Temu Kembali Citra dengan Weighted Standard Deviation (WSD) Descriptor

(1)

TEMU KEMBALI CITRA DENGAN

WEIGHTED STANDARD DEVIATION

(WSD)

DESCRIPTOR

YUYUN SARIMA ULFA HARAHAP

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(2)

TEMU KEMBALI CITRA DENGAN

(WSD)

DESCRIPTOR

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer pada

Departemen Ilmu Komputer

(3)

ABSTRAK

YUYUN SARIMA ULFA HARAHAP. Temu Kembali Citra dengan Weighted Standard Deviation

(WSD) Descriptor. Dibimbing oleh JULIO ADISANTOSO dan FIRMAN ARDIANSYAH.

Berbagai metode dikembangkan untuk menghasilkan suatu sistem temu kembali citra yang efektif dan efisien. Salah satu metode yang populer adalah dengan menggunakan wavelet untuk mengekstrak

citra. Dalam penelitian ini, Haar wavelet digunakan untuk mengekstrak citra menjadi suatu feature

vector. Sebelum diekstrak, citra dengan ruang warna RGB terlebih dahulu dikonversi ke dalam

bentuk ruang warna YCrCb. Hasil dari pengekstraksian berupa vektor berdimensi 33.

Evaluasi hasil temu kembali menggunakan rataan precision untuk tiap tingkat recall. Digunakan

sepuluh buah input kueri citra untuk pengujian sistem. Pada perhitungan nilai recall-precision, nilai

ambang batas yang diambil adalah 75, 150, dan 225. Pada nilai ambang 75, citra relevan yang terambil berkisar 50% dari seluruh citra relevan dalam basis data. Pada nilai ambang 150, citra relevan yang terambil berkisar 68% dari seluruh citra relevan dalam basis data. Di lain pihak, citra relevan yang terambil berkisar 85% pada nilai ambang batas 225.

(4)

RIWAYAT HIDUP

Penulis dilahirkan di Kuala Simpang pada tanggal 30 Oktober 1982 dari ayah M. Rahim Harahap dan ibu Ratna Dewi Siregar. Penulis merupakan putri ke tiga dari empat bersaudara. Tahun 2000 penulis lulus dari SMU Negeri 1 Padang Sidempuan dan pada tahun yang sama lulus seleksi masuk IPB melalui jalur Seleksi Penerimaan Mahasiswa Baru IPB. Penulis memilih Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.

(5)

PRAKATA

Alhamdulillahirabbil ‘alamin, puji syukurpenulis panjatkan kepada Allah Subhanahu wa ta’ala

atas segala curahan rahmat dan karunia-Nya, sehingga skripsi dengan judul Temu Kembali Citra

dengan Weighted Standard Deviation (WSD) Descriptor dapat diselesaikan. Shalawat serta salam

juga penulis sampaikan kepada junjungan kita Nabi Muhammad Shallalahu ‘alaihi wasallam beserta

seluruh sahabat dan umatnya hingga akhir zaman.

Penulis mengucapkan terima kasih kepada Bapak Ir. Julio Adisantoso, M.Kom. dan Bapak Firman Ardiansyah, S.Kom., M.Si. selaku pembimbing I dan pembimbing II yang telah banyak memberi saran, masukan dan ide-ide kepada penulis serta kebersamaannya yang tidak bisa terlupakan. Penulis juga mengucapkan terima kasih kepada Ibu Dr. Ir. Sri Nurdiati, M.Sc. selaku penguji yang telah memberi saran dan masukan. Selanjutnya, penulis ingin mengucapkan terima kasih kepada:

1 Emak dengan kesabaran, keikhlasan dan pengorbanannya

2 Mas Widhy yang senantiasa mendorong untuk menyelesaikan skripsi dengan menemani penulis

hingga larut malam.

3 Abang, kakak, serta adik tercinta yang selalu memberikan semangat dan kasih sayang kepada

penulis.

4 Dini, TB, Yudi, Restu, Adit sebagai teman seperjuangan yang terus menyemangati dan

memberikan dorongan hingga skripsi ini selesai.

5 Mushtofa, Gofo, Arief, TB yang telah bersedia meluangkan waktunya untuk membantu penulis

mengerjakan skripsi ini.

6 Ilkomerz 37 atas persahabatan yang indah dan tidak pernah putus.

7 Aling dan Pak Agus yang telah menyediakan tempat menginap untuk penulis selama penulis

mengerjakan skripsi.

8 Penghuni kosan C-22 yang ramah dan baik.

9 Departemen Ilmu Komputer, dosen dan staf yang telah banyak membantu penulis pada masa

perkuliahan dan penelitian.

10 Semua pihak yang tidak bisa disebutkan satu persatu yang telah membantu penulis dalam

menyelesaikan skripsi ini.

Penulis menyadari bahwa masih banyak kekurangan dalam penelitian ini. Oleh karena itu, kritik dan saran sangat penulis harapkan untuk perbaikan di masa mendatang. Penulis berharap hasil dari penelitian ini dapat bermanfaat dan dapat menjadi acuan bagi penelitian berikutnya.

Bogor, Agustus 2007

(6)

DAFTAR ISI

Halaman

DAFTAR ISI ... v

DAFTAR TABEL ... vi

DAFTAR GAMBAR ... vi

DAFTAR LAMPIRAN... vi

PENDAHULUAN ... 1

Latar Belakang ... 1

Ruang Lingkup dan Batasan... 1

Tujuan Penelitian... 1

TINJAUAN PUSTAKA ... 1

Representasi Citra Digital ... 1

Ruang Warna ... 2

Weigthed Standard Deviation (WSD) Descriptor... Wavelet... 2

Haar Wavelet... 3

Tranformasi Wavelet... 3

Transformasi Satu-Dimensi Haar Wavelet... 3

Transformasi Dua-Dimensi Haar Wavelet... 4

Jarak Euclidean ... 4

Efektifitas Temu Kembali ... 4

METODE PENELITIAN ... 4

Proses Temu Kembali Citra... 4

Pengolahan Citra Digital ... 5

Pencocokan Citra (Image Matching) ... 6

Spesifikasi Perangkat Keras dan Lunak ... 6

HASIL DAN PEMBAHASAN... 7

Ekstraksi Feature Vector... 7

Temu Kembali Citra ... 7

Recall-Precision... 8

KESIMPULAN DAN SARAN... 10

Kesimpulan... 10

Saran... 10

(7)

DAFTAR TABEL

Halaman

1 Contoh hasil ekstraksi pada kelompok citra pertama ... 7

2 Nilai recall-precision pada nilai ambang batas 75, 150, dan 225 ... 10

DAFTAR GAMBAR Halaman 1 Representasi citra berukuran mxn. ... 1

2 Wave dan Wavelet... 2

3 Haarscalingfunction dan Haarwavelet dekomposisi dari V1... 3

4 Wavelet tree dua dimensi pada dua tingkat pemfilteran... 3

5 Dekomposisi standar wavelet suatu citra... 4

6 Dekomposisi nonstandar wavelet suatu citra... 4

7 Alur sistem temu kembali citra.. ... 4

8 Tahapan perubahan citra dari ruang warna RGB menjadi YcrCb pada citra 72.BMP. ... 6

9 Contoh hasil temu kembali terhadap citra kueri 1.BMP ... 8

10 Contoh hasil temu kembali terhadap citra kueri 41.BMP ... 8

11 Grafik recall-precision pada nilai ambang batas 75... 9

DAFTAR LAMPIRAN Halaman 1 Citra yang digunakan dalam basis data ... 12

2 Citra yang menjadi kueri ... 14

3 Jarak antara feature vector kueri citra dengan feature vector citra dalam basis data ... 15

4 Hasil temu kembali pada nilai ambang batas 75 ... 17

5 Hasil temu kembali pada nilai ambang batas150 ... 18

(8)

1

PENDAHULUAN

Latar Belakang

Saat ini pencitraan telah menjadi bagian yang tak terpisahkan dari manusia. Berbagai bidang ilmu membutuhkan citra sebagai referensi ataupun data untuk menganalisa. Misalnya, dalam dunia kedokteran informasi citra hasil X-ray dibutuhkan untuk analisa penyakit, atau

dalam dunia meteorologi para pakarnya

menggunakan informasi citra satelit untuk menganalisa cuaca. Tentu saja, citra-citra yang diperoleh saat ini lebih banyak disimpan dalam suatu basis data dengan format digital untuk digunakan lagi di waktu mendatang. Pencarian citra dalam basis data inilah yang kemudian menjadi isu bagi para peneliti di lingkungan informasi teknologi, bagaimana agar informasi yang dicari dalam basis data dapat dicari dengan cepat dan hasil yang akurat.

