SKRIPSI
Diajukan untuk Menempuh Ujian Akhir Sarjana
ADHADIAT SATYA NUGRAHA
10109403
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN ILMU KOMPUTER
iii
1 KATA PENGANTAR
Assalamua’alaikum Wr. Wb.
Segala puji dan syukur penulis panjatkan kehadirat ALLAH SWT yang telah memberikan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul “Pembangunan Aplikasi Image Retrieval dengan menggunakan metode Histogram Euclidean Distance berdasarkanwarna”. Dalam kesempatan ini, penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada :
1. Allah S.W.T yang telah memberikan kelancaran, atas izin-Nya lah penulis dapat menyelesaikan tugas akhir ini.
2. Kedua orang tua dan keluarga yang selalu dengan tulus memberikan dukungan moril maupun materi, serta perhatian, kesabaran dan doa yang selalu mengiringi sehingga dapat terselesaikannya penulisan laporan tugas akhir ini. 3. Ibu Nelly Indriani W, S.Si., M.T. selaku Dosen Pembimbing yang telah memberikan arahan kepada penulis selama proses penyusunan laporan tugas akhir ini.
4. Ibu Utami Dewi Widianti, S.Kom., M.Kom. selaku Dosen Penguji 1 yang telah menguji serta memberikan arahan kepada penulis selama proses penyusunan laporan tugas akhir ini.
5. Bapak Alif Finandhita, S.Kom., M.T. selaku Dosen Penguji 2 yang telah menguji serta memberikan arahan kepada penulis selama proses penyusunan laporan tugas akhir ini.
6. Bapak Irawan Afrianto, S.T., M.T. selaku Ketua Program Studi Informatika Universitas Komputer Indonesia.
7. Seluruh dosen Teknik Informatika yang telah memberikan ilmu yang berharga untuk penulis.
iv
Penulis menyadari bahwa hasil penelitian ini masih banyak kekurangan. Oleh karena itu saran dan kritik yang sifatnya membangun akan penulis terima dengan senang hati. Akhir kata, penulis berharap laporan ini dapat berguna dan bermanfaat umumnya bagi pembaca dan khususnya bagi penulis.
Wassalamu’alaikum Wr.Wb.
Bandung, 23 Februari 2015
vi
BAB 3 ANALISIS DAN PERANCANGAN SISTEM ... 27
3.1 Analisis Masalah ... 27
3.2 Analisis Sistem ... 27
3.2.1 Analisis Prosedur yang Sedang Berjalan ... 28
3.2.2 Analisis Sistem yang Akan Dibangun... 28
3.3 Analisis Metode Histogram Euclidean Distance pada Aplikasi Image Retrieval ... 30
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM ... 65
vii
89
DAFTAR PUSTAKA
[1] S.-f. C. John R. Smith, “Automated Image Retrieval Using Color and texture,” Electronic Imaging : Science and technology-storage~ Retrieval for image and video database IV. San Jose: IS&T/SPIE, 1996.
[2] M. H. I. K. E. P. Ida Hastuti, “CONTENT BASED IMAGE RETRIEVAL BERDASARKAN FITUR BENTUK MENGGUNAKAN METODE GRADIENT VECTOR FLOW SNAKE,” Seminar Nasional Informatika 2009, ISSN: 1979-2328, 2009.
[3] S. Jeong, “Histogram-Based Color Image Retrieval,” Psych221/EE362 Project Report, 2001.
[4] I. Sommerville, Software Engineering (Rekayasa Perangkat Lunak), Jakarta: Erlangga, 2011.
[5] P. R. H. S. Christopher D. Manning, Introduction to Information Retrieval, United Kingdom: Cambridge University Press, 2008.
[6] T. S. H. S.-F. C. Yong Rui, “Image Retrieval: Current Techniques, promising directions, and open issues,” Journal Of Visual Communication and Image Representation, 1999.
[7] D. Putra, Pengolahan Citra Digital, Yogyakarta: ANDI, 2010.
[8] D. RUSJDI, “KUANTISASI OPTIMAL CITRA WARNA DIGITAL PADA MODEL KERUCUT HEKSA GANDA,” ISSN: 1979-6412, 2008. [9] M. s. Rosa A. S, Rekayasa Perangkat Lunak, Bandung: Informatika, 2013. [10] K. J. Cios, "Data Mining a Knowledge Discovery Approach," Springer,
2007.
[11] R. E. W. Rafael C. Gonzales, Digital Image Processing Third Edition, Prentice Hall, 2008.
[12] D. Ritandra, “Image retrieval : Ideas, Influences, and Trends of the New age,” 2008.
90
[14] X. M. Rishav Chakravarti, “A Study of Color Histogram Based Image Retrieval,” Bucknell University, 2009.
[15] R. Jimmy Eduard, “Analisis Ekstraksi Fitur Menggunakan Color Histogram, Moment Gray Level Difference Vector,” Telkom University,
1
1.1 Latar Belakang Masalah
Image retrieval merupakan teknik yang digunakan untuk mencari citra-citra yang memiliki kemiripan karakteristik dari citra acuan. Setiap citra memiliki informasi fitur yang unik. Pada penelitian sebelumnya R. Smith dan Chuang menggunakan metode pembagian daerah warna pada citra kueri dan citra yang berada pada database. Dimana metode ini memanfaatkan warna dengan terlebih dahulu dibagi kedalam beberapa daerah kemudian dilakukan proses pengindeksan warna. Setelah itu komputasi dilakukan dengan membandingkan daerah-daerah warna antar citra. Hasil pengujian menunjukkan bahwa metode ini cenderung lebih sulit jika terdapat perbedaan ukuran pada citra karena terbatas oleh pembagian daerah dari warna tersebut dan juga sedikit lebih lama dalam komputasinya [1].
Metode Histogram Euclidean Distance digunakan untuk melakukan perhitungan jarak antar 2 histogram untuk dibandingkan tingkat kemiripan antar citra. Metode ini dipilih karena implementasinya yang lebih efisien dan mudah dalam memproses informasi konten dari citra [3] dan mudahnya melakukan komputasi dengan membentuk histogram warna terlebih dahulu, dengan begitu distribusi warna dari tiap citra bisa terlihat dari histogramnya dan menggunakan formula Euclidean distance untuk menghitung jaraknya. Fitur warna ini di representasikan ke dalam histogram warna. Keuntungan dari fitur warna ini adalah dapat di aplikasikan pada semua citra berwarna.
Berdasarkan masalah yang telah dipaparkan, maka akan dibangunlah aplikasi image retrieval menggunakan metode histogram Euclidean distance
1.2 Rumusan Masalah
Berdasarkan uraian pada latar belakang masalah, maka rumusan masalah dari
penelitian ini adalah bagaimana membangun Aplikasi image retrieval dengan
menggunakan metode histogram Euclidean distance berdasarkan warna.
1.3 Maksud dan Tujuan
Maksud dari penulisan skripsi ini adalah untuk Membuat sebuah aplikasi
pencarian berbasis citra digital/image berdasarkan konten warna.
Tujuan yang akan dicapai dalam penulisan skripsi ini adalah :
1. Mengetahui apakah sistem mampu menampilkan hasil pencarian yang
bersesuaian dengan gambar kueri dengan menggunakan Metode Histogram
Euclidean Distance pada Aplikasi Image Retrieval berdasarkan warna.
1.4 Batasan Masalah
Penelitian yang dilakukan memiliki batasan masalah sebagai berikut : 1. Output : 20 gambar yang diurutkan berdasarkan tingkat kemiripannya.
2. Format gambar .PNG, .JPG, .BMP, dan .Gif.
3. Ukuran citra minimal 200x200 piksel (input dan output).
4. Menggunakan metode histogram Euclidean distance berdasarkan warna.
5. Citra masukan hanya berupa 1 citra.
6. Keyword pencarian berupa piksel.
1.5 Metodologi Penelitian
Metode penelitian yang digunakan adalah metode deskriptif dengan
pendekatan kuantitatif. Penelitian ini terbagi menjadi dua tahap yaitu pengumpulan
data dan pembangunan perangkat lunak.
1. Metode Pengumpulan Data.
Metode pengumpulan data yang digunakan adalah studi literatur, yaitu
Pengumpulan data dengan cara mengumpulkan literatur, jurnal, makalah dan
bacaan-bacaan yang ada kaitannya dengan penelitian yang dilakukan.
