Transform dan Fourier Descriptor (Ramadhani 2009) serta penggunaan metode co-occurrence matrix untuk ekstraksi fitur citra (Annisa 2009) adalah beberapa penelitian yang pernah dilakukan. Selain itu, identifikasi menggunakan metode Boykov and Kolmogorov max flow/min cut graph untuk segmentasi dan ekstraksi fitur menggunakan Gabor Wavelet juga pernah dilakukan sebelumnya. Penelitian ini menunjukkan bahwa untuk 60% kueri, citra hasil temu kembali yang benar terdapat di 10 urutan pertama (Kebabci et al 2001).
Penelitian ini melakukan segmentasi citra menggunakan metode Boykov and Kolmogorov max flow/ min cut graph untuk mengidentifikasi tanaman hias. Penelitian ini menggunakan jumlah dan jenis citra tanaman hias yang lebih banyak dibandingkan dengan penelitian Kebabci et al (2001).
Tujuan
Tujuan dari penelitian ini adalah untuk mengaplikasikan metode Boykov and Kolmogorov max flow min-cut graph untuk segmentasi citra tanaman hias secara automatis serta pengenalan tanaman hias.
Ruang Lingkup
Ruang lingkup penelitian adalah melakukan segmentasi citra untuk tanaman hias dengan ekstraksi ciri menggunakan Rotation Invariant Uniform Patterns (LBPriu2) (Kulsum 2010) dan klasifikasi Probabilistic Neural Network
(PNN) (Nurafifah 2010).
TINJAUAN PUSTAKA Segmentasi Citra
Segmentasi merupakan langkah awal dari ekstraksi fitur pada suatu citra. Prosedur segmentasi membagi citra menjadi beberapa bagian pokok penyusun citra. Dalam penelitian ini segmentasi hanya akan membedakan dua
wilayah citra yaitu wilayah objek utama dan
background atau latar. Secara umum,
segmentasi yang baik akan menjadikan peluang keberhasilan proses pengenalan citra lebih besar (Gonzalez 2002).
Segmentasi dilakukan untuk memisahkan objek daun atau bunga dengan latar belakang citra. Proses ini untuk memisahkan objek penyusun citra tanaman hias seperti pot, lantai, dan rerumputan.
Graf dan Network
Teori graf pertama kali muncul pada tahun 1736 sebagai solusi Euler dalam memecahkan
“Masalah Jembatan Konighberg”. Secara
struktur, graf merupakan kumpulan dari node
dan edge yang saling berhubungan seperti terlihat pada Gambar 1.
Gambar 1 Graf.
Graf dapat diaplikasikan dalam berbagai masalah, seperti masalah pencocokan, penjadwalan, networking dan lain sebagainya. Dalam penelitian ini jenis graf yang digunakan adalah network. Network memiliki beberapa spesifikasi seperti edge yang berarah, edge yang memiliki kapasitas dan adanya suatu terminal atau titik awal dan titik akhir seperti terlihat pada Gambar 2. Salah satu metode atau cara untuk memecahkan masalah dalam aplikasi
network adalah max flow / min cut graph
(Chartrand & Oellermann 1993).
Gambar 2 Contoh network.
Max flow / min cut graph
Max flow/min cut graf merupakan salah satu cara untuk memecahkan masalah yang
1
PENDAHULUAN Latar Belakang
Pada sistem pengenalan pola, segmentasi citra merupakan tahapan penting untuk memperbaiki pengenalan pola. Namun sampai saat ini belum ada metode segmentasi yang optimal untuk citra dengan latar belakang yang kompleks. Citra tanaman hias umumnya memiliki latar belakang yang kompleks. Oleh karena itu, diperlukan teknik segmentasi yang lebih baik untuk mengidentifikasi tanaman hias.
Beberapa penelitian sudah dilakukan untuk segmentasi citra tanaman hias. Metode Hough Transform dan Fourier Descriptor (Ramadhani 2009) serta penggunaan metode co-occurrence matrix untuk ekstraksi fitur citra (Annisa 2009) adalah beberapa penelitian yang pernah dilakukan. Selain itu, identifikasi menggunakan metode Boykov and Kolmogorov max flow/min cut graph untuk segmentasi dan ekstraksi fitur menggunakan Gabor Wavelet juga pernah dilakukan sebelumnya. Penelitian ini menunjukkan bahwa untuk 60% kueri, citra hasil temu kembali yang benar terdapat di 10 urutan pertama (Kebabci et al 2001).
Penelitian ini melakukan segmentasi citra menggunakan metode Boykov and Kolmogorov max flow/ min cut graph untuk mengidentifikasi tanaman hias. Penelitian ini menggunakan jumlah dan jenis citra tanaman hias yang lebih banyak dibandingkan dengan penelitian Kebabci et al (2001).
Tujuan
Tujuan dari penelitian ini adalah untuk mengaplikasikan metode Boykov and Kolmogorov max flow min-cut graph untuk segmentasi citra tanaman hias secara automatis serta pengenalan tanaman hias.
Ruang Lingkup
Ruang lingkup penelitian adalah melakukan segmentasi citra untuk tanaman hias dengan ekstraksi ciri menggunakan Rotation Invariant Uniform Patterns (LBPriu2) (Kulsum 2010) dan klasifikasi Probabilistic Neural Network
(PNN) (Nurafifah 2010).
