BAB III METODOLOGI PENELITIAN
3.6 Ukuran Performansi
Pada penelitian ini, pengukuran performansi klassifikasi menggunakan confusion matrix.
Confusion matrix adalah sebuah array 2 dimensi berukuran K x K (dimana K adalah total jumlah kelas) yang digunakan untuk melaporkan hasil mentah dari eksperimen klasifikasi (Marques, 2011). Nilai pada baris i, kolom j mengindikasikan berapa kali sebuah objek yang tergolong benar pada kelas I yang berlabel kelas j. Tabel confusion matrix berisikan empat kemungkinan keluaran sebagai bahan acuan dalam membandingkan antara kejadian yang sebenarnya (aktual) dengan kejadian yang terprediksi. Berikut adalah ilustrasinya:
Tabel 3.1 Tabel Confusion Matrix Prediksi
Average Blur Motion Blur Aktual Average Blur True Positive (TP) False Negative (FN)
Motion Blur False Positive (FP) True Negative (TN)
28
dimana :
True Positive (TP) adalah jumlah data average blur yang diprediksi average blur False Negative (FN) adalah jumlah data average blur yang diprediksi motion blur False Positive (FP) adalah jumlah data motion blur yang diprediksi average blur True Negative (TN) adalah jumlah data motion yang diprediksi motion blur
Untuk menghitung akurasi menggunakan confusion matrix dapat dirumuskan sebagai berikut:
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = ( 𝑇𝑃 + 𝑇𝑁 𝑇𝑜𝑡𝑎𝑙 𝑃𝑟𝑒𝑑𝑖𝑘𝑠𝑖)
Sedangkan untuk menghitung tingkat kesalahan klassifikasi adalah sebagai berikut:
𝑀𝑖𝑠𝑠 𝑐𝑙𝑎𝑠𝑠𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑜𝑛 𝑟𝑎𝑡𝑒 = ( 𝐹𝑃 + 𝐹𝑁 𝑇𝑜𝑡𝑎𝑙 𝑃𝑟𝑒𝑑𝑖𝑘𝑠𝑖)
BAB 4
HASIL DAN PEMBAHASAN
4.1. Hasil
Hasil yang dibahas meliputi modifikasi speed-up robust feature dengan histogram of oriented gradients, pengujian dengan variasi skala speed-up robust feature, perbandingan modifikasi metode dengan penelitian sebelumnya dan pembahasan.
4.1.1. Sampel pelatihan dan sampel pengujian
Imageset pada penelitian ini terbagi menjadi sampel pelatihan dan sampel pengujian.
Sampel pelatihan yang digunakan dalam penelitian ini berjumlah 236 citra, sedangkan sampel pengujian terdiri dari 156 citra, yang terdiri dari 4 kategori citra. Yaitu kategori average blur, citra non blur, gaussian blur dan motion blur, dimana penentuannya dilakukan secara acak dan ukuran citra pada imageset penelitian ini sebesar 640 width x 480 height pixel. Berikut adalah 4 contoh citra yang digunakan dalam sampel pelatihan:
Gambar 4.1 Citra 8.jpg pada kategori average blur
30
Gambar 4.2 Citra 8.jpg pada kategori citra non blur
Gambar 4.3 Citra 8.jpg pada kategori gaussian blur
Gambar 4.4 Citra 8.jpg pada kategori motion blur
31
4.1.2. Hasil bag of feature
Setelah menginput training set dan testing set, selanjutnya citra-citra pada training set akan dideteksi interest pointnya menggunakan speed-up robust feature dan di ekstrak fiturnya menggunakan histogram of oriented gradients. Bag of feature yang dibentuk pada trainingSet1 adalah sebagai berikut:
Gambar 4.5 Bag of Feature TrainingSet1
Nilai masing-masing index pada gambar 4.5 menjadi acuan terhadap nilai fitur citra lainnya. Dimana nilai index diatas merupakan nilai fitur yang telah sudah melalui tahapan deteksi dan ekstraksi fitur, serta clustering nilai fitur-fitur, yang dikelompokkan menjadi nilai visual word index. Nilai index tersebut, dapat dilihat pada nilai index masing-masing citra, dimana nilai index pada gambar 4.1, gambar 4.2, gambar 4.3 dan gambar 4.4 tidak lebih dari 200. Hal ini sesuai dengan penetapan jumlah index pada bag of feature yang dibentuk, yaitu K=200. Berikut adalah nilai index gambar 4.1, gambar 4.2, gambar 4.3 dan gambar 4.4 :
32
Tabel 4.1 Nilai index gambar 4.1
116 95 113 153 16 102
Histogram index pada citra gambar 4.1
Tabel 4.2 Nilai index gambar 4.2
194 170 170 85 15 34
33
Histogram index citra pada gambar 4.2
34
35
Tabel 4.3 Nilai index gambar 4.3
116 113 153 16 95 113
Histogram index citra pada gambar 4.3
36
177 140 152 167 54 140
37 28 15 163 13 66
180 122 47 111 101 172
166 31 147
Tabel 4.4 Nilai index gambar 4.4
13 95 103 102 1 103
Histogram index citra pada gambar 4.4
4.1.3. Hasil klasifikasi support vector machine
Setelah masing-masing citra didapatkan nilai visual word indexnya, maka akan diklasifikasikan menggunakan support vector machine. Support vector machine yang digunakan dalam penelitian ini, menggunakan fungsi kernel gaussian. Citra 100.jpg, citra
37
16.jpg, citra 18.jpg, citra 19.jpg, dan citra 20.jpg pada kategori average blur merupakan citra yang termasuk ke dalam testingSet1. Sebelum diklasifikasikan, citra-citra tersebut merupakan citra yang tergolong ke dalam average blur, namun hasil prediksi klasifikasi menggunakan support vector machine tidaklah sama. Hasil prediksi klasifikasinya adalah sebagai berikut:
Tabel 4.5 Hasil Klasifikasi Support Vector Machine
No. average blur. Support vector machine yang menggunakan fungsi kernel gaussian menghitung skor terhadap data training, yang menghasilkan skor pada tiap-tiap kategori.