2. Metode pembangunan perangkat lunak
Aplikasi ini dibangun menggunakan paradigma model waterfall,
yang meliputi beberapa proses diantaranya:
a. Requirements definition
tahap ini dilakukan untuk analisis kebutuhan pengguna dan tahap analisis kebutuhan pengembang dalam membangun aplikasi image retrieval
berdasarkan warna. Setelah itu, kita definisikan kebutuhan-kebutuhan
yang mungkin dalam aplikasi yang akan dibangun yaitu “Pembangunan aplikasi image retrieval menggunakan metode histogram euclidean distance berdasarkan warna”.
b. System and software design
Tahap ini berisi dimana pengembang melakukan desain perancangan aplikasi image retrieval ini. Jika ditemui kesulitan, prototype dibangun (spike solution) maka dilakukan refactoring, yaitu mengembangkan desain dari pembangunan aplikasi image retrieval ini setelah ditulis. Tahap perencanaan disini dilakukan dengan pemodelan menggunakan metode pemrograman berorientasi object dengan Tool Unified Modeling Language (UML).
c. Implementation and unit testing
Pengujian aplikasi image retrieval ini dilakukan untuk memastikan bahwa
dipergunakan dengan baik tanpa ada kesalahan dan berguna sesuai kebutuhan pengguna.
d. Integration and system testing
Tahap ini merupakan tahap Pengujian aplikasi image retrieval sebelum aplikasi diserahkan kepada pengguna. Pada tahap ini dilakukan penyatuan terhadap program-program yang telah diuji pada tahap sebelumnya. Semua program disatukan kedalam suatu sistem yang lengkap. Setelah itu, dilakukan uji coba terakhir terhadap sistem yang telah lengkap. Setelah uji coba selesai dilakukan, maka sistem siap untuk diserahkan kepada pengguna.
e. Operation and maintenance
Gambar 1.1 Model Pengembangan Sistem Waterfall [4]
1.6 Sistematika Penulisan
Sistematika penulisan proposal penelitian ini disusun untuk memberikan gambaran umum tentang penelitian yang dijalankan. Sistematika penulisan skripsi ini adalah sebagai berikut :
BAB I. PENDAHULUAN
Pendahuluan merupakan Bab yang menguraikan latar belakang masalah, rumusan masalah, maksud dan tujuan, metodologi penelitian, batasan masalah dan sistematika penulisan.
BAB II. LANDASAN TEORI
Bab ini berisi membahas berbagai konsep dasar dan teori-teori yang berkaitan dengan topik penelitian yang dilakukan dan hal-hal yang berguna dalam proses analisis permasalahan. Membahas tentang konsep dasar serta teori-teori tentang
BAB III. ANALISIS DAN PERANCANGAN
Bab ini menguraikan tentang analisis sistem, analisis masalah, analisis aplikasi yang akan dibangun, analisis dan metode algoritma, analisis kebutuhan non-fungsional, analisis sistem, perancangan antar muka, jaringan semantik.
BAB IV. IMPLEMENTASI DAN PENGUJIAN
Bab ini berisi tentang tahapan-tahapan yang dilakukan untuk menerapkan sistem yang telah dirancang serta melakukan pengujian pada sistem.
BAB V. KESIMPULAN DAN SARAN
9
BAB 2
LANDASAN TEORI
2.1 Temu Kembali Informasi (Information Retrieval)
Information Retrieval (Temu kembali Informasi) atau sering dikenal juga dengan Information Retrieval system (IRS) merupakan media layanan yang dapat digunakan oleh pengguna untuk mendapatkan informasi atau sumber informasi sesuai dengan pencarían yang dilakukan. Hasil informasi yang diperoleh dengan menggunakan kata kunci (keyword) bisa sesuai atau tidak sesuai dengan keinginan pengguna [5].
ISO 2382/1 mendefinisikan Information Retrieval (IR) sebagai tindakan, metode dan prosedur untuk menemukan kembali data yang tersimpan, kemudian menyediakan informasi mengenai subyek yang dibutuhkan. Tindakan tersebut mencakup text indexing, inquiry analysis, dan relevance analysis. Data mencakup teks, tabel, gambar, ucapan, dan video.
2.2 Temu Kembali Citra (Image Retrieval)
Image retrieval merupakan teknik yang digunakan untuk mencari citra-citra yang memiliki kemiripan karakteristik dari citra acuan. Setiap citra memiliki informasi fitur yang unik. Dalam hal ini, image retrieval dapat diimplementasikan dengan membandingkan fitur-fitur yang diekstraksi dari suatu citra. Kriteria untuk kemiripan antar citra dapat didasarkan pada fitur – fitur seperti warna, tekstur, bentuk, topologi citra, dan sebagainya. Terdapat dua teknik image retrieval yang berkembang saat ini, yaitu tekstual (manual) dan berdasarkan isi (otomatis).
mendeskripsikan suatu citra. Hal ini menyebabkan terjadinya pendeskripsian yang tidak konsisten. Teknik image retrieval yang kedua, berdasarkan isi, adalah teknik yang mengindekskan suatu citra berdasarkan isinya seperti warna, sisi, bentuk, tekstur, informasi spasial, dan sebagainya. Teknik ini sering disebut dengan Content Based Image Retrieval (CBIR). CBIR merupakan jenis image retrieval yang paling populer saat ini.
2.3 Pengolahan Citra (Image Processing)
Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer. Dalam definisi yang lebih luas, pengolahan citra digital juga mencakup semua data dua dimensi. Sesuai dengan perkembangan komputer itu sendiri, pengolahan citra mempunyai dua tujuan utama, yaitu sebagai berikut:
1. Memperbaiki kualitas citra, dimana citra yang dihasilkan dapat menampilkan informasi secara jelas. Hal ini berarti manusia sebagai pengolah informasi (human perception).
2. Mengekstraksi informasi ciri yang menonjol pada suatu citra, dimana hasilnya adalah informasi citra dimana manusia mendapatkan informasi ciri dari citra secara numerik atau dengan kata lain computer (mesin) melakukan interprestasi terhadap informasi yang ada pada citra melalui besaran-besaran data yang dapat dibedakan secara jelas (berupa besaran-besaran numerik).
2.3.1 Dasar Pengolahan Citra
2.3.2 Jenis-jenis Citra [7]
a. Citra Biner
Citra biner adalah citra yang hanya memiliki dua kemungkinan nilai pixel yaitu hitam dan putih. Citra biner juga disebut sebagai citra B&W (black and white) atau citra monokrom. Hanya dibutuhkan 1 bit untuk mewakili nilai setiap pixel dari citra biner. Citra biner sering kali muncul sebagai hasil dai proses pengolahan seperti segmentasi, pengembangan morfologi, ataupun dithering.
b. Citra Grayscale
Citra grayscale merupakan citra digital yag hanya memiliki satu nilai kanal pada setiap pixelnya, dengan kata lain nilai bagian RED = GREEN = BLUE.
Nilai tersebut digunakan untuk menunjukkan tingkat intensitas. Warna yang dimiliki adalah warna dari hitam, keabuan, dan putih. Tingkatan keabuan disini merupakan warna abu dengan berbagai tingkatan dari hitam hingga mendekati putih.
c. Citra berwarna
Citra berwarna adalah citra digital yang setiap pixelnya mengandung informasi warna. Informasi warna ini biasanya dibentuk dari paling sedikit
3 sampel (saluran warna). Saluran warna yang paling umum digunakan adalah RGB.
2.3.3 Pembentukan citra
Pembentukan citra digital (diskrit) melalui beberapa tahapan, yaitu akuisisi citra, sampling, dan kuantisasi [7].
1. Akuisisi citra
Proses akuisisi citra adalah pemetaan suatu pandangan menjadi citra kontinu dengan menggunakan sensor.
2. Sampling
Sampling merupakan proses pengambilan nilai diskrit koordinat (x.y) dengan melewatkan citra melalui grid (celah).
3. Kuantisasi
Kuantisasi warna merupakan proses untuk melakukan pengurangan jumlah warna dengan mengambil beberapa perwakilan warna yang dapat
membedakan satu bagian dengan bagian yang lain pada citra.