TINJAUAN PUSTAKA Segmentasi Citra
Segmentasi merupakan langkah awal dari ekstraksi fitur pada suatu citra. Prosedur segmentasi membagi citra menjadi beberapa bagian pokok penyusun citra. Dalam penelitian ini segmentasi hanya akan membedakan dua
wilayah citra yaitu wilayah objek utama dan
background atau latar. Secara umum,
segmentasi yang baik akan menjadikan peluang keberhasilan proses pengenalan citra lebih besar (Gonzalez 2002).
Segmentasi dilakukan untuk memisahkan objek daun atau bunga dengan latar belakang citra. Proses ini untuk memisahkan objek penyusun citra tanaman hias seperti pot, lantai, dan rerumputan.
Graf dan Network
Teori graf pertama kali muncul pada tahun 1736 sebagai solusi Euler dalam memecahkan
“Masalah Jembatan Konighberg”. Secara
struktur, graf merupakan kumpulan dari node
dan edge yang saling berhubungan seperti terlihat pada Gambar 1.
Gambar 1 Graf.
Graf dapat diaplikasikan dalam berbagai masalah, seperti masalah pencocokan, penjadwalan, networking dan lain sebagainya. Dalam penelitian ini jenis graf yang digunakan adalah network. Network memiliki beberapa spesifikasi seperti edge yang berarah, edge yang memiliki kapasitas dan adanya suatu terminal atau titik awal dan titik akhir seperti terlihat pada Gambar 2. Salah satu metode atau cara untuk memecahkan masalah dalam aplikasi
network adalah max flow / min cut graph
(Chartrand & Oellermann 1993).
Gambar 2 Contoh network.
Max flow / min cut graph
Max flow/min cut graf merupakan salah satu cara untuk memecahkan masalah yang
2 berhubungan dengan aplikasi network.
Algoritme ini bekerja untuk memisahkan
background dan foreground. Dalam algoritme ini terdapat beberapa istilah dan ketentuan operasionalnya. Adapun istilah-istilah tersebut adalah sebagai berikut:
Node adalah himpunan berhingga dan tak kosong dari elemen graf yang berbentuk titik.
Edge adalah himpunan pasangan tak terurut dari verteks-verteks yang berbeda.
Path adalah barisan node dan edge yang dimulai dan berakhir di node serta memiliki
node yang berbeda untuk setiap rangkaiannya.
Kapasitas edge (c) adalah kapasitas yang dimiliki oleh edge yang menghubungkan dua buah node.
flow(f) adalah aliran yang melewati path
tertentu.
Max flow/ min cut adalah maksimum aliran pada suatu path yang merupakan nilai minimum dari seluruh kapasitas edge
penyusun path.
Source adalah terminal dengan derajat masuk atau in degree 0
Sink adalah terminal dengan derajat keluar atau out degree 0.
Secara umum, algoritme ini terdiri atas beberapa langkah yaitu mencari path yang berawal dari terminal source dan berakhir di terminal sink, update bobot dan mengambil cut
dari suatu graf. Ilustrasi pencarian path dari terminal source (s) ke terminal sink (t) terlihat pada Gambar 2 yang ditunjukkan dengan panah tebal. Pencarian path dilakukan sampai tidak terdapat path dari terminal source ke terminal
sink.
Gambar 3 Ilustrasi path dari s ke t.
Setelah tidak terdapat path dari terminal
source ke terminal sink, langkah terakhir adalah mencari anggota masing-masing terminal yang dipisahkan oleh minimum cut. Ilustrasi max flow atau min cut terlihat pada Gambar 4 dengan cut yang ditunjukkan dengan garis terputus-putus.
Gambar 4 Ilustrasi max flow dan min cut.
Local Binary Pattern (LBP)
Local Binary Pattern merupakan algoritme untuk mendeskripsikan tekstur pada citra
grayscale. Algoritme ini bekerja
mendeskripsikan tekstur secara lokal pada suatu blok tertentu di citra grayscale. Pendeskripsian ini menggunakan beberapa jenis ketetanggaan yang tersebar secara melingkar circular neighborhoods. Gambar 5 memperlihatkan contoh circular neighborhood tiga operator (Kulsum 2010).
Gambar 5 Beberapa ukuran circular neighborhood.
Salah satu kelebihan dari algoritme Local Binary Pattern adalah tidak sensitif terhadap rotasi. Gambar 6 menunjukkan contoh rotation invariant yang memiliki pola 00001111 dan memiliki nilai 15.
Gambar 6 Contoh rotation invariant.
Local Binary Pattern menyimpan berbagai informasi menggunakan pola-pola tertentu. Informasi penting pada suatu citra akan disimpan ke dalam pola-pola yang disebut
uniform patterns. Suatu pola merupakan
uniform pattern jika terdapat pola transisi bit dari 0 ke 1 atau sebaliknya. Uniform patterns
berfungsi untuk mengidentifikasi noda flat area
atau dark spot, sudut, dan tepi. Gambar 7 menunjukkan beberapa jenis uniform pattern
3
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).