Dulu, sistem yang banyak digunakan untuk pencarian citra adalah dengan berbasis teks. Pada pencarian citra berbasis teks ini, input citra dan penggambaran citra dalam basis data berbentuk teks. Sehingga proses pendataan citra dalam basis data akan memakan waktu yang lama. Selain itu untuk penggambaran kandungan suatu citra oleh setiap individu berbeda. Hal ini mengakibatkan sulit untuk mengidentifikasi suatu citra dalam basis data. Kendala-kendala ini mendorong untuk ditemukannya suatu metode baru yang lebih efektif dan efisien dalam pencarian citra.

Kemudian, sistem temu kembali citra

berbasis kandungan (Content Based Image

Retrieval) mulai menarik perhatian. Dengan

sistem temu kembali citra berbasis kandungan,

properti citra seperti warna (color), tekstur

(texture), dan bentuk (shape) digunakan untuk

pencarian citra dalam basis data. Untuk mempermudah pencarian, properti-properti citra ini diekstrak ke dalam fitur pada level rendah

(low-level feature).

Untuk mengekstraksi citra, berbagai metode dikembangkan agar sistem temu kembali yang dibuat efektif dan efisien. Pada penelitian ini

digunakan Haar wavelet untuk mengekstrak

tekstur dan warna citra sehingga didapatkan

feature vector-nya. Feature vector ini kemudian

akan disimpan dalam basis data untuk digunakan

dalam proses pencarian. Penggunaan wavelet

dalam penelitian ini karena wavelet mampu

menangkap properti-properti citra sekaligus,

sehingga diharapkan waktu yang dihabiskan dalam satu kali proses pencarian relatif tidak memakan waktu yang lama. Di lain pihak,

wavelet yang digunakan dalam penelitian ini

adalah Haar wavelet karena wavelet ini paling

sederhana dan mudah diimplementasikan.

Ruang Lingkup dan Batasan

Wavelet yang digunakan pada penelitian ini

adalah Haar wavelet, dengan menggunakan

dekomposisi standar sampai pada level tiga.

Weighted Standard Deviation (WSD)

Descriptor mengolah kandungan citra hanya

pada tekstur dan warna.

Tujuan Penelitian

Tujuan dilakukan penelitian ini untuk

mengukur kinerja algoritma Weighted Standard

Deviation (WSD) Descriptor dari segi

keakuratan yang dihasilkan dalam proses pencarian citra dalam basis data. Algoritma

WSD Descriptor menggunakan Haar wavelet

untuk mendapatkan feature vector.

TINJAUAN PUSTAKA

Representasi Citra Digital

Citra digital adalah sebuah fungsi intensitas cahaya f(x, y) dengan x dan y menunjukkan koordinat spasial dan nilai f pada setiap titik (x,y) menunjukkan kecerahan citra pada titik tersebut (Gonzales & Woods 2002).

Citra digital dapat ditampilkan dalam bentuk matriks berukuran mxn dengan m menunjukkan banyaknya sel dalam baris dan n menunjukkan banyaknya sel dalam kolom (Gambar 1). Tiap sel

matrik atau disebut picture element (disingkat

pixel) menyimpan nilai intensitas warna dari

koordinat spasial tersebut. Jadi citra digital dapat dinyatakan dalam matrik MxN sel.

Gambar 1 Representasi citra berukuran mxn.

Representasi citra digital ada dua jenis yaitu

citra skala-keabuan (grayscale) dengan format

8-bit dan citra berwarna dengan format 24-bit.

Untuk citra dengan modus skala 8-bit, setiap titik

direpresentasikan dengan fungsi f(x,y) yang

mempunyai 256 intensitas kecerahan (28 = 256).

Nilai ini berkisar antar 0 hingga 255 dengan nilai 0 menunjukkan intensitas paling gelap (hitam)

f(x1,y1) ... f(xm,y1)

. . .

f(x1,yn) ... f(xm,yn) x

(9)

} , 2 1 , 2 1 , 2 1 , 2 1 ,..., 2 1 , 2 1 , 2 1 , , , { 1 1 1 1 2 2 2 1 1 1 a A L HH L L HL L L LH L L HH HL LH HH HL LH µ σ σ σ σ σ σ σ σ σ σ − − − −

dan nilai 255 menyatakan intensitas paling terang (putih).

Ruang Warna

Ruang warna, atau disebut juga model warna, berguna memberikan spesifikasi warna dalam bentuk standar yang dapat diterima secara umum. Ruang warna merupakan spesifikasi dari koordinat 3-D yang satu bagian di dalamnya memiliki satu nilai tunggal untuk mewakili tiap warna (Gonzales & Woods 2002). Ruang warna yang banyak digunakan antara lain RGB dan YcrCb.

Ruang warna RGB (red, green, blue)

menggunakan sistem koordinat kartesian yang membentuk suatu kubus. Untuk membuat suatu warna digunakan kontribusi dari tiga sumbu utama tersebut. Diagonal utama dalam kubus menunjukkan tingkat keabuan.

Ruang warna YCrCb pada umumnya digunakan untuk video digital. Pada format ruang warna ini, tingkat keabu-abuan disimpan dalam Y. Cr merujuk kepada perbedaan antara komponen warna merah dengan suatu nilai referensi. Di lain pihak Cb merujuk kepada perbedaan antara komponen warna biru dengan suatu nilai referensi.

Weigthed Standard Deviation (WSD)

Descriptor

WSD adalah suatu teknik untuk

mengesktrak citra menjadi suatu deskriptor. Dengan WSD, dua buah informasi basis citra, yaitu tekstur dan warna, dapat ditransformasi sekaligus.

Tujuan dari proses ekstraksi adalah untuk

menemukan korelasi antar piksel, atau

memadatkan sebanyak mungkin informasi ke dalam sejumlah kecil koefisien hasil ekstraksi.

Dengan WSD Descriptor memungkinkan

sebagian besar informasi citra termuat dalam

sedikit koefisien, sehingga proses-proses

selanjutnya yang berkenaan dengan citra dapat lebih cepat.

Proses ekstraksi citra dengan WSD

Descriptor menggunakan transformasi wavelet.

Transformasi wavelet sebagai alat untuk

menganalisis sinyal mempunyai keuntungan dalam hal ortogonalitas dan kemampuan yang

tajam untuk mendekomposisi sinyal-sinyal

multiresolusi, seperti citra.

Jika f adalah suatu suatu vektor, maka WSD

Descriptor didefinisikan sebagai berikut.

f =

Dengan σi

MM

adalah standar deviasi pada citra detil MM (yaitu HL, LH, dan HH) pada

dekomposisi level ke-i. σAadalah standar deviasi

pada citra aproksimasi, dan µA

adalah rataan

pada citra aproksimasi.

Standar deviasi pada setiap citra detil memberikan suatu perkiraan detil jumlah dalam setiap detil citra. Rataan pada citra aproksimasi memberikan intensitas informasi tentang citra. Untuk suatu dekomposisi level-L, panjang vektor adalah 3L+2.

Wavelet

Wavelet adalah suatu teknik matematika

yang bermanfaat untuk analisis numerik dan manipulasi dari 1 atau 2 dimensi sinyal.

Transformasinya beroperasi seperti suatu

mikroskop untuk menguji detail partisi sinyal ke dalam komponen frekuensi yang berbeda, lalu memetakan ke koefisien yang memiliki energi

yang berbeda (Jones et al. 1999).

Jadi inti dari analisis wavalet adalah

bagaimana mendekomposisi signal f ke dalam

basis fungsi ψi di mana i merupakan tingkat

dekomposisi. Hal ini dapat dirumuskan dalam bentuk yang sederhana :

∑

= i i i a

f ψ ₍₁₎

Dengan kata lain, wavelet merupakan suatu

cara bagaimana mendapatkan representasi yang

efisien dari signal f dalam bentuk koefisien a_i,

sehingga perlu menentukan fungsi ψi yang cocok

dengan data yang ingin direpresentasikan (Roose 1999).

Gambar 2 Wave dan Wavelet.

Wavelet berbeda dengan wave, wave

merupakan fungsi osilasi dari ruang atau waktu

contohnya wave sinus. Wave mempunyai

amplitudo tetap dengan interval -∞≤t≤∞. Di

lain pihak wavelet disebut juga “wave kecil”

yang memiliki energi berhingga dan terlokalisasi di sekitar sebuah titik, di mana fungsinya

mempunyai nilai rata-rata sama dengan 0.

∫ψ(t)dt=0_(Burrus_{et al}_{. 1998). Contoh seperti}

terlihat pada Gambar 2.

(10)

3

Haar Wavelet

Misalkan setiap satu dimensi citra dengan 2j

merupakan satu elemen atau vektor dalam Vj.

Maka, karena vektor merupakan satu unit

interval, maka setiap vektor dalam Vj merupakan

bagian dari Vj+1. Dengan demikian Vj dapat

didefinisikan sebagai berikut.

.... 2 1 0 ⊂ ⊂

⊂V V

V

Maka, untuk setiap ruang vektor Vj_{, fungsi}

basis atau scalingfunction didefinisikan sebagai

berikut.

( )

x (2jx i), j

i =ϕ −

ϕ _i_{= 0,…,2}j

-1 dimana selainnya 1 0 0 1 )

( < <

   = x x ϕ

Sedangkan pada Haar wavelet function

), 2 ( )

(x jx i

j

i =ψ −

ψ _i_{= 0,…,2}j

-1 dimana      < < < < − = selainnya 1 x 0,5 0,5 x 0 0 1 1 ) (x ψ

Dengan demikian, waveform dapat dibentuk dari

Haar wavelet pada skala j, di mana Vj

direntangkan seperti pada Gambar 3.

Gambar 3 Haar scaling function dan Haar

wavelet dekomposisi dari V1.

Transformasi Wavelet

Tranformasi wavelet adalah suatu proses

dekomposisi dalam pemfilteran. Pada

pengolahan sinyal digital, pemfilteran dari

sejumlah bilangan (input sinyal) dapat dicapai

dengan menggulung barisan bilangan tersebut dengan himpunan bilangan lain, yang disebut

koefisien filter (Burrus et al. 1998).

Koefisien filter merupakan nilai dari wavelet

yang digunakan. Proses pemfilteran dibagi dua,

yaitu low-pass dan high-pass. Low-pass

digunakan pada low-frequency berupa koefisien

scaling, sedangkan high-pass pada

high-frequency berupa koefisien wavelet (detail

coefficent).

Tranformasi wavelet melakukan proses

splitting pada low-frequency atau aproksimasi

seperti pada Gambar 4.

Gambar 4 Wavelet tree dua dimensi pada dua

tingkat pemfilteran.

Transformasi wavelet melakukan

dekomposisi dan membentuk tree seperti

Gambar 4 untuk merepresentasi sample S.

Representasi sample S seperti yang dicetak tebal

yaitu sample S = AA2 + LH2 + HL2 + HH2 + LH1

+ HL1+ HH1. Transformasi wavelet dapat

dilakukan pada matriks berdimensi satu dan berdimensi dua.

Transformasi Satu-Dimensi Haar Wavelet

Haar wavelet merupakan basis wavelet yang

paling sederhana, sangat mudah untuk

dimengerti dan diimplementasikan. Untuk

melihat bagaimana cara kerja Haar wavelet,

berikut adalah sebuah contoh sederhana. Misalkan diberikan sebuah satu dimensi citra

dengan resolusi 8 pixel, dengan nilai sebagai

berikut.

[2, 2, 0, 2, 3, 5, 4, 4]

Dimulai dengan merata-ratakan setiap

pixelnya, diperoleh sebuah sekuen yang baru

yaitu [2, 1, 4, 4]. Namun, karena proses perataan, maka ada informasi yang hilang. Untuk

memulihkan nilai yang asli (original), dilakukan

penyimpanan terhadap koefisien detilnya (detail

coefficients), yang menampung informasi yang

hilang.

Koefisien detil yang pertama adalah 0, diperoleh dengan mengurangkan 2 – 2 = 0. Selanjutnya, 0 – 1 = -1, 3 – 4 = -1, dan terakhir, 4 – 4 = 0. Proses ini dilakukan secara rekursif,

sampai resolusi citra tinggal satu pixel. Di bawah

S

(2,0) (2,1) (2,2) (2,3)

(1,0) (1,1) (1,2) (1,3)

( 0,0 )

A1 LH HL1

AA2 LH2 HL2 HH2

HH1

V1 = V0⊕ W0

V1

ϕ(2t-k)

W0

ψ(t - k

)

j = 0

j = 1

(11)

ini, tabel proses perataan dan pengurangan terhadap citra satu dimensi di atas.

Reso-lusi Perataan

Koefisien Detil

8 [2, 2, 0, 2,3,5,4,4] ---

4 [2, 1, 4, 4] [0, -1, -1, 0]

2 [1.5, 4] [0.5, 0]

1 [2.75] [-1.25]

Untuk satu dimensi basis Haar,

transformasi wavelet dari 8-pixel citra di atas

adalah [2.75, -1.25, 0.5, 0, 0, -1, -1, 0].

Transformasi Dua-Dimensi Haar Wavelet

Terdapat dua cara dalam menggunakan

wavelets untuk menransformasikan nilai-nilai

pixel dalam sebuah citra. Cara pertama disebut

dekomposisi standar (standard-decomposition).

Untuk menentukan dekomposisi standar dari suatu citra, hal yang pertama dilakukan adalah

menransformasikan seluruh nilai pixel setiap

baris pada satu buah matriks citra. Tentu saja transformasi yang digunakan adalah transformasi

Satu-Dimensi Haar wavelet karena dalam satu

baris matriks diasumsikan adalah matriks satu

dimensi. Kemudian transformasi 1D Haar

wavelet dilakukan terhadap seluruh nilai pixel

setiap kolom matriks citra. Gambar 5

mengilustrasikan dekomposisi standar wavelet.

Gambar 5 Dekomposisi standar wavelet suatu

citra.

Cara yang kedua adalah dekomposisi

nonstandar (nonstandard decomposition). Pada

cara kedua ini, transformasi satu dimensi Haar

wavelet dilakukan secara bergantian dalam setiap

dimensi. Proses ini secara rekursif terus dilakukan sampai pada level terendah dicapai.

Gambar 6 Dekomposisi nonstandar wavelet

suatu citra.

Jarak Euclidean

Misalkan D(I, J) adalah jarak kesamaan

antara kueri citra I dengan citra dalam basis data

J; dan fi(I) adalah jumlah pixel, maka jarak

Euclidian didefinisikan sebagai:

(2)

Efektifitas Temu Kembali

Untuk mengevaluasi kinerja suatu sistem

temu kembali, digunakan ukuran Recall dan

Precision.

Recall menyatakan proporsi citra yang

relevan dalam basis data yang terambil sebagai respon dari suatu kueri.

basisdata dalam relevan citra Jumlah

terambil yang relevan citra Jumlah

Recall= (3)

Precision menyatakan proporsi dari citra

yang terambil yang relevan terhadap kueri.

terambil yang citra seluruh Jumlah

terambil yang relevan citra Jumlah

Precision = (4)

METODE PENELITIAN

Proses Temu Kembali Citra

Gambar 3 menunjukkan bagaimana alur temu kembali citra dibuat. Dalam alur terdapat dua buah masukan, yakni input data dan input kueri. Input data merupakan proses ekstraksi

citra menjadi feature vector dari sejumlah citra

(12)

5 } , 2 1 , 2 1 , 2 1 , 2 1 ,..., 2 1 , 2 1 , 2 1 , , , { 1 1 1 1 2 2 2 1 1 1 a A L HH L L HL L L LH L L HH HL LH HH HL LH µ σ σ σ σ σ σ σ σ σ σ − − − −

Di lain pihak, input kueri merupakan suatu proses di mana pengguna memasukkan kueri dengan memberikan sebuah contoh citra yang kemudian akan dibandingkan di dalam sistem

(search by example). Citra yang dimasukkan ke

dalam sistem sebagai kueri dapat dilihat pada Lampiran 2.

Garis putus-putus pada Gambar 3

menunjukkan data yang masuk akan diekstrak

dengan algoritma WSD Descriptor kemudian

disimpan dalam basis data. Sedangkan garis tegas menunjukkan proses yang tidak masuk ke dalam basis data.

Gambar 3 Alur sistem temu kembali citra

Proses image matching merupakan proses

untuk menemukembalikan citra dalam basis data yang diharapkan relevan dengan kueri citra. Pada tahapan ini dilakukan penghitungan jarak

kesamaan antara dua buah feature vector.

Setelah didapatkan jarak antara dua buah feature

vector, dilakukan pe-ranking-an terhadap hasil

penghitungan jarak. Jarak yang terpendek merupakan citra basis data yang paling relevan dengan kueri citra.

Ekstraksi Citra dengan Weighted Standard Deviation (WSD) Descriptor

Langkah-langkah pengekstraksian weighted

standard deviation feature vector dari suatu citra

abu-abu adalah sebagai berikut.

1 Translasi citra abu-abu ke dalam level-L

dekomposisi wavelet diskret. Dalam hal ini

digunakan Haarwavelet.

2 Pada setiap level ke-i (i=1, 2, ..., L) terdapat

tiga buah citra detil (HL, LH, dan HH).

Terdapat sebuah citra aproksimasi

tambahan pada level ke-L. Hitung standar deviasi untuk seluruh citra. Hitung juga rataan citra aproksimasi.

3 Weighted standard deviation feature vector

f =

Dengan σiMM adalah standar deviasi pada

citra detil MM (yaitu HL, LH, dan HH) pada

dekomposisi level ke-i. σA adalah standar

deviasi pada citra aproksimasi, dan µA

adalah rataan pada citra aproksimasi.

Pengolahan Citra Digital

Citra digital yang ada dalam koleksi berjumlah seratus. Citra terdiri dari sepuluh kelompok besar yang setiap kelompok diambil dari adegan film Babel, film Kabul Express, Mr. Bean’s Holiday dan beberapa diambil dari Internet. Koleksi citra digital yang diperoleh seluruhnya disimpan dalam format BMP dengan ukuran antara 128 x 128 piksel sampai dengan 256 x 256 piksel. Citra digital ini akan diubah menjadi bentuk vektor dengan menggunakan

algoritma WSD Descriptor, kemudian disimpan

dalam basis data.

Kelompok citra pertama, kedua, dan ketiga merupakan sekuens dari adegan film Babel. Kelompok pertama adalah kelompok sepuluh buah citra di mana seorang wanita yang sedang berbicara dengan latar belakang sebuah hutan stepa. Warna hijau mendominasi latar.

Kelompok kedua adalah sepuluh buah citra sekuens di mana citra menunjukkan adegan

seorang pria yang disorot close up sedang

berjalan di tengah gurun pasir saat senja. Warna kuning keemasan mendominasi kelompok citra ini.

Kelompok ketiga adalah enam buah citra yang menggambarkan seorang anak sedang menembak. Empat adalah sekuens dari satu adegan, sedangkan dua lainnya sekuens dari adegan yang lain. Pengambilan citra dari dua adegan yang berbeda dalam satu kelompok karena. meski dari adegan yang berbeda

kelompok citra ini menunjukkan warna adegan

Image Matching

Interface

Input Data Input Kueri Visualisasi

Ekstraksi feature vector dengan menggunakan algoritma

Weighted Standard Deviation Descriptor (WSD)

Ranking

Hitung Kesamaaan

Basis data Citra

Citra

(13)

yang sama dan penunjukan latar yang sama yaitu suasana gurun pada siang hari.

Kelompok citra yang keempat adalah kelompok bunga Lily Putih yang diambil dari Internet. Dalam kelompok ini citra berjumlah

empat belas. Beberapa citra mengalami

perlakuan rotasi dan penskalaan dengan

menggunakan perangkat lunak Adobe Photoshop CS 2.

Yang kelima merupakan kelompok sepuluh buah bunga Aster yang masing-masing citra

adalah hasil dari perlakuan adjusting color

dengan menggunakan perangkat lunak Adobe

Photoshop CS2. Beberapa channel warna seperti

magenta, yellow, green, dan dark ditambahkan

dan dikurangi pada citra original. Penambahan

dan pengurangan channel warna dilakukan

sampai diperoleh sepuluh citra dengan variasi warna yang berbeda.

Kelompok keenam dan ketujuh merupakan

clipartshape yang diambil dari perangkat lunak.

Kelompok keenam terdiri dari sepuluh citra yang diambil dari kumpulan bentuk pada perangkat

lunak Corel Draw 11. Kelompok ketujuh terdiri

dari sepuluh buah citra shape yang diambil dari

perangkat lunak Corel Draw X3. Hanya ada dua

buah warna yang terdapat dalam kedua kelompok citra ini, yaitu hitam dan putih.

Pengambilan citra clipart ini untuk mengetahui

sejauh mana sistem dapat menangkap tekstur dari suatu citra.

Kelompok kedelapan merupakan sepuluh buah citra yang diambil dari sekuens film Mr.Bean’s Holiday. Adegan yang diambil merupakan adegan pembuka pada film Mr. Bean’s Holiday. Objek yang diambil adalah logo perusahaan yang memproduksi film Mr. Bean’s Holiday. Dari sepuluh citra, terlihat perubahan warna dan bentuk objek citra. Perubahan warna yang terjadi pada objek utama citra dari warna keemasan menjadi warna biru. Perubahan bentuk juga terjadi pada objek utama citra, dari bentuk elips polos menjadi elips dengan garis yang melingkar.

Kelompok citra yang kesembilan adalah sepuluh buah citra helikopter yang diambil dari salah satu adegan film Kabul Express. Adegan ini menggambarkan runtutan adegan helikopter yang mendarat di sebuah gurun pada siang hari.

Dengan demikian, warna biru cerah

mendominasi sepuluh buah citra pada kelompok ini.

Kelompok yang terakhir adalah kelompok sepuluh buah citra dari salah satu adegan Mr.

Bean’s Holiday. Warna kuning yang

mendominasi pada kelompok citra ini merupakan warna dari kebun bunga yang menjadi latar adegan film.

Kesleruhan citra yang digunakan dalam basis data dapat dilihat pada Lampiran 1.

Pencocokan Citra (Image Matching)

Setelah citra diekstraksi, kemudian hasil ekstraksi disimpan dalam basis data. Pada saat input dimasukkan ke dalam sistem, maka

dilakukan penghitungan jarak antara feature

vector citra yang dikuerikan dengan feature

vector citra yang berada dalam basis data.

Penghitungan jarak antara dua buah citra menggunakan jarak euclidean yang dirumuskan seperti pada persamaan (1).

Setelah jarak dua buah citra didapat, maka jarak antara kueri citra dengan citra dalam basis data diurutkan dari yang terkecil hingga yang terbesar. Semakin kecil jarak antara dua buah citra, maka semakin besar kerelevansiannya.

Spesifikasi Perangkat Keras dan Lunak

Sistem ini dikembangkan dan

diimplementasikan dengan menggunakan

perangkat keras dan perangkat lunak sebagai berikut :

1 Perangkat Keras :

• Prosesor Intel Pentium 3 GHz

• Memori 512 MB

• Hard disk kapasitas100 GB

2 Perangkat Lunak :

• Ms. Windows XP sebagai sistem

operasi.

• Matlab 6.5.0 untuk pemrograman

• Adobe Photoshop CS 2 untuk

memanipulasi citra

• Cyberlink Power DVD 6 untuk

pengambilan sekuens citra (capturing)

pada film.

Matlab digunakan sebagai lingkungan

pemrograman untuk penelitian ini karena Matlab dilengkapi fungsi-fungsi yang dibutuhkan untuk mengimplementasikan metode pada penelitian ini. Fungsi-fungsi Matlab yang penting dalam penelitian ini antara lain:

• Fungsi wavedec, digunakan untuk

mendekomposisi citra.

• Fungsi imread, digunakan untuk

membaca file citra input berformat BMP yang akan didekomposisi.

• Fungsi imshow dipakai untuk

menampilkan citra hasil temu kembali.

• Fungsi-fungsi yang berkaitan dengan

(14)

7

dekomposisi citra, seperti fopen, fclose,

fwrite, danfread.

• Fungsi sort, digunakan untuk

mengurutkan jarak antara kueri citra dengan citra dalam basis data.

HASIL DAN PEMBAHASAN

Ekstraksi Feature Vector

Feature vector yang dibangkitkan dari setiap

citra akan menjadi informasi inti dalam proses

temu kembali citra, karena feature vector

mengandung informasi warna dan tekstur sebuah citra. Pengisolasian informasi warna dan tekstur ini dengan memetakan citra dari ruang warna RGB ke dalam ruang warna YCrCb. Matriks Y menyimpan komponen skala abu-abu, yang berarti menyimpan informasi tekstur, sedangkan Cr dan Cb menyimpan informasi warna.

Citra original 72.BMP Citra yang telah diformat ke dalam YCrCb

Y Cr

Cb

Gambar 8 Tahapan perubahan citra dari ruang warna RGB menjadi YcrCb pada citra 72.BMP.

Pengekstraksian feature vector dari

masing-masing matriks Y, Cr, dan Cb menggunakan

dekomposisi Haar Wavelet level ke-3. Panjang

tiap feature vector yang dihasilkan adalah

sebelas. Dengan demikian, feature vector untuk

sebuah citra merupakan vektor berdimensi 33

yang terbentuk melalui penggabungan feature

vector dari Y, Cr, dan Cb. Jadi sekarang sebuah

feature vector menyediakan informasi warna dan

tekstur sekaligus dengan sebelas elemen pertama dari vektor adalah informasi tekstur, dan sisanya adalah informasi warna.

Sebagai contoh, pada Tabel 1 terlihat hasil ekstraksi lima buah citra pada kelompok citra pertama. Pada Tabel 1, terlihat kedekatan hasil

ekstraksi feature vector lima buah citra dari

kelompok pertama. Sebelas baris pertama

merupakan hasil ekstraksi wavelet dari Y,

sebelas baris kedua dan sebelas baris ketiga adalah hasil ekstraksi wavelet dari Cr dan Cb.

Tabel 1 Contoh hasil ekstraksi pada kelompok citra pertama

1.BMP 2.BMP 3.BMP 4.BMP 5.BMP

18.802 19.584 18.947 18.775 19.054

12.75 13.138 13.681 12.649 12.932

4.6434 4.0042 4.1355 4.5278 4.5201

30.328 32.433 32.018 31.178 31.422

17.267 19.207 18.013 17.322 17.087

5.7061 5.4413 5.4027 5.5767 5.2621

41.492 42.242 41.281 41.427 41.282

11.505 11.125 10.929 10.36 10.678

3.9211 3.3021 3.3759 3.3589 3.3202

318.34 306.21 300.29 309.9 306.89

1164.1 1178 1188.2 1189.4 1187

1.9803 1.8203 1.8346 1.7808 1.7368

0.798 0.83011 0.85638 0.82793 0.80988

0.21863 0.15665 0.1105 0.13644 0.15428

3.443 3.3913 3.2155 3.2277 3.2633

2.5663 2.5586 2.3567 2.3116 2.2364

1.0396 1.028 0.99035 0.9834 0.99467

25.831 25.512 25.976 25.951 25.938

1.5888 1.4041 1.4286 1.3361 1.3914

0.6029 0.5407 0.54852 0.51332 0.52839

38.569 40.361 39.792 39.774 39.888

915.78 921.08 921.78 919.3 919.33

1.8922 1.798 1.8103 1.8175 1.7073

0.5481 0.56047 0.63064 0.5963 0.56184

0.11214 0.10305 0.065835 0.093753 0.099141

3.0376 2.8248 2.9144 2.9932 2.9799

3.3036 3.0561 3.1229 3.0158 3.1871

1.3268 1.2371 1.2642 1.2137 1.1369

26.829 27.271 26.796 26.722 26.664

2.4988 2.1784 2.2854 2.4571 2.3844

0.88688 0.82757 0.91274 0.73928 0.76598

81.741 79.843 81.746 82.526 82.328

1023.5 1027.9 1025.6 1023.7 1022.4

Temu Kembali Citra

Input kueri diambil secara acak dari dalam basis data untuk menguji sistem temu kembali. Sepuluh buah kueri terpilih untuk pengujian

proses temu kembali. Output temu kembali citra

yang berhasil ditemukembalikan dibatasi oleh nilai ambang batas pada ukuran jarak kesamaan. Nilai ambang batas yang diambil adalah 75, 150, 225. Pengambilan nilai ambang batas di bawah

75 akan terlalu sedikit citra relevan

yang

terambil oleh sistem. Beberapa hanya

menemukembalikan citra kueri itu sendiri. Sedangkan apabila nilai ambang batas di atas 225, akan terlalu banyak citra tidak relevan yang terambil oleh sistem.