2.3.4 Sistem Koordinat Warna
Ada berbagai jenis sistem koordinat warna atau sistem ruang warna yang diciptakan untuk memeuhi tujuan tertentu atau yang diciptakan untuk platform
perangkat keras tertentu. Berikut adalah beberapa sistem koordinat warna yang ada :
1. RGB
2. HSV
Model HSV (Hue Saturatuion Value) menunjukkan ruang warna dalam bentuk tiga komponen utama, yaitu hue, saturation dan value (atau disebut juga brightness). Hue adalah sudut dari 0 sampai 360 derajat. Biasanya 0 adalah merah, 60 derajat adalah kuning, 120 derajat adalah hijau, 180 derajat adalah cyan, 240 derajat adalah biru dan 300 derajat adalah magenta.
Hue menunjukkan jenis warna (seperti merah, biru atau kuning) atau corak warna, yaitu tempat warna tersebut ditemukan dalam spektrum warna. Merah, kuning dan ungu (purple) adalah kata-kata yang menunjukkan hue. Saturasi (saturation) suatu warna adalah ukuran seberapa besar kemurnian dari warna tersebut. Sebagai contoh, suatu warna yang semuanya merah tanpa putih adalah saturasi penuh. Jika ditambahkan putih ke merah, hasilnya lebih berwarna-warni dan warna bergeser dari merah ke merah muda (pink). Hue masih tetap merah tetapi nilai saturasinya berkurang.
Saturasi biasanya bernilai 0 sampai 1 (atau 0% sampai 100%) dan menunjukkan nilai keabu-abuan warna dimana 0 menunjukkan abu-abu dan 1 menunjukkan warna primer murni. Komponen ketiga dari HSV adalah value atau disebut juga intensitas (intensity), yaitu ukuran seberapa besar kecerahan suatu warna atau seberapa besar cahaya datang dari suatu warna. Nilai value dari 0% sampai 100%.
Perhitungan konversi RGB menjadi HSV dapat dirumuskan sebagai berikut.
� = tan[
�−� + �+�−]
� = 1 −
i �,�,�� =
�+�+Namun pada rumus di atas, apabila S = 0 maka H tidak dapat ditentukan. Untuk itu diperlukan normalisasi RGB terlebih dahulu dengan rumus berikut.
� =
�+�+�� =
�+�+�=
�+�+3. Ruang Warna YCbCr
Ruang warna YCbCr disebut juga ruang warna CCIR601 (International Radio Consultative Committe). Model warna ini dikembangkan untuk mengantisipasi perkembangan informasi berbasiskan video, sehingga model ini banyak digunakan pada video digital. Secara umum dapat dikatakan bahwa model warna ini merupakan bagian dari ruang transmisi video dan televisi. Model warna lain yang mirip dengan YCbCr adalah YUV dan YIQ, perbedaannya terletak bahwa YCbCr adalah system warna digital sedangkan yang lain adalah system warna analog. Model warna YCbCr memisahkan nilai RGB menjadi informasi luminance
matrix diatas adalah merupakan formulasi yang digunakan untuk mengkonversi nilai RGB menjadi informasi luminance dan chrominance, pada proses pengkonversian ini terjadi sebuah perkalian matrix antara nilai dari setiap komponen warna RGB dengan formula yang tersebut diatas sehingga menjadi sebuah ruang warna baru yaitu Ycbcr.
2.3.5 Format File Citra
Format file standar yang digunakan saat ini terdiri dari beberapa jenis. Format-format ini digunakan dalam menyimpan citra dalam sebuah file. Setiap format memiliki karakteristik masing-masing. Berikut adalah penjelesan beberapa format umum digunakan saat ini [7] :
1. Bitmap (.bmp)
Format .bmp adalah format penyimpanan standar tanpa kompresi yang umum dapat digunakan untuk menyimpan citra biner hingga citra warna. Format ini terdiri dari beberapa jenis yang setiap jenisnya ditentukan dengan jumlah bit yang digunakan untuk menyimpan sebuah nilai pixel. 2. Tagged image format (.tiff, .tiff)
Format .tif merupakan format penyimpanan citra yang dapat digunakan untuk menyimpan citra bitmap hingga citra dengan warna palet
terkompresi. Format ini dapat digunakan untuk menyimpan citra yang tidak terkompresi dan juga citra terkompresi.
3. Portable network Graphics (.png)
Format .png adalah format penyimpanan citra terkompresi. Format ini dapat digunakan pada citra grayscale, citra dengan palet warna, dan juga citra fullcolor. Format .png juga mampu menyimpan informasi hingga kanal alpha dengan penyimpanan sebesar 1 hingga 16 bit per kanal.
4. JPEG (.,jpg)
.jpg adalah format yang sangat umum digunakan saat ini khususnya untuk transmisi citra. Format ini digunakan untuk menyimpan citra hasil
kompresi dengan metode JPEG.
Format ini digunakan di dunia internet dan diperuntukkan sebagai format penyimpanan citra bergerak (video). Format ini mendukung video dengan kompresi ber-rugi.
6. Graphic Interchange Format (.gif)
Format ini dapat digunakan pada citra warna dengan palet 8 bit. Penggunaan umumnya pada aplikasi web. Kualitas yang rendah meyebabkan format ini tidak terlalu popular di kalangan peneliti pengolahan citra digital.
2.4 Histogram Warna
Histogram Warna adalah suatu proses untuk meratakan histogram agar derajat keabuan dari yang paling rendah (0) sampai dengan yang paling tinggi (255) mempunyai kemunculan yang rata. Histogram Warna suatu citra dibangun dengan menghitung jumlah piksel setiap warna. Perkembangan dalam algoritma ekstraksi masih mengikuti perkembangan yang sama [3]:
1. Pemilihan ruang warna. 2. Kuantisasi ruang warna. 3. Perhitungan histogram.
Setiap langkah ini penting untuk menuju pengembangan algoritma.
2.4.1 Definisi Histogram Warna
Sebuah histogram citra mengacu pada probabilitas fungsi dari intensitas gambar. Hal ini memperluas citra warna untuk menangkap probabilitas bersama dari intensitas tiga ruang warna. Histogram warna didefinisikan sebagai berikut[3].
ℎ
, ,, ,
= � ∙ ���
= , = , =
Dimana A, B, dan C merepresentasikan 3 ruang warna (R,G,B atau HSV) dan N adalah nilai pixel dari suatu citra. Secara komputasi, histogram warna dibentuk berdasarkan diskretisasi warna dalam suatu citra dan menghitung jumlah
pixel setiap warna.
Karena beberapa komputer mewakili citra berwarna mencapai 224 warna, proses ini biasanya membutuhkan kuantisasi ruang warna yang besar. Isu-isu utama tentang penggunaan histogram warna untuk pengindeksan melibatkan pemilihan ruang warna dan kuantisasi dari ruang warna. Ketika ruang warna perseptual yang seragam dipilih, kuantisasi seragam mungkin tepat. Namun jika ruang warna non-seragam yang dipilih, maka kuantisasi non-non-seragam mungkin diperlukan.
2.4.2 Kuantisasi Warna
Kuantisasi warna merupakan proses untuk melakukan pengurangan jumlah warna dengan mengambil beberapa perwakilan warna yang dapat membedakan satu bagian dengan bagian yang lain pada citra. Proses ini dibutuhkan dikarenakan pada citra 24 bit dengan ruang warna RGB yang mempunyai range warna 0-255 akan memiliki kombinasi warna sebanyak 16.777.216. Dan jika jumlah warna ini dipaksakan untuk dilakukan proses ekstraksi fitur ciri maka akan menghabiskan waktu komputasi (time consuming) dan menimbulkan kesulitan ketika melakukan ekstraksi dan pencocokan vektor cirinya. Masalah tersebut dapat diatasi dengan
color quantization (kuantisasi warna), yaitu suatu prosedur untuk mengurangi kemungkinan jumlah warna. Dengan cara ini, jumlah warna yang besar tadi bisa dikurangi, sehingga proses yang dibutuhkan akan semakin mudah. [8]
2.4.2.1 Jenis-jenis Kuantisasi [8]
1. Kuantisasi Uniform : mempunyai interval pengelompokan tingkat keabuan yang sama (misal: intensitas 1 s/d 10 diberi nilai 1, intensitas 11 s/d 20 diberi nilai 2, dan seterusnya).
2. Kuantisasi Non-uniform: Kuantisasi yang lebih halus diperlukan terutama pada bagian citra yang menggambarkan detil atau tekstur atau batas suatu wilayah obyek, dan kuantisasi yang lebih kasar diberlakukan pada wilayah yang sama pada bagian obyek.
2.4.3 Normalisasi Histogram
Normalisasi Histogram berguna untuk melihat statistika dari image sehingga Dilakukan agar tampilan histogram pada layar tidak melebihi batas layar, dikarenakan jumlah piksel pada citra sangat besar (hingga ribuan piksel). Cara kerja dari normalisasi histogram adalah membagi setiap nilai dari histogram dengan jumlah pixel dari image.
2.4.4 Histogram Euclidean Distance
Ada beberapa rumus jarak untuk mengukur kemiripan histogram warna. Secara umum, teknik untuk membandingkan distribusi probabilitas, seperti tes kolmogoroff-smirnov tidak sesuai untuk histogram warna. Hal ini karena persepsi visual menentukan kesamaan daripada kedekatan distribusi probabilitas. Pada dasarnya, rumus jarak warna sampai pada ukuran kesamaan antara gambar berdasarkan persepsi konten warna. Untuk itu digunakanlah Histogram Euclidean Distance untuk menghitung jarak histogram warnanya.
Misal h dan g mewakili 2 histogram warna. Euclidean distance antara histogram warna h dan g dapat dihitung seperti ini [3]:
ℎ, � = ∑ ∑ ∑ (ℎ , , − � , , )
Dalam rumus jarak ini, hanya ada perbandingan antara bins identik dalam histogram masing-masing. Dua bins yang berbeda dapat mewakili perseptual warna yang sama tetapi tidak dibandingkan. Semua bins memiliki kontribusi yang sama pada jarak.
2.5 Tools yang digunakan
2.5.1 OOP (Object Oriented Programming)
Metodologi berorientasi objek adalah suatu strategi pembangunan perangkat lunak yang mengorganisasikan perangkat lunak sebagai kumpulan objek yang berisi data dan operasi yang diberlakukan terhadapnya. Metodologi berorientasi objek merupakan suatu cara bagaimana sistem perangkat lunak dibangun melalui pendekatan objek secara sistematis. Metode berorientasi objek didasarkan pada penerapan prinsip-prinsip pengelolaan kompleksitas. Metode berorientasi onjek meliputi rangkaian aktivitas analisis berorientasi objek, perancangan berorientasi objek, pemrograman berorientasi objek, dan pengujian berorientasi objek.
Pada saat ini, metode berorientasi objek banyak dipilih karena metodologi lama banyak menimbulkan masalah seperti adanya kesulitan pada saat mentransformasi hasil dari satu tahap pengembangan ke tahap berikutnya, misalnya pada metode pendekatan terstruktur, jenis aplikasi yang dikembangkan saat ini berbeda dengan masa lalu. Aplikasi yang dikembangkan saat ini sangat beragam (aplikasi bisnis, real-time, utility, dan sebagainya) dengan platform yang berbeda-beda, sehingga menimbulkan tuntutan kebutuhan metodologi pengembangan yang dapat mengakomodasi ke semua jenis aplikasi tersebut.[9]
Keuntungan menggunakan metodologi berorientasi objek adalah sebagai berikut[9]:
a. Meningkatkan produktivitas
Karena kelas dan objek yang ditemukan dalam suatu masalahmasih dapat dipakai ulang untuk masalah lainnya yang melibatkan objek tersebut (reusable).
b. Kecepatan pengembangan
Karena sistem yang dibangun dengan baik dan benar pada saat analisis dan perancangan akan menyebabkan berkurangnya kesalahan pada saat pengkodean.
Karena dengan model objek, pola-pola yang cenderung tetap dan stabil dapat dipisahkan dan pola-pola yang mungkin sering diubah-ubah.
d. Adanya konsistensi
Karena sifat pewarisan dan penggunaan notasi yang sama pada saat analisis, perancangan maupun pengkodean.
e. Meningkatkan kualitas perangkat lunak
Karena adanya pendekatan pengembangan lebih dekat dengan dunia nyata dan adanya konsistensi pada saat pengambangannya, perangkat lunak yang dihasilkan akan mampu memenuhi kebutuhan pemakai serta mempunyai sedikit kesalahan.
Berikut beberapa contoh bahasa pemrograman yang mendukung pemrograman berorientasi objek[9] :
a. Smalltalk
Smalltalk merupakan salah satu bahasa pemrogramanyang dikembangkan untuk mendukung pemrograman berorientasi objek mulai tahun 1978. b. Bahasa Pemrograman Eiffel
Eiffel merupakan bahasa pemrograman yang dikembangkan untuk mendukung pemrograman berorientasi objek mulai tahun 1985 oleh Bertrand Meyer dan compiler Eiffel selesai pada tahun 1987.
c. Bahasa Pemrograman C++
C++ merupakan pengembangan lebih lanjut bahasa pemrograman C untuk mendukung pemrograman berorientasi objek.
d. Bahasa Pemrograman (web) PHP
PHP dibuat pertama kali oleh seorang perekayasa perangkat (software engineering) yang bernama Rasmus Lerdoff.
e. Bahasa Pemrograman Java
Java dikembangkan oleh perusahaan Sun Microsystem. Java menurut definisi dari Sun Microsystem adalah nama untuk sekumpulan teknologi untuk membuat dan menjalankan perangkat lunak pada komputer
2.5.1.1 Konsep Dasar Berorientasi Objek [9]
a. Objek (Object)
Objek adalah abstraksi dan sesuatu yang mewakili dunia nyata seperti benda, manusia, satuan organisasi, tempat, kejadian, struktur,status, atau hal-hal lain yang bersifat abstrak. Objek merupakan suatu entitas yang mampu menyimpan informasi(status) dan mempunyai operasi yang dapat diterapkan atau dapat berpengaruh pada status objeknya.
b. Kelas (class)
Kelas adalah kumpulan objek-objek dengan karakteristik yang sama. Kelas merupakan definisi statik dan himpunan objek yang sama yang mungkin lahir atau diciptakan dalam kelas tersebut.
c. Pembungkusan (Encapsulation)
Pembungkusan atribut data dan layanan (operasi-operasi) yang dipunyai objek untuk menyembunyikan implementasi dan objek sehingga objek lain tidak mengetahui cara kerjanya.
d. Pewarisan (Inheritance) dan Generalisasi/Spesialisasi
Mekanisme yang memungkinkan satu objek mewarisi sebagian atau seluruh definisi dan objek lain sebagai bagian dirinya.
e. Metode
Operasi atau metode pada sebuah kelas hampir sama dengan fungsi atau prosedur pada metodologi struktural.
f. Polimorfisme
Kemampuan suatu objek untuk digunakan dibanyak tujuan yang berbeda dengan nama yang sama sehingga menghemat baris program.
2.5.2 UML (Unified Modeling Language)
Unified Modelling Language (UML) adalah sekumpulan spesifikasi yang
A. Structure Diagram, yaitu kumpulan diagram yang digunakan untuk menggambarkan suatu struktur statis dari sistem yang dimodelkan.
1. Diagram Kelas
Diagram kelas menggambarkan struktur sistem dari segi pendefinisian kelas-kelas yang akan dibuat untuk membangun sistem. Kelas memiliki apa yang disebut attribut dan metode atau operasi.
2. Diagram Objek
Diagram objek menggambarkan struktur sistem dari segi penamaan objek dan jalannya objek dalam sistem.
3. Diagram Komponen
Diagram komponen dibuat untuk menunjukan organisasi dan ketergantungan diantara kumpulan komponen dalam sebuah sistem. 4. Composite Structure Diagram
Composite structure diagram baru mulai ada pada UML versi 2.0. Diagram ini dapat digunakan untuk menggambarkan struktur dari bagian-bagian yang saling terhubung maupun mendeskripsikan struktur pada saat berjalan (runtime).
5. Package Diagram
Package diagram menyediakan cara mengumpulkan elemen-elemen yang saling terkait dalam diagram UML. Hampir semua diagram dalam UML dapat dikelompokkan menggunakan package diagram.
6. Deployment Diagram
Deployment menunjukan konfigurasi komponen dalam proses eksekusi aplikasi.
B. Behavior Diagram, yaitu kumpulan diagram yang digunakan untuk menggambarkan kelakuan sistem atau rangkaian perubahan yang terjadi pada sebuah sistem.
1. Use Case Diagram
interaksi antara satu atau lebih aktor dengan sistem informasi yang akan dibuat.
