Segmentasi citra tanaman hias menggunakan metode Boykov and Kolmogorov max flow/min cut graph

(1)

SEGMENTASI CITRA TANAMAN HIAS MENGGUNAKAN

METODE BOYKOV AND KOLMOGOROV MAX FLOW/MIN CUT

GRAPH

RAHMADI WISNU WIBOWO

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(2)

SEGMENTASI CITRA TANAMAN HIAS MENGGUNAKAN

METODE BOYKOV AND KOLMOGOROV MAX FLOW/MIN CUT

GRAPH

RAHMADI WISNU WIBOWO

Skripsi

Skripsi sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer pada

Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(3)

ABSTRACT

WISNU WIBOWO, RAHMADI. House Plant Segmentation Using Boykov and Kolmogorov Max Flow/Min Cut Graph. Under the supervision of YENI HERDIYENI.

Segmentation is an important step to improve pattern recognition. But until recently, few studies have been done yet to segment the image with complex background. This research is trying to segment the image that has a complex background. This study used Boykov and Kolmogorov max flow/min cut graph for segmentation. This method uses all the pixels to form a directed graph with two terminals. Database of 300 house plant images belong to 30 different types of house plant in Indonesia. In testing, 240 images are used and then extracted using Rotation Invariant Uniform Patterns ( ) and performed recognition using probabilistic neural network (PNN). Results showed that accuracy increased between 8.33% to 22.22% after the segmentation.

Keywords: segmentation, background, max flow/min cut graph, local binary pattern, probabilistic neural network.

(4)

Judul : Segmentasi Citra Tanaman Hias Menggunakan Metode Boykov and Kolmogorov Max Flow/Min Cut Graph

Nama : Rahmadi Wisnu Wibowo NRP : G64060563

Menyetujui:

Pembimbing

Dr. Yeni Herdiyeni, S.Si., M.Kom. NIP 19750923 200012 2 001

Mengetahui:

Ketua Departemen Ilmu Komputer Institut Pertanian Bogor

Dr. Ir. Sri Nurdiati, M.Sc. NIP 19601126 198601 2 001

(5)

PRAKATA

Alhamdulillahi Rabbil’ alamin, segala puji dan syukur penulis panjatkan kepada Allah SWT atas limpahan rahmat dan hidayah-Nya, sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Segmentasi Citra Tanaman Hias Menggunakan Metode Boykov and Kolmogrov`s Max Flow Min Cut Graph dengan lancar dan baik. Penelitian ini dilaksanakan mulai Maret 2010 sampai dengan Oktober 2010, bertempat di Departemen Ilmu Komputer.

Penulis juga menyampaikan ucapan terima kasih kepada:

1. Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. selaku dosen pembimbing yang telah memberikan arahan dan bimbingan dengan sabar kepada penulis dalam menyelesaikan skripsi ini.

2. Ayah, Ibu, dan adik tercinta Mohammad Isa yang tidak henti-hentinya memberikan doa, kasih sayang, dan dukungan kepada penulis.

3. Bapak Aziz Kustiyo, S.Si., M.Kom. dan Mushthofa, S.Kom, M.Sc. selaku dosen penguji.

4. Nurafifah, Ikrima Nurni Hikmawati, Poetri Herningtyas, Lies Umi Kulsum, Dimas Perdana CKP, dan Aristoteles sebagai teman satu bimbingan yang selalu memberikan masukan, saran, dan semangat kepada penulis.

5. Rekan-rekan ilkomerz 43 dan Pondok Handayani atas segala kebersamaan, bantuan, dan motivasi yang telah diberikan kepada penulis.

Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga skripsi ini bermanfaat.

Bogor, Januari 2011

(6)

RIWAYAT HIDUP

Rahmadi Wisnu Wibowo dilahirkan di Wonogiri pada tanggal 14 September 1987 dari pasangan Ibu Endang Tri Jumadini dan Bapak Taryanto. Pada tahun 2006, penulis lulus dari Sekolah Menengah Atas(SMA) Negeri 2 Wonogiri dan diterima di Program Studi Ilmu Komputer Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI).

(7)

iv

DAFTAR ISI

Halaman

DAFTAR GAMBAR ... v

DAFTAR TABEL ... v

DAFTAR LAMPIRAN ... v

PENDAHULUAN Latar Belakang ... 1

Tujuan Penelitian ... 1

Ruang Lingkup Penelitian ... 1

TINJAUAN PUSTAKA Graf dan Network ... 1

Max flow /min cut graph ... 1

Local Binary Pattern (LBP) ... 2

METODE PENELITIAN Data Citra Tanaman Hias ... 3

Praproses Data ... 4

Segmentasi Citra... 4

Pengenalan ... 6

HASIL DAN PEMBAHASAN Praproses Data ... 6

Segmentasi Citra... 6

Citra dengan latar belakang sederhana ... 6

Citra dengan latar belakang kompleks ... 7

Citra dengan pencahayaan seragam ... 7

Citra dengan pencahayaan tidak seragam ... 8

Citra dengan keragaