research 11(1):8-11.
Zhou, Huiyu., Jiahua, Wu & Zhang, Jianguo. 2010. Digital Image Processing Part I. Ventus Publishing ApS: Denmark.
LAMPIRAN
DAFTAR PUBLIKASI ILMIAH
No. Judul Artikel Penulis Publikasi
(Seminar/Jurnal)