2. Activity Diagram
Activity diagram menggambarkan workflow atau aktivitas dari sebuah sistem atau proses bisnis atau menu yang ada pada perangkat lunak. 3. State Machine Diagram
State machine diagram digunakan untuk menggambarkan perubahan status atau transisi status dari sebuah mesin atau sistem atau objek. C. Interactions Diagram, yaitu kumpulan diagram yang digunakan untuk
menggambarkan interaksi antar subsistem pada suatu sistem. 1. Sequence Diagram
Sequence diagram menggambarkan kelakuan objek pada use case dengan mendeskripsikan waktu hidup objek dan message yang dikirimkan dan diterima antar objek.
2. Diagram Komunikasi
Diagram komunikasi menggambarkan interaksi antar objek/bagian dalam bentuk urutan pengiriman pesan. Diagram komunikasi merepresentasikan informasi yang diperoleh dari diagram kelas, diagram sekuen, dan diagram use case untuk mendeskripsikan gabungan antara struktur statis dan tingkah laku dinamis dari suatu sistem.
3. Timing Diagram
Timing diagram merupakan diagram yang fokus pada penggambaran terkait batasan waktu.
4. Interaction Overview Diagram
2.5.3 Netbeans 8.0
Netbeans merupakan sebuah aplikasi Integrated Development Environment
(IDE) yang berbasiskan Java dari Sun Microsystems yang berjalan di atas swing.
Swing merupakan sebuah teknologi Java untuk pengembangan aplikasi desktop yang dapat berjalan pada berbagai macam platform seperti windows, linux, Mac OS X dan Solaris. Sebuah IDE merupakan lingkup pemrograman yang di integrasikan ke dalam suatu aplikasi perangkat lunak yang menyediakan Graphic User Interface (GUI), suatu kode editor atau text, suatu compiler dan suatu
debugger.
Netbeans juga digunakan oleh sang programmer untuk menulis, meng-compile, mencari kesalahan dan menyebarkan program netbeans yang ditulis dalam bahasa pemrograman java namun selain itu dapat juga mendukung bahasa pemrograman lainnya dan program ini pun bebas untuk digunakan dan untuk membuat professional desktop, enterprise, web, dan mobile applications dengan Java language, C/C++, dan bahkan dynamic languages seperti PHP, JavaScript, Groovy, dan Ruby. NetBeans merupakan sebuah proyek open source yang sukses dengan pengguna yang sangat luas, komunitas yang terus tumbuh, dan memiliki hampir 100 mitra (dan terus bertambah!). Sun Microsystems mendirikan proyek
open source NetBeans pada bulan Juni 2000 dan terus menjadi sponsor utama. Dan saat ini pun netbeans memiliki 2 produk yaitu Platform Netbeans dan Netbeans IDE. Platform Netbeans merupakan framework yang dapat digunakan kembali (reusable) untuk menyederhanakan pengembangan aplikasi desktop dan Platform NetBeans juga menawarkan layanan-layanan yang umum bagi aplikasi desktop, mengijinkan pengembang untuk fokus ke logika yang spesifik terhadap aplikasi.
Versi terbaru saat ini adalah NetBeans IDE 8.0 yang dirilis 18 maret 2014. NetBeans IDE 8.0 menyediakan kode analisis yang benar-benar canggih dan editor untuk bekerja dengan teknologi terbaru Java 8. Java SE 8, Java SE Embedded 8, dan Java ME Embedded 8. IDE ini juga memiliki berbagai perangkat tambahan baru yang lebih meningkatkan dukungan untuk Maven dan Java EE dengan PrimeFaces, alat-alat baru untuk HTML5, khususnya untuk AngularJS, dan perbaikan PHP dan C / C + + support.
2.5.4 JDK 8
JDK adalah singkatan dari Java Development Kit yaitu software yang digunakan untuk membangun aplikasi-aplikasi java. Tanpa JDK kita tidak akan bisa membangun atau membuat berbagai macam aplikasi java. JDK ini berguna saat menulis code program. Seperti halnya JRE, JDK juga memiliki JVM di dalamnya. JDK inilah yang merupakan kompiler dari JAVA sendiri, dimana source code (kode sumber) dari Java akan dikompilasi menjadi Byte Code, yaitu bit code (biner) yang dapat dimengerti oleh mesin. JDK juga akan membentuk sebuah Objek Code dari
27
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
1.1 Analisis Masalah
Pada umumnya fitur pencarian di kebanyakan sistem operasi pada komputer berbasis teks. Fitur tersebut mungkin efektif jika pengguna ingat nama file yang ingin dicari. Namun untuk pencarian citra pada khususnya fitur pencarian berbasis teks dinilai kurang efektif pada saat merepresentasikan citra yang dicari di dalam sebuah database, sehingga seringkali diperoleh pencarian citra yang tidak sesuai dengan yang diinginkan. Hal tersebut bisa terjadi dikarenakan keterbatasan user
dalam mengingat kata kunci atau nama file citra yang diinginkan. Oleh karena itu dibuat aplikasi image retrieval untuk melakukan proses pencarian citra. Tujuan utamanya untuk mempermudah user dalam melakukan pencarian citra.
Metode yang digunakan untuk melakukan pencarian citra ini adalah
Histogram Euclidean Distance, yaitu metode yang dapat melakukan pencarian berdasarkan fitur warna pada suatu citra. Cara kerja metode ini adalah dengan membuat histogram warna dari citra masukan dan citra yang terdapat pada gallery komputer lalu membandingkan jarak antar citra tersebut. dimana semakin kecil nilai komputasinya, maka semakin mirip citra tersebut.
1.2 Analisis Sistem
1.2.1 Analisis Prosedur yang Sedang Berjalan
Berdasarkan hasil pengamatan, maka dapat diambil kesimpulan mengenai prosedur bagaimana seseorang melakukan proses pencarian citra. Penjelasannya sebagai berikut :
Gambar 3.1 Analisis Prosedur yang sedang berjalan
Adapun penjelasan dari gambar diatas sebagai berikut :
1. Pengguna melakukan pencarian citra dengan cara menggunakan fitur pencarian berbasis teks yang tersedia di komputer pengguna atau dengan cara manual menelusuri tiap folder yang terdapat di komputernya.
2. Pengguna dapat melihat hasil pencarian gambar menggunakan cara yang dia pilih tersebut.
1.2.2 Analisis Sistem yang Akan Dibangun
Berikut penjelasan alur proses sistem yang akan dibangun : 1. Pengguna memasukan citra/gambar yang akan dicari. 2. Citra diubah kedalam bentuk matrik-matrik RGB.
3. Kuantisasi warna merupakan proses untuk melakukan pengurangan jumlah warna dengan mengambil beberapa perwakilan warna yang dapat membedakan satu bagian dengan bagian yang lain pada citra. 4. Histogram warna, pada tahap ini sistem membuat array of RGB pada
tiap channelnya dari citra query dan citra gallery.
5. setelah membuat histogram warna dari suatu citra maka selanjutnya adalah menghitung jarak antar histogram warna dari citra masukan dan citra-citra yang dicari dengan menggunakan Euclidean Distance.
1.3 Analisis Metode Histogram Euclidean Distance pada Aplikasi Image Retrieval
Analisis metode digunakan untuk mengetahui alur proses dari sebuah metode yang digunakan dapat diterapkan ke dalam aplikasi yang dibangun. Pembangunan aplikasi image retrieval ini menggunakan metode Histogram Euclidean Distance
membandingkan warna pada citra dan menghitung jarak antar histogram warnanya. Sehingga mendapatkan kondisi dimana jarak antar kedua citra tersebut bernilai 0 atau kecil yang menyatakan tingkat kemiripan antar citra tersebut.
1.3.1 Analisis Matrik RGB (Red, Green, Blue)
Pada tahap ini suatu citra dikonversi menjadi matrik atau citra dalam bentuk piksel-piksel RGB. Setelah citra menjadi piksel-piksel matrik RGB, maka dipisah lagi matrik RGB tadi menjadi 3 channel warna menjadi Matrik R, Matrik G, dan matrik B. Penjelasannya adalah sebagai berikut :
Contoh apabila citra berukuran 5 x 5
Gambar 3.3 Konversi Matrik
1.3.2 Analisis Histogram Warna
Histogram warna merupakan distribusi warna dalam sebuah gambar yang didapatkan dengan menghitung jumlah pixel dari setiap bagian range warna, secara tipikal dalam dua atau tiga dimensi. Di dalam histogram ini terdapat bins atau intensitas kemunculan nilai warna pada suatu gambar.