Perubahan jumlah citra yang terambil pada

(15)

Gambar 9 dan Gambar 10. Pada Gambar 9 merupakan contoh hasil temu kembali terhadap kueri citra 1.BMP pada nilai ambang batas 75, 150, dan 225. Pada Gambar 10 merupakan hasil temu kembali terhadap kueri citra 41.BMP. Dari kedua gambar tersebut dapat dilihat dengan semakin kecilnya nilai ambang batas, maka semakin sedikit jumlah citra yang terambil. Hal ini dikarenakan perhitungan jarak kesamaan, di mana semakin kecil jarak antara citra kueri dengan citra dalam basis data, maka semakin besar nilai relevansinya. Maka, ketika suatu citra dimasukkan ke dalam sistem sebagai kueri, paling tidak sistem akan menemukembalikan citra itu sendiri, karena hasil perhitungan jarak antara citra kueri dan citra dalam basis data adalah nol.

1 .bm p 7 .bm p 8 .bm p 2 .bm p 1 0.b m p

6 .bm p 5 .bm p 4 .bm p 9 .bm p 3 .bm p

(a) Hasil temu kembali terhadap 1.BMP pada nilai ambang batas 75

(b) Hasil temu kembali terhadap 1.BMP pada nilai ambang batas 150

1.b m p 7 .bm p 8.bm p 2 .bm p 10 .bm p

6.b m p 5 .bm p 4.bm p 9 .bm p 3.b m p

30 .bm p 2 3.b m p 19 .bm p 2 4.bm p 18 .bm p

21 .bm p 1 4.b m p 15 .bm p 1 7.bm p

(c) Hasil temu kembali terhadap 1.BMP pada nilai ambang batas 225

Gambar 9 Contoh hasil temu kembali terhadap

citra kueri 1.BMP

.

41.bmp 42.bmp

(a) Hasil temu kembali terhadap kueri citra 41.BMP pada nilai ambang batas 75

41.bmp 42.bmp 43.bmp 44.bmp

(b) Hasil temu kembali terhadap kueri citra 41.BMP pada nilai ambang batas 150

41.bmp 42.bmp 43.bmp 44.bmp 45.bmp

Gambar 10 Contoh hasil temu kembali terhadap citra kueri 41.BMP.

Pada Gambar 9 hasil temu kembali terhadap citra kueri pada nilai ambang batas 75 dan 150 sama, namun saat nilai ambang batas sama dengan 225, banyak hasil temu kembali yang tidak relevan. Di lain pihak, pada Gambar 10, terlihat hasil temu kembali terhadap citra kueri 41.BMP. Pada nilai ambang batas 75, hanya ada dua buah citra hasil temu kembali. Pada nilai ambang batas 150, ditemukembalikan empat buah citra yang relevan, dan pada nilai ambang batas 225 ditemukembalikan Sembilan buah citra yang relevan.

Untuk lebih lengkapnya, hasil temu kembali untuk masing-masing nilai ambang batas dapat dilihat pada Lampiran 4, Lampiran 5, dan Lampiran 6.

Recall-Precision

Diagram recall-precision memberikan

gambaran umum terhadap keefektifan temu

kembali citra. Nilai recall yang digunakan adalah

10% sampai dengan 100%. Nilai ini

menunjukkan jumlah bagian citra dari seluruh

citra terambil untuk perhitungan nilai precision.

aMisalkan untuk nilai recall 30% berarti jumlah

citra yang digunakan untuk perhitungan nilai

precision adalah 30% dari seluruh citra yang

terambil. Nilai precision untuk nilai 30% adalah

(16)

9

Sepuluh buah kueri digunakan untuk

pencarian citra dalam sistem temu kembali. Satu kelompok citra menggunakan satu buah kueri citra yang dipilih secara acak dari kelompoknya. Citra yang relevan ditentukan secara manual dengan memperhatikan kemiripan antar citra yang terdapat dalam koleksi.

Setelah masing-masing nilai recall-precision

untuk masing-masing kueri citra didapatkan,

maka ditarik satu garis rata-rata dari nilai

recall-precision pada masing-masing kueri citra.

Rata-rata nilai recall-precision memenuhi persamaan

sebagai berikut.

∑

= = q N i q i N r P r P 1 ) ( )

( (5)

Di mana

P

(

r

)

adalah precision rataan pada

recall level ke-r. Nq adalah jumlah kueri yang

digunakan. Sedangkan Pi(r) adalah precision

pada recall level ke-r pada kueri ke-i.

Dari Tabel 2 terlihat nilai recall-precision

pada masing-masing nilai ambang batas 75, 150,

dan 225. Nilai precision meningkat seiring

kenaikan nilai ambang batas. Pada nilai ambang batas 225, citra yang relevan dalam basis data banyak yang ditemukembalikan oleh sistem,

sehingga menaikkan nilai precision.

Tabel 2 Nilai recall-precision pada nilai ambang

batas 75, 150, dan 225 (dalam %).

Precision Recall Ambangbatas =75 Ambangbatas =150 Ambangbatas =225

10 100 100 100

20 90 90 100

30 70 87,78 98,18

40 55,71 83,21 84,17

50 40 67,14 78,33

60 40 66,67 78,18

70 40 56 77,78

80 30 40 77,5

90 30 40 77,14

100 19,091 39,09 65,76

Gambaran kenaikan efektifitas temu kembali secara umum dapat dilihat pada Gambar 12, Gambar 13, dan Gambar 14. Pada Gambar 13,

terlihat penurunan tajam nilai precision di titik

recall sama dengan 30%. Pada titik recall sama

dengan 30%, nilai precsion mencapai 70%.

Terjadi penurunan sekitar 20% dari titik recall

sebelumnya. Sedangkan pada titik lainnya penurunan hanya terjadi sekitar 10%. Pada nilai

ambang batas ini, citra relevan yang berhasil ditemukembalikan hanya sekitar 50% dari keseluruhan citra yang relevan dalam basisdata.

Pada Gambar 12, dimana nilai ambang batas yang diambil adalah 150, penurunan tajam nilai

precision terjadi pada nilai recall sama dengan

50%. Pada nilai ambang batas ini, citra relevan yang dapat ditemukembalikan berkisar 68% dari seluruh citra relevan dalam basis data.

Di lain pihak, pada Gambar 13 di mana nilai ambang batas yang diambil adalah 225, penurunan grafik yang signifikan tidak terjadi. Hal ini dikarenakan pada nilai ambang batas ini, banyak citra relevan yang ditemukembalikan. Citra relevan yang ditemukembalikan berkisar 85% dari seluruh citra relevan dalam basis data.

Gambar 11 Grafik recall-precision pada nilai

ambang batas 75.

ambang batas 150.

(17)

KESIMPULAN DAN SARAN

Kesimpulan

Pada penelitian ini disajikan sebuah sistem pengindeksan wavelet yang terintegrasi. Dalam

proses ekstraksi, Haarwavelet digunakan untuk

mengekstrak feature vector yang berdimensi 33

dari seluruh koleksi citra dalam basis data. Dengan wavelet, fitur warna dan tekstur dapat diekstraksi sekaligus dengan cara yang lebih sederhana. Hasil pencarian terbaik adalah kueri citranya sendiri karena jaraknya adalah nol.

Pada nilai ambang batas 75, penurunan

tajam nilai recall-precision terjadi pada titik

recall sama dengan 30%. Pada nilai ambang

batas ini, citra relevan yang terambil sekitar 50% dari keseluruhan citra yang relevan dalam basisdata. Pada nilai ambang batas 150, citra relevan yang dapat ditemukembalikan berkisar 68% dari seluruh citra relevan dalam basis data. Di lain pihak, pada nilai ambang batas 225, citra relevan yang ditemukembalikan berkisar 85% dari seluruh citra relevan dalam basis data.

Saran

Pengembangan pada sistem temu kembali berbasis wavelet ini dapat dilakukan dengan

menggunakan relevance feedback. Setelah

melakukan proses pencarian tahap pertama, pengguna mengidentifikasi sebuah citra yang paling relevan sebagai kueri baru. Kemudian sistem secara otomatis mereformula kueri berdasarkan penilaian pengguna.