Support vector machine memutuskan klasifikasi kategori citra tersebut berdasarkan nilai skor yang terbesar. Seperti pada citra nomor 2, skor terbesarnya adalah -0.20611589 pada kategori gaussian blur, maka support vector machine mengkategorikan citra nomor 2 ke dalam gaussian blur. Hal ini merupakan klasifikasi yang salah, dimana citra nomor 2 merupakan citra yang tergolong ke dalam average blur. Kesalahan klasifikasi ini disebabkan oleh tipisnya perbedaan skor antara average blur dan gaussian blur. Support vector machine sendiri mempunyai 3 fungsi kernel yang sering digunakan dalam penelitian-penelitan sebelumnya. Kekurangan ini dapat dikembangkan dengan menggunakan fungsi kernel yang berbeda, ataupun memakai fungsi clustering yang berbeda. Hal ini dikarenakan bag of feature menggunakan visual word index yang terbentuk dengan mengklusterisasi fitur-fitur pada citra.
38
4.1.4. Modifikasi Speed-Up Robust Feature dengan Histogram of Oriented Gradients Modifikasi speed-up robust feature dengan histogram of oriented gradients dimulai dengan pembentukan grid untuk menentukan lokasi pendeteksian interest point. Grid Step yang digunakan ialah 8, grid step ini berfungsi sebagai jarak antara pixel x (width) dan y (height).
Dimana untuk setiap x selanjutnya akan berjarak 8 pixel, pada ukuran citra 480 height dan 640 width akan menghasilkan grid x = 80 dan grid y = 60. Berikut adalah tabel koordinat gridX dan gridY;
39
Pada tabel 4.1 dan tabel 4.2 menampilkan koordinat gridX (1x80) dan gridY (1x60) yang akan digunakan dalam pendeteksian interest point pada citra. Sehingga menghasilkan koordinat deteksi interest point dengan ukuran matriks 4800x2, koordinat deteksi interest point ini diilustrasikan pada Gambar 4.1.
Gambar 4.6 Koordinat deteksi interest point
Kemudian dengan menggunakan koordinat deteksi pada gambar 4.6 akan dilakukan deteksi interest point menggunakan speed-up robust feature dengan menggunakan 3 skala pendeteksian pada citra yaitu skala 1.6, 3.2 dan 4.8. Gambar 4.2 adalah hasil pendeteksian interest point speed-up robust feature dengan menggunakan 3 skala pendeteksian pada citra 1.jpg.
Gambar 4.7 Hasil pendeteksian speed-up robust feature dengan menggunakan 3 skala
40
Setelah interest point di dapatkan, maka di ekstrak menggunakan hitogram of oriented gradients, yang menghasilkan ekstraksi seperti pada gambar 4.8 .
Gambar 4.8 Ekstraksi Histogram of Oriented Gradients
Dengan menerapkan modifikasi metode ini, maka di peroleh fitur 83x36 atau 2.988 fitur pada citra 1.jpg. Selanjutnya metode di uji dengan membentuk bag of visual words, dimana menghasilkan 41.987 fitur pada trainingSet1. Angka fitur ini tidak tetap, mengingat penentuan training set dan testing set dilakukan secara acak. Sehingga fitur yang ditemukan berbeda-beda pada tiap citra, hal ini juga dipengaruhi oleh objek yang berbeda pada citra dan tipe blur yang berbeda pada masing-masing citra.