Dalam pembuatan histogram, nilai RGB yang punya range dari 0-255 akan memiliki kemungkinan kombinasi warna sebesar 16.777.216 (didapat dari 256 x 256 x 256). Pada proses komputasi, tentu saja proses ini menghabiskan banyak waktu.
Masalah tersebut dapat diatasi dengan kuantisasi warna, yaitu suatu prosedur untuk mengurangi kemungkinan jumlah warna. Dengan cara ini, jumlah warna yang besar tadi bisa dkurangi, sehingga proses yang dibutuhkan akan semakin mudah. Pada penelitian ini digunakan kuantisasi pada nilai-nilai warna seperti yang terlihat pada tabel dibawah ini.
Tabel 3.1 Tabel Kuantisasi
Nilai RGB Nilai Kuantisasi
Misalnya terdapat suatu citra berukuran 4x4 piksel yang telah dibentuk menjadi Matrik R, matrik G, dan matrik B seperti terlihat pada gambar 3.7 ini.
Tahap selanjutnya adalah membuat histogram warna dari masing-masing
channel matrik diatas dengan terlebih dahulu di kuantisasi, sehingga menjadi seperti berikut:
Pembuatan histogram warna dilakukan pada citra input maupun citra yang berada dalam gallery, sehingga dapat dilakukan penghitungan jarak antar histogram citra input dan citra yang berada dalam gallery.
1.3.3 Analisis Euclidean Distance
Pada tahapan ini Euclidean distance digunakan untuk menghitung jarak antar histogram warna. Dimana tahapan ini dapat menentukan tingkat kemiripan dari citra-citra tersebut.
Secara matematis HistogramEuclidean Distance dituliskan sebagai berikut:
Dimana h dan g mewakili 2 histogram warna, dan a, b, c adalah channel
warnanya.
Sebelum menghitung jarak antar histogramnya, terlebih dahulu dilakukan normalisasi histogram untuk mengatasi lebarnya histogram yang terbentuk akibat jumlah piksel yang besar dan juga untuk perhitungan citra-citra yang memiliki perbedaan ukuran piksel. misal terdapat histogram warna dari suatu citra input dan citra gallery berukuran 4x4 piksel, penjelasannya adalah sebagai berikut:
Terlihat pada gambar 3.9 Adalah matrik-matrik RGB dari citra masukan dan juga citra gallery, maka tahap selanjutnya adalah buatlah histogram warna dari tiap-tiap matrik tadi dengan terlebih dahulu dikuantisasi sehingga histogramnya terlihat seperti gambar berikut:
Gambar 3.7 Histogram Warna Citra Masukan
Setelah itu tahap selanjutnya adalah normalisasi histogram seperti terlihat pada tabel berikut ini :
Tabel 3.2 Normalisasi Histogram Citra Masukan
Normalisasi Histogram Matrik R
Color 0 32 64 96 128 224
Occurences (y) 5 1 2 1 6 1
N 5 6 8 9 15 16
�
� 0,3125 0,0625 0.125 0,0625 0,375 0,0625 Normalisasi Histogram Matrik G
Occurences (y) 2 3 2 4 5
N 2 5 7 11 16
�
� 0,125 0,1875 0,125 0,25 0,3125
Normalisasi Histogram Matrik B
Color 32 64 96 128 160 224
Occurences (y) 4 3 2 1 5 1
N 4 7 9 10 15 16
�
� 0,25 0,1875 0,125 0,0625 0,3125 0,0625
Pada citra gallery juga dilakukan tahap yang sama yaitu terlebih dahulu dibuat histogram warna dari tiap-tiap matriknya dengan dikuantisasi terlebih dahulu sehingga hasilnya tampak seperti gambar berikut ini :
Setelah itu tahap selanjutnya adalah normalisasi histogram seperti terlihat pada tabel 3.3 berikut ini ;
Tabel 3.3 Normalisasi Histogram Citra Gallery
Setelah masing-masing histogram dari citra tersebut dinormalisasi maka histogram warnanya masing-masing akan menjadi seperti gambar berikut:
Gambar 3.9 Hasil Normalisasi (a) Histogram Citra Masukan, (b) Histogram Citra gallery
Tabel 3.4 Perhitungan jarak matrik R
Citra Input Citra Gallery
Hasil
Nilai Occurences Nilai Occurences
0 0,3125 0 0.3125 0
Tabel 3.5 Perhitungan jarak matrik G
Citra Input Citra Gallery
Hasil Nilai Occurences Nilai Occurences
Tabel 3.6 Perhitungan jarak matrik B
Citra Input Citra Gallery
Hasil
Nilai Occurences Nilai Occurences
0 0 0 0.0625 0
Tabel-tabel diatas adalah hasil perhitungan jarak antara histogram warna citra input dan citra gallery pada channel warna R, G, dan B dimana hasil haruslah bernilai absolute.
Dari tabel-tabel diatas, diketahui channel R bernilai 0,5, channel G bernilai 0,37 5 dan channel B bernilai 0,3125, maka total jarak Euclidean Distance RGB nya adalah 0,5 + 0,375 + 0,3125 = 1,1875. Dimana Semakin kecil jaraknya, maka semakin tinggi pula tingkat kemiripannya.
Sedangkan untuk citra yang berbeda ukuran pikselnya, misal akan membandingkan citra masukan sebelumnya yang berukuran 4x4 piksel dengan citra
gallery berukuran 6x4 piksel. dijelaskan sebagai berikut :
Pada gambar 3.14 Adalah matrik-matrik RGB dari citra masukan dan juga citra gallery, maka tahap selanjutnya adalah buatlah histogram warna dari tiap-tiap matrik tadi dengan terlebih dahulu dikuantisasi sehingga histogramnya terlihat seperti gambar berikut:
Gambar 3.11 Histogram Warna Citra Masukan
Setelah itu tahap selanjutnya adalah normalisasi histogram seperti terlihat pada tabel 3.7 berikut ini :
Tabel 3.7 Normalisasi Histogram Citra masukan
Normalisasi Histogram Matrik R
Color 0 32 64 96 128 224
Occurences (y) 5 1 2 1 6 1
N 5 6 8 9 15 16
�
� 0,3125 0,0625 0.125 0,0625 0,375 0,0625 Normalisasi Histogram Matrik G
Occurences (y) 2 3 2 4 5
N 2 5 7 11 16
�
� 0,125 0,1875 0,125 0,25 0,3125
Normalisasi Histogram Matrik B
Color 32 64 96 128 160 224
Occurences (y) 4 3 2 1 5 1
N 4 7 9 10 15 16
�
� 0,25 0,1875 0,125 0,0625 0,3125 0,0625
Pada citra gallery juga dilakukan tahap yang sama yaitu terlebih dahulu dibuat histogram warna dari tiap-tiap matriknya dengan dikuantisasi terlebih dahulu sehingga hasilnya tampak seperti gambar berikut ini :
Setelah itu tahap selanjutnya adalah normalisasi histogram warna dari citra gallery
seperti terlihat pada tabel 3.8 berikut ini :
Tabel 3.8 Normalisasi Histogram Warna Citra Gallery
Setelah masing-masing histogram dari citra tersebut dinormalisasi maka histogram warnanya masing-masing akan menjadi seperti gambar berikut:
Gambar 3.13 Hasil Normalisasi (a) Histogram Citra Masukan, (b) Histogram Citra gallery
Tabel 3.9 Perhitungan Jarak Matrik R
Citra Input Citra Gallery
Hasil
Nilai Occurences Nilai Occurences
0 0,3125 0 0,2083 0,1042
Tabel 3.10 Perhitungan Jarak Matrik G
Citra Input Citra Gallery
Hasil
Nilai Occurences Nilai Occurences
Tabel 3.11 Perhitungan Jarak Matrik B
Citra Input Citra Gallery
Hasil
Nilai Occurences Nilai Occurences
32 0.25 32 0,2083 0,0417
64 0.1875 64 0.25 0,0625
96 0.125 96 0,1666 0,0416
128 0.0625 128 0,0416 0,0209
160 0.3125 160 0,1666 0,1459
224 0.0625 224 0,1666 0,1041
Total 0,4167
Tabel-tabel diatas adalah hasil perhitungan jarak antara histogram warna citra input dan citra gallery yang berbeda ukuran pada channel warna R, G, dan B dimana hasil haruslah bernilai absolute.