Selain itu sistem ini perlu diuji kembali dengan data yang lebih besar. Tidak hanya dilakukan terhadap citra dengan format BMP tapi juga dengan format lain seperti JPG. Juga penting untuk menentukan metode penghitungan jarak kesamaan anatara dua buah citra untuk memberikan hasil temu kembali yang terbaik. Pengembangan metode juga dapat dilakukan dengan menambahkan beberapa fitur basis

seperti bentuk (shape).

DAFTAR PUSTAKA

Bhagavathy S, Chhabra K. Wavelet Based Image

Retrieval. http://www. vision. ece. ucsb.

edu/~sitaram/pdf/ece278a.pdf [9 Mei 2006].

Burrus C S, Ramesh A G, Hai T G. 1998. Introduction to Wavelets and Wavelets

Tranforms A Primer. Prentice-Hall, Inc.

Fuhui L. 2001. Fundamentals of Content_based

Image Retrieval.

http://www.research.microsoft.com/asia [10 Januari 2007]

Gonzales R C, Woods R E 2002. Digital Image

Processing. Addison - Wesley Publishing.

Reading, Massachussetts.

Jones C L, Lonergan G T, Mainwairing D E.

1999. Wavelet packet Computation of the

Hurst Exponent. Swinburne University of

Technology, Australia.

Roose D, Butheel A. 1999. Wavelet: Software

and applications. Department of Computer

(18)

(19)

Lampiran 1 Citra yang digunakan dalam basis data

1.BMP 2.BMP 3.BMP 4.BMP 5.BMP

6.BMP 7.BMP 8.BMP 9.BMP 10.BMP

(20)

13

Lampiran 1 Lanjutan

(21)

Lampiran 1 Lanjutan

Lampiran 2 Citra yang menjadi kueri

(22)

15

Lampiran 3 Jarak antara feature vector kueri citra dengan feature vector citra dalam basis data

CITRA YANG DIKUERIKAN CITRA

dalam

BASIS DATA 1.bmp 11.bmp 21.bmp 31.bmp 41.bmp 51.bmp 61.bmp 71.bmp 81.bmp 91.bmp

1.bmp 0 240.17 219.13 502.18 589.14 678.72 507.64 1034.5 744.85 407.05

2.bmp 20.129 257.26 237.32 517.52 599.47 687.06 519.37 1045.4 759.23 417.49

3.bmp 30.879 268.99 249.18 528.66 604.89 695.74 526.27 1054.4 769.95 425.78

4.bmp 27.016 266.48 244.76 527.74 603.81 697.24 517.85 1057.5 770.18 423.45

5.bmp 26.012 265.33 244.45 526.21 602.26 696.26 520.41 1054.6 768.26 423.42

6.bmp 24.173 247.65 231.45 506.31 591.57 676.35 530.26 1028 746.01 411.9

7.bmp 86.966 241.72 221.13 502.29 589.15 675.49 508.97 1033.8 744.75 408.75

8.bmp 14.494 250.97 231.39 511.76 593.69 683.03 520.1 1039.1 753.33 413.27

9.bmp 29.069 268.03 246.29 528.7 604.74 695.9 518.63 1058 771.08 424.14

10.bmp 23.522 260.78 238.42 521.52 600.44 691.62 510.75 1053.8 764.56 420.5

11.bmp 240.17 0 63.4 282.22 493.83 552.97 463.34 846.42 528.04 327.68

12.bmp 259.09 24.433 80.153 260.26 479.03 548.67 469.11 826.44 506.28 340.24

13.bmp 227.54 28.305 46.648 296.75 497.04 571.31 439.28 870.18 545.47 335.34

14.bmp 219.68 50.934 40.567 311.29 501.06 585.5 419.58 890.95 561.71 340.61

15.bmp 220.31 39.497 42.054 307.15 503.93 575.84 431.83 881.88 556.13 333.6

16.bmp 236.41 74.183 63.659 282.98 490.18 554.23 462.36 847.74 529.43 332.57

17.bmp 223.06 29.598 42.088 305.68 505.89 565.77 443.9 874.98 553.28 322.31

18.bmp 216.72 38.137 45.748 317.62 510.67 563.88 455.91 879.42 563.67 309.91

19.bmp 211.33 39.405 52.328 319.95 518.29 560.87 462.2 877.94 564.56 307.69

20.bmp 231.18 32.913 80.859 296.4 508.02 544.43 491.45 842.53 536.5 312.86

21.bmp 219.13 63.4 0 323.74 513.34 567.24 421.87 900.19 573.59 315.09

22.bmp 256.64 45.881 45.171 281.76 499.49 543.05 437.13 858.39 530.1 316.88

23.bmp 190.83 87.182 39.257 356.32 531.55 594.06 414.49 931.51 606.29 317.6

24.bmp 212.92 68.095 13 330.36 522.01 562.38 426.56 903.4 579.02 308.39

25.bmp 275.74 294.62 240.03 508.1 602.35 736.82 250.6 1119.2 760.55 445.91

26.bmp 270.04 300.1 245.4 517.88 607.53 742.27 258.73 1127.7 770.9 448.44

27.bmp 375.17 156.12 178.35 163.15 448.33 538.28 432.77 777.9 421.95 413

28.bmp 553.11 329.86 355.55 116.88 485.31 522.52 518.93 672.29 285.84 524.74

29.bmp 502.18 282.22 323.74 0 440.25 516.42 565.76 623.39 266.22 509.02

30.bmp 179.94 159.99 138.89 374.95 497.65 642.95 379.11 960.93 629.7 422.96

31.bmp 502.18 282.22 323.74 0 440.25 516.42 565.76 623.39 266.22 509.02

32.bmp 547.7 322.84 343.91 147.66 470.94 550.46 490.5 710.27 333.92 513.67

33.bmp 297.85 252.1 206.96 423.48 540.59 672.68 243.28 1038.6 679.62 441.88

34.bmp 297.85 252.1 206.96 423.48 540.59 672.68 243.28 1038.6 679.62 441.88

35.bmp 547.7 322.84 343.91 147.66 470.94 550.46 490.5 710.27 333.92 513.67

36.bmp 547.7 322.84 343.91 147.66 470.94 550.46 490.5 710.27 333.92 513.67

37.bmp 375.17 156.12 178.35 163.15 448.33 538.28 432.77 777.9 421.95 413

38.bmp 375.17 156.12 178.35 163.15 448.33 538.28 432.77 777.9 421.95 413

(23)