4.2. Pengujian Dengan Variasi Skala Speed-Up Robust Feature
Pada Pengujian ini skala variasi speed-up robust feature akan di uji cobakan pada 3 model skala level, model pertama menggunakan 3 skala, model kedua dengan menggunakan 4 skala dan model terakhir menggunakan 5 skala. Berikut adalah hasil pengujian dari masing-masing skala.
41
Tabel 4.8 Pengujian klassifikasi pada trainingSet1 dengan menggunakan 3 skala deteksi Average Blur Citra non Blur Gaussian Blur Motion Blur
Average Blur 97 % 0% 3% 0%
Tabel 4.9 Pengujian klassifikasi pada testingSet1 dengan menggunakan 3 skala deteksi Average Blur Citra non Blur Gaussian Blur Motion Blur
Average Blur 44% 3% 46% 7%
Citra non Blur 0% 90% 2% 8%
Gaussian Blur 69% 0% 26% 5%
Motion Blur 13% 3% 2% 82%
Rata-rata Akurasi 60%
Tabel 4.10 Pengujian klassifikasi pada trainingSet1 dengan menggunakan 4 skala deteksi Average Blur Citra non Blur Gaussian Blur Motion Blur
Average Blur 100% 0% 0% 0%
Citra non Blur 0% 100% 0% 0%
Gaussian Blur 14% 0% 86% 0%
Motion Blur 0% 0% 0% 100%
Rata-rata Akurasi 97%
Tabel 4.11 Pengujian klassifikasi pada testingSet1 dengan menggunakan 4 skala deteksi Average Blur Citra non Blur Gaussian Blur Motion Blur
Average Blur 62% 0% 28% 10%
Citra non Blur 0% 95% 0% 5%
Gaussian Blur 69% 0% 18% 13%
Motion Blur 0% 2% 3% 95%
Rata-rata Akurasi 67%
42
Tabel 4.12 Pengujian klassifikasi pada trainingSet1 dengan menggunakan 5 skala deteksi Average Blur Citra non Blur Gaussian Blur Motion Blur
Average Blur 97% 0% 2% 1%
Citra non Blur 0% 100% 0% 0%
Gaussian Blur 5% 0% 95% 0%
Motion Blur 0% 0% 0% 100%
Rata-rata Akurasi 98%
Tabel 4.13 Pengujian klassifikasi pada testingSet1 dengan menggunakan 5 skala deteksi Average Blur Citra non Blur Gaussian Blur Motion Blur
Average Blur 56% 0% 31% 13%
Citra non Blur 0% 92% 0% 8%
Gaussian Blur 36% 0% 38% 26%
Motion Blur 3% 0% 5% 92%
Rata-rata Akurasi 70%
Tabel 4.8 menunjukkan klasifikasi dengan akurasi yang cukup tinggi yaitu 98%, namun pada tabel 4.9 menunjukkan akurasi klasifikasi yang rendah yaitu 60%. Hal ini menunjukkan diperlukan pengujian lebih lanjut terhadap skala yang digunakan pada pendeteksian interest point. Dimana pendeteksian pola blur pada citra kurang dikenali dengan menggunakan hanya 3 skala pendeteksian interest point. Hal ini juga ditunjukkan pada bag of feature yang terbentuk, dimana bag of feature yang dihasilkan memiliki rentang index word yang jauh. Gambar 4.9 adalah gambar bag of feature yang dibentuk.
43
Gambar 4.9 Bag of Visual Word yang dibentuk
Pada pengujian yang telah dilakukan pada tabel 4.11 ditemukan peningkatan akurasi klasifikasi citra blur sebesar 7% dari sebelumnya yaitu pada tabel 4.9. Dimana pada tabel 4.11 menggunakan 4 skala deteksi dan pada tabel 4.9 menggunakan 3 skala deteksi.