1.3.4 Analisis Kebutuhan Non-Fungsional
Analisis kebutuhan non fungsional merupakan analisis yang dibutuhkan untuk menentukan spesifikasi kebutuhan yang di perlukan oleh Aplikasi. Kebutuhan non fungsional terdiri dari analisis perangkat keras, analisis perangkat lunak dan analisis pengguna (user). Analisis non fungsional bertujuan agar aplikasi yang dibangun dapat digunakan sesuai dengan kebutuhan pengguna aplikasi dalam mencari inforamsi yang dibutuhkan.
1.3.4.1 Analisis Kebutuhan Perangkat Lunak
Perangkat lunak digunakan dalam sebuah sistem merupakan perintah-perintah yang diberikan kepada perangkat keras agar bisa dapat berinteraksi diantara keduanya. Adapun perangkat lunak yang dibutuhkan dalam membangun aplikasi image retrieval berbasis Desktop ini adalah sebagai berikut :
1. Sistem Operasi Windows 8.1 2. IDE Netbeans 8
3. JDK 8
Perangkat lunak yang digunakan oleh user untuk menjalankan aplikasi
image retrieval berbasis desktop adalah sistem operasi windows (Windows XP, Vista, 7,8 ).
1.3.4.2 Analisis Kebutuhan Perangkat Keras
Komputer terdiri dari perangkat keras dan perangkat lunak yang saling berinteraksi. Perangkat lunak memberikan instruksi-instruksi kepada perangkat keras untuk melakukan suatu tugas tertentu, sehingga dapat menjalankan suatu sistem di dalamnya.
Pada aplikasi image retrieval Berbasis Desktop ini, perangkat yang digunakan adalah sebagai berikut :
1. Spesifikasi minimum perangkat keras yang dibutuhkan oleh pengembang. a. Prosesor dengan kecepatan 1.8 Ghz.
c. Hardisk 20 Gb. d. VGA Card 256 Mb. e. Monitor.
f. Mouse dan Keyboard.
2. Spesifikasi minimum perangkat keras yang dibutuhkan oleh pengguna. a. Prosesor dengan kecepatan 1.8 Ghz ke atas.
b. RAM 2 Gb. c. Hardisk 500 Mb. d. VGA Card 256 Mb. e. Monitor.
f. Mouse dan Keyboard.
Maka dengan spesifikasi tersebut aplikasidapat dijalankan dengan baik dan tidak akan terjadi masalah yang dapat menghambat berjalannya aplikasi.
1.3.4.3 Analisis Pengguna Aplikasi (User)
Analisis pengguna aplikasi ditujukan untuk seluruh masyarakat atau seluruh orang yang ingin mendapatkan kemudahan dalam melakukan pencarian gambar pada gallery mereka. Karakteristik user untuk menggunakan aplikasi ini adalah:
1.3.5 Analisis Kebutuhan Fungsional
Analisis kebutuhan fungsional menggambarkan proses kegiatan yang akan diterapkan dalam sebuah sistem dan menjelaskan kebutuhan yang diperlukan sistem agar sistem dapat berjalan dengan baik sesuai kebutuhan. Pada bagian ini akan dibahas tentang use case diagram, activity diagram, class diagram, dan sequence diagram.
1.3.5.1 Use case diagram
Pada sub bab berikut ini dijelaskan bagaimana UseCase yang terjadi dalam pembangunan aplikasi ini yang dimodelkan dalam sekumpulan UseCase dan Actor
dan bagaimana hubungan-hubungannya yang akan dipetakan dalam diagram
UseCase, dilengkapi dengan skenario untuk menjelaskan dari gambaran UseCase
yang ada dengan menggambarkan skenario per UseCase. UseCase diagram dapat dilihat pada Gambar 3.17 berikut ini.
Gambar 3.14 UseCase aplikasi Image Retrieval
1. Actor Definition
Tabel 3.12 Actor Definition
No Actor Deskripsi
1 Pengguna Orang yang menggunakan Aplikasi
2. Use Case Definition
Use Case Definition berfungsi untuk menjelaskan fungsi Use Case yang terdapat pada Use case diagram. Use Case Definition diterangkan pada tabel 3.13 di bawah ini.
Tabel 3.13 Use Case Definition
No Use Case Deskripsi
1 Memilih citra masukan Fungsionalitas untuk memasukkan citra sebagai citra masukan
2 Memilih Lokasi Pencarian Fungsionalitas untuk memilih lokasi pencarian citra pada gallery
3 Membandingkan Citra Proses membandingkan citra masukan dan citra dalam gallery
4 Menampilkan citra yang sama dan mirip
berdasarkan jarak
Fungsionalitas untuk melihat hasil perbandingan citra.
3. Use Case Skenario
1. Use Case Skenario memilih citra masukan
Use Case Skenario dari Use Case memilih citra masukandijelaskan pada tabel di bawah ini.
Tabel 3.14 Use Case Skenario memilih citra masukan
Identifikasi
Nomor 1
Nama Memilih citra masukan
Tujuan Proses untuk memasukkan citra sebagai
citra query
Aktor Pengguna
Utama
Kondisi Awal Pengguna berada di menu utama
Aksi Aktor Reaksi Sistem
1. Memilih tombol input citra
2. Sistem menampilkan halaman gallery
penyimpanan citra 3. Memilih 1 citra sebagai citra
masukan
2. Use Case Skenario Memilih lokasi pencarian
Use Case Skenario dari Use Case Memilih lokasi pencarian dijelaskan pada tabel di bawah ini.
Tabel 3.15 Use Case Memilih lokasi pencarian
Identifikasi
Nomor 2
Nama Memilih Lokasi Pencarian
Tujuan Menetapkan Lokasi Pencarian pada
Explorer
Aktor Pengguna
Utama
Kondisi Awal Pengguna berada di halaman utama
Aksi Aktor Reaksi Sistem
1. Memilih tombol browse
2. sistem menampilkan halaman explorer
3. menampilkan lokasi pencarian
3. sistem melakukan proses perbandingan
3. Use Case Skenario Membandingkan Citra
Use Case Skenario dari Use Case Membandingkan Citra dijelaskan pada tabel di bawah ini.
Tabel 3.16 Use Case Membandingkan Citra
Identifikasi
Nomor 2
Nama Membandingkan Citra
Tujuan Proses membandingkan citra masukan
Aktor Pengguna
Utama
Kondisi Awal Menu utama dengan kondisi citra
masukan dan lokasi pencarian sudah dipilih
Aksi Aktor Reaksi Sistem
1. sistem melakukan proses perbandingan citra masukan dan citra yang terdapat pada
gallery
4. Use Case Skenario Menampilkan citra yang sama dan mirip berdasarkan
jarak
Use Case Skenario dari Use Case Menampilkan citra yang sama dan mirip berdasarkan jarak dijelaskan pada tabel di bawah ini.
Tabel 3.17 Use Case Menampilkan Citra yang sama dan mirip berdasarkan jarak
Identifikasi
Nomor 3
Nama Menampilkan citra yang sama dan mirip
berdasarkan jarak
Tujuan Melihat hasil pencarian citra
Aktor Pengguna
Utama
Kondisi Awal Pengguna berada di halaman utama
Aksi Aktor Reaksi Sistem
1.3.5.2 Activity Diagram
Activity diagram menggambarkan berbagai alir aktivitas dalam sistem yang sedang dirancang, bagaimana masing-masing alir berawal, decision yang mungkin terjadi, dan bagaimana mereka berakhir. Activity diagram juga dapat menggambarkan proses paralel yang mungkin terjadi pada beberapa eksekusi. Berikut ini activity diagram pada aplikasiini.
1. Activity Diagram Memilih Citra Masukan.
Berikut ini adalah diagram yang menunjukan alur aksi pada aktivitas memilih citra masukan yang dapat dilihat pada gambar 3.18 berikut ini.
2. Activity Diagram Memilih Lokasi Pencarian
Berikut ini adalah diagram yang menunjukan alur aksi pada aktivitas Memilih Lokasi Pencarian yang dapat dilihat pada gambar 3.19 berikut ini.
3. Activity Diagram Membandingkan Citra
Berikut ini adalah diagram yang menunjukan alur aksi pada aktivitas Membandingkan Citra yang dapat dilihat pada gambar 3.20 berikut ini.