Lampiran 3. Lanjutan

40.bmp 547.7 322.84 343.91 147.66 470.94 550.46 490.5 710.27 333.92 513.67

41.bmp 589.14 493.83 513.34 440.25 0 805.66 654.4 845.13 582.26 778.49

42.bmp 570.41 470.25 490.08 420.21 33172 778.14 644.93 832.46 568.02 749.8

43.bmp 526.46 405.77 428.69 352.97 109.16 708.82 617.45 787.63 513.16 678.33

44.bmp 527.48 400.39 424.61 345.02 136.07 687 628.36 771.35 502.84 662.74

45.bmp 510.25 377.67 402.05 328.09 161.92 665.8 617.31 766 493.41 635.65

46.bmp 472.17 337.21 359.02 309.29 185.7 653.6 575.79 784.58 495.48 599.32

47.bmp 454.75 322.88 342.15 312.1 192.8 662.97 552.72 805.19 508.11 589.06

48.bmp 438.46 302.39 322.24 297.52 207.03 659.19 537.38 804.47 500.75 574.35

49.bmp 432.59 298.22 318.17 297.69 207.07 670.38 531.15 809.28 502.73 576.29

50.bmp 407.89 263.58 286.69 278.48 245.92 655.53 527.33 798.99 491 542.35

51.bmp 678.72 552.97 567.24 516.42 805.66 0 845.01 728.97 580.34 498.9

52.bmp 490.49 527.87 517.6 659.77 827.18 439.41 754.03 1047 838.01 493.84

53.bmp 296.7 426.56 408.69 644.24 777.76 576.08 685.1 1093 860.26 415.54

54.bmp 546.61 506.45 503 601.04 856.26 265.81 799.41 923.08 740.14 379.78

55.bmp 411.29 350.46 366.76 439.47 687.28 300.65 721.23 795.7 598.55 354.37

56.bmp 544.38 416.48 445.76 395.77 701.2 208.5 789.19 648.54 486.1 424.08

57.bmp 465.47 513 501.26 661.54 834.45 449.46 750.14 1055.4 844.95 462.71

58.bmp 490.37 453.51 460.79 500.69 667.16 315.78 734.12 849.47 651.9 514.89

59.bmp 614.15 554.24 559.07 594.66 817.89 186.92 849.09 859.18 707.55 489.77

60.bmp 617.52 568.5 568.07 639.01 923.18 254.98 844.98 925.03 756.47 433.9

61.bmp 507.64 463.34 421.87 565.76 654.4 845.01 0 1183.2 790.42 623.62

62.bmp 481.13 531.7 482.74 700.64 739.86 939.25 202.79 1321.3 943.47 669.39

63.bmp 529.23 477.86 436.39 570.99 662.8 850.85 43775 1186.7 792.24 633.89

64.bmp 494.92 504.87 457.43 647.78 706.25 902.82 120.14 1269.7 884.11 650.43

65.bmp 535.03 436.02 404.07 484.32 611.5 789.45 120.65 1090.9 692.85 607.82

66.bmp 446.31 495.01 446.71 665.47 710.45 908.65 191.21 1285.5 910.11 641.03

67.bmp 469.78 440.63 397.34 560.23 644.95 836.21 54136 1181 792.93 605.35

68.bmp 430.64 423.8 379.37 564.3 640.76 834.1 98.95 1186 803.77 592.4

69.bmp 463.35 462.76 416.66 602.24 670.79 865.48 97.97 1224 839.72 619.47

70.bmp 457.08 493.93 445.58 657.05 706.9 903.92 171.97 1278.3 900.11 640.46

71.bmp 1034.5 846.42 900.19 623.39 845.13 728.97 1183.2 0 410.87 956.92

72.bmp 1012.6 819.89 872.73 592.92 820.91 702.46 1151.3 41.214 378.11 929.77

73.bmp 1000.5 805.26 857.64 575.87 808.04 690.28 1133.1 62.698 359.38 915.56

74.bmp 989.14 791.83 843.84 559.49 796.44 681.98 1115.3 81.517 340.17 904.16

75.bmp 981.63 783.05 834.86 548.72 789.02 677.76 1103.5 93.797 327.27 897.18

76.bmp 979.24 780.8 832.81 545.64 787.6 681.22 1100.2 95.552 322.65 897.39

77.bmp 990.84 796.36 849.45 563.96 802.07 703.67 1120 74.157 342.69 916.27

78.bmp 998.95 808.25 861.78 577.78 804.42 716.5 1135.2 60.874 359.79 932.45

79.bmp 1029.2 846.44 900.45 625.33 825.17 738.05 1186.5 49.306 419.78 967.65

(24)

17

81.bmp 744.85 528.04 573.59 266.22 582.26 580.34 790.42 410.87 0 696.3

82.bmp 808.85 610.03 661.93 373.6 650.19 605.18 926.39 272 164.69 761.98

83.bmp 645.11 433.64 480.46 181.52 525.26 546.05 719.82 474.68 111.57 623.42

84.bmp 693.13 475.27 519.51 212.39 547.51 564.13 733.59 463.12 59.56 655.08

85.bmp 572.99 360.51 405.27 114.47 485.46 538.62 638.94 555.04 181.54 572.07

86.bmp 825.58 603.65 646.16 337.57 635.78 621.35 838.38 397.82 90336 757.15

87.bmp 751.92 533.59 578.09 269.8 586.01 584.22 789.28 416.33 21907 700.3

88.bmp 692.91 468.64 497.59 225.86 545.86 605.18 621.37 611.55 207.72 647.91

89.bmp 733.81 520.95 568.3 264.03 578.57 573.38 799.15 396.94 37231 690.28

90.bmp 515.15 313.46 326.07 201.84 481.13 610.03 415.92 781.48 379.36 537.49

91.bmp 407.05 327.68 315.09 509.02 778.49 498.9 623.62 956.92 696.3 0

92.bmp 407.53 328.76 315.94 509.59 780.04 495.99 623.35 957.5 696.74 53.961

93.bmp 405.5 327.99 315.65 509.24 781 494.32 624.95 956.1 696.17 10.553

94.bmp 407.65 326.37 316.37 503.38 779.2 486.17 631.32 944.74 687.76 19.603

95.bmp 409.16 314.3 308.29 480.66 762.82 465.38 632.83 917.07 661.88 42.702

96.bmp 409.4 302.54 296.36 462.73 747.62 457.11 618.29 906.26 644.86 54.601

97.bmp 408.32 357.74 336.96 556.45 814.22 542.9 614.51 1018.4 750.88 63.675

98.bmp 409.22 294.15 292.61 446.42 734.7 443.89 627.85 881.81 625.21 76.673

99.bmp 409.11 281.72 279.93 429.14 719.51 445.84 610.22 874.97 610.11 88.406

100.bmp 407.57 327.99 315.23 508.47 779.21 495.74 622.54 956.69 695.62 53.167

Lampiran 4 Hasil temu kembali pada nilai ambang batas 75.

(a)

Hasil temu kembali citra kueri 1.BMP

14.bmp 21.bmp 24.bmp

(b) Hasil temu kembali citra kueri 11.BMP

11.bmp 16.bmp

(c) Hasil temu kembali citra kueri 21.BMP

29.bmp 31.bmp

(25)

80.bmp 77.bmp

Lampiarn 4. Lanjutan

41.bmp 42.bmp

(e)

Hasil temu kembali citra kueri 41.BMP

51.BMP

(f) Hasil temu kembali citra kueri 51.BMP

(g) Hasil temu kembali citra kueri 61.BMP

(h) Hasil temu kembali citra kueri 71.BMP

(i) Hasil temu kembali citra kueri 81.BMP

(j) Hasil temu kembali citra kueri 91.BMP

(a) Hasil temu kembali citra kueri 1.BMP

(c) Hasil temu kembali citra kueri 21.BMP

(26)

19

(e) Hasil temu kembali citra kueri 41.BMP

51.BMP

64.bmp 65.bmp

76.BMP

80.BMP

83.bmp

94.BMP

99.BMP

(j) Hasil temu kembali citra kueri 91.BMP

1.b m p 7 .bm p 8.bm p 2 .bm p 10 .bm p

6.b m p 5 .bm p 4.bm p 9 .bm p 3.b m p

30 .bm p 2 3.b m p 19 .bm p 2 4.bm p 18 .bm p

21 .bm p 1 4.b m p 15 .bm p 1 7.bm p

(a) Hasil temu kembali citra kueri 1.BMP

1.bmp 7.bmp

(27)

(d) Hasil temu kembali citra kueri 31.BMP

45.BMP

(e) Hasil temu kembali citra kueri 41.BMP

68.BMP

62.BMP

76.BMP

80.BMP

94.BMP

99.BMP

(28)