Sedangkan pada tabel 4.13 ditemukan peningkatan akurasi klasifikasi citra blur sebesar 3
% dari sebelumnya yaitu pada tabel 4.11. Dimana pada tabel 4.13 menggunakan 5 skala deteksi dan pada tabel 4.11 menggunakan 4 skala deteksi. Untuk itu diperlukan pengujian lebih lanjut dengan melakukan 10 kali pengujian terhadap 3, 4 dan 5 skala pendeteksian pada metode speed-up robust feature sebelum dimodifikasi dengan metode speed-up robust feature setelah dimodifikasi. Hal ini berfungsi untuk menemukan akurasi yang konsisten terhadap klasifikasi citra blur sebelum dan sesudah modifikasi, mengingat penentuan trainingSet dan testingSet dilakukan secara acak. Selain itu pengujian akan dilakukan dengan mengubah nilai K pada clustering k-means. Hal ini dikarenakan bag of visul words yang dihasilkan pada pengujian pada tabel 4.10, tabel 4.11, tabel 4.12 dan tabel 4.13 tidak mencapai 500 index, seperti terlihat pada gambar 4.9. Untuk itu akan dilakukan pengurangan nilai K menjadi 200. Berikut adalah hasil pengujiannya :
44
Tabel 4.14 Percobaan 1 Menggunakan 3 Skala Pendeteksian Interest Point
Pada percobaan 1 menggunakan 3 skala pendeteksian interest point pada testingSet1 sebelum dimodifikasi speed-up robust feature, menghasilkan nilai akurasi average blur sebesar 33%, citra non blur sebesar 74 %, gaussian blur sebesar 18 %, motion blur sebesar 77 % dengan rata-rata akurasi sebesar 51 %, seperti terlihat pada tabel 4.9. Selain itu terjadi banyak miss classification, seperti klasifikasi average blur yang diklasifikasikan ke dalam citra non blur sebesar 15 %, yang diklasifikasikan ke dalam gaussian blur sebesar 21 %, dan diklasifikasikan ke dalam motion blur sebesar 31 %. Sedangkan pengujian pada testingSet1 menggunakan speed-up robust feature yang telah dimodifikasi mengalami peningkatan nilai akurasi average blur sebesar 44 %. Namun masih terjadi miss classification terhadap 3 kelas lainnya, untuk itu akan dilakukan 10 kali pengujian menggunakan speed-up robust feature yang belum dimodifikasi dengan speed-up robust feature yang telah dimodifikasi, untuk mendapatkan nilai akurasi yang konsisten. Hasil pengujiannya ditunjukkan pada tabel 4.15 dan tabel 4.16.
Percobaan 1 Menggunakan 3 Skala Pendeteksian Interest Point testingSet1 (sebelum modifikasi speed-up robust feature)
Average Blur Citra Non Blur Gaussian Blur Motion Blur
testingSet1 (setelah modifikasi speed-up robust feature )
Average blur Citra Non Blur Gaussian Blur Motion Blur
45
Tabel 4.15 Hasil Keseluruhan 10 Kali Pengujian Pada testingSet1 Sebelum di Modifikasi Testing Skala yang digunakan
3 Skala 4 Skala 5 Skala
Tabel 4.16 Hasil Keseluruhan 10 Kali Pengujian Pada testingSet1 Setelah di Modifikasi Testing Skala yang digunakan
3 Skala 4 Skala 5 Skala
Rata-rata Akurasi 64.50% 70.80% 72.30%
Setelah dilakukan 10 kali pengujian pada testingSet1 menggunakan speed-up robust feature yang belum dimodifikasi dengan speed-up robust feature yang telah dimodifikasi, didapatkan peningkatan nilai akurasi pada speed-up robust feature yang telah dimodifikasi.
46
Gambar 4.10 Hasil Klasifikasi Citra Blur Sebelum Modifikasi
Gambar 4.11 Hasil Klasifikasi Citra Blur Setelah Modifikasi
Dimana rata-rata akurasi tertinggi menggunakan 3 skala pendeteksian interest point menggunakan speed-up robust feature yang telah dimodifikasi sebesar 64.5 %, sedangkan nilai akurasi tertinggi mengggunakan speed-up robust feature yang belum dimodifikasi sebesar 51.0 % . Rata-rata akurasi tertinggi menggunakan 4 skala pendeteksian interest point menggunakan speed-up robust feature yang telah dimodifikasi sebesar 70.8 %,
51% 50%
Skala yang digunakan 3 Skala Skala yang digunakan 4 Skala Skala yang digunakan 5 Skala Skala yang digunakan 3 Skala Skala yang digunakan 4 Skala
Skala yang digunakan 5 Skala
47
sedangkan nilai akurasi tertinggi mengggunakan speed-up robust feature yang belum dimodifikasi sebesar 49.1 % . Dan rata-rata akurasi tertinggi menggunakan 5 skala pendeteksian interest point menggunakan speed-up robust feature yang telah dimodifikasi sebesar 72.3 %, sedangkan nilai akurasi tertinggi mengggunakan speed-up robust feature yang belum dimodifikasi sebesar 49.6 %. Grafik klasifikasi citra blur sebelum modifikasi dan sesudah dimodifikasi dapat dilihat pada Gambar 4.10 dan Gambar 4.11.
Setelah dilakukan 10 kali pengujian pada 3 skala yang berbeda yaitu skala 3, 4 dan 5 pendeteksian interest point, maka ditemukan rata-rata akurasi tertinggi klasifikasi citra blur sebesar 72,3% dengan menggunakan 5 skala pendeteksian seperti yang ditunjukkan pada tabel 4.16.
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)