4. Activity Diagram Menampilkan citra yang sama dan mirip berdasarkan jarak
Berikut ini adalah diagram yang menunjukan alur aksi pada aktivitas Menampilkan citra yang sama dan mirip berdasarkan jarak yang dapat dilihat pada gambar 3.21 berikut ini.
1.3.5.3 Class Diagram
Class diagram menggambarkan struktur sistem dari segi pendefinisian kelas-kelas yang dibuat untuk membangun sistem. Perancangan struktur sistem yang terdapat pada aplikasi ini dapat dilihat pada Gambar 3.22.
1.3.5.4 Sequence Diagram
Sequence Diagram menggambarkan interaksi antar masing-masing objek pada setiap use case dalam urutan waktu. Interaksi ini berupa pengiriman serangkaian data antar objek-objek yang saling berinteraksi. Sequence Diagram pada aplikasi ini terdiri dari sequence diagram memilih citra masukan , sequence diagram memilih lokasi pencarian, sequence diagram membandingkan citra, dan
sequence diagram Menampilkan citra yang sama dan mirip berdasarkan jarak. Berikut ini penjelasan dari masing-masing sequence diagram:
1. Sequence Diagram Memilih citra masukan
Sequence diagram Menampilkan level 1 pada game Perjuangan si Pitung ini dapat dilihat pada Gambar 3.23.
2. sequence diagram memilih lokasi pencarian
Sequence diagram memilih lokasi pencarian pada aplikasi ini dapat dilihat pada Gambar 3.24.
3. Sequence Diagram Membandingkan Citra
Sequence diagram membandingkan citra pada aplikasi ini dapat dilihat pada Gambar 3.25.
4. sequence diagram menampilkan citra yang sama dan mirip berdasarkan jarak
Sequence diagram menampilkan citra yang sama dan mirip berdasarkan jarak pada aplikasi ini dapat dilihat pada Gambar 3.26.
1.3.6 Perancangan Antarmuka
Perancangan antarmuka bertujuan untuk memberikan gambaran tentang aplikasi yang akan dibangun, sehingga akan mempermudah dalam mengimplementasikan aplikasi serta akan memudahkan pembuatan aplikasi. Adapun perancangan antarmuka perangkat lunak image retrieval ini adalah sebagai berikut :
65
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
1.1 Implementasi Sistem
Implementasi sistem menjelaskan pengimplementasian dari sistem yang telah dibuat. Implementasi yang dijelaskan berupa implementasi perangkat keras, implemantasi perangkat lunak, dan implementasi proses.
1.1.1 Implementasi Perangkat Keras
Implementasi perangkat keras menjelaskan perangkat keras yang digunakan untuk mengimplementasikan sistem yang telah dibuat. Implementasi perangkat keras yang digunakan pada sistem ini dapat dilihat pada tabel 4.1 berikut :
Tabel 4.1 Implementasi Perangkat Keras
No Perangkat Keras Spesifikasi
1 Processor Intel Celeron
2 Memori RAM 2 GB DDR3
3 Hard Disk 500 GB
4 Monitor Monitor 14 inch
1.1.2 Implementasi Perangkat Lunak
Implementasi perangkat lunak menjelaskan perangkat lunak yang digunakan untuk megimplementasi sistem yang telah dibuat. Implementasi perangkat lunak yang digunakan pada sistem ini dapat dilihat pada tabel 4.2.
Tabel 4.2 Implementasi Perangkat Lunak
No Perangkat Lunak Spesifikasi
1 Sisitem Operasi Windows 8.1 (64-bit) 2 Bahasa Pemograman Java NetBean 8.0
Implementasi antarmuka dilakukan dengan setiap halaman yang dibuat. Berikut ini tampilan antar muka yang telah di implementasikan.
1.1.2.1 Tampilan Halaman Awal
Tampilan awal merupakan tampilan yang pertama kali muncul ketika aplikasi dijalankan. Tampilan ini merupakan tampilan tahapan proses awal dalam sistem pencarian gambar berdasarkan warna. Tampilan awal aplikasi dapat dilihat pada gambar 4.1.
1.2 Pengujian Sistem
Pengujian aplikasi merupakan hal yang penting yang bertujuan untuk menemukan kesalahan dan kekurangan pada perangkat lunak ini. Pengujian juga bermaksud untuk mengetahui perangkat lunak yang telah dibuat sudah sesuai dengan tujuan perancangan perangkat lunak tersebut.
1.2.1 Rencana Pengujian
Rencana pengujian aplikasi image retrieval berdasarkan warna menggunakan pengujian black box. Pengujian menggunakan pengujian metode black box berfokus pada persyaratan fungsional perangkat lunak. Rencana pengujian dapat dilihat pada tabel 4.3 yang akan dijalankan pada sistem ini.
Tabel 4.3 Rencana Pengujian Aplikasi
Pengujian Butir Uji Jenis Pengujian
Cari Gambar Proses pemilihan gambar
yang ingin dicari Black Box
Pencarian Gambar
Proses pencarian
berdasarkan warna Black Box
Menampilkan gambar hasil pencarian dilihat dari kecocokan warnanya
Black Box
1.2.2 Hasil Pengujian
1.2.2.1 Pengujian Pilih Gambar
Tabel 4.4 Pengujian Pilih Gambar
Data Masukan Yang Diharapkan Pengamatan Kesimpulan
Pengguna memilih
1.2.2.2 Pengujian Proses Pencarian Gambar
Tabel 4.5 Pengujian Proses Pencarian Gambar
Data
Masukan Yang Diharapkan Pengamatan Kesimpulan
Pengguna
penyimpanan diasumsikan sama yaitu 300x350 px. berikut gambar-gambar yang akan dicari (gambar inputan) :
Gambar 4.2 Gambar Input
Tabel 4.6 Tabel Pengujian Pencarian
No Gambar
Input
Hasil Pencarian Keterangan
No Gambar Input
Hasil Pencarian Keterangan
2. Berhasil
No Gambar Input
Hasil Pencarian Keterangan
4. Berhasil
No Gambar Input
Hasil Pencarian Keterangan
6. Berhasil
No Gambar Input
Hasil Pencarian Keterangan
8. Berhasil
No Gambar Input
Hasil Pencarian Keterangan
10. Berhasil
Banyak Pengujian : 10
Jumlah Citra Hasil yang sama dengan Citra Inputan : 10 Persentase keakuratan : 100%
Tabel 4.7 Hasil Pengujian Pencarian Kedua
No Gambar
Input
Hasil Pencarian
1.
No Gambar Input
Hasil Pencarian
3.
No Gambar Input
Hasil Pencarian
5.
No Gambar Input
Hasil Pencarian
7.
No Gambar Input
Hasil Pencarian
9.
1.2.3 Kesimpulan Pengujian
Berdasarkan hasil pengujian yang telah dilakukan, dapat disimpulkan bahwa secara fungsional aplikasi image retrieval menggnunakan metode
Histogram Euclidean Distance dapat mendapatkan output yang diharapkan.
1.3 Pengujian
Pengujian beta dilakukan di lingkungan pengguna tanpa kehadiran pihak pembangun aplikasi. Pengujian ini merupakan pengujian yang bersifat langsung di lingkungan yang sebenarnya. Pengguna melakukan penilaian terhadap aplikasi dengan menggunakan media kuesioner. Dari hasil kuesioner tersebut maka dapat ditarik kesimpulan apakah aplikasi yang dibangun telah sesuai dengan tujuan atau tidak.
1.3.1 Pengujian Kuisioner
Pengujian kuisioner merupakan media yang digunakan untuk pengguna Aplikasi information retrieval untuk memberikan penilaian terhadap aplikasi yang dibangun. Kuisioner ini disebarkan menggunakan teknik sampling yaitu Simple Random Sampling yang disebarkan kepada 30 pengguna. Dari hasil kuisioner tersebut akan dilakukan perhitungan agar dapat diambil kesimpulan terhadap penilaian penerapan aplikasi yang dibangun kemudian menghitung masing-masing jawaban dengan menggunakan skala likert.
Tabel 4.8 Poin Penilaian
Berikut ini adalah hasil perhitungan dari masing-masing jawaban yang sudah dihitung nilainya dengan menggunakan perhitungan rumus yaitu jumlah dibagi banyaknya sampel :
1. Pengolahan pertanyaan pertama yaitu : Apakah Aplikasi ini mudah Digunakan ?
Tabel 4.9 Hasil Pengujian Pertanyaan ke-1
Hasil Pengujian
Sedang Setuju Sangat
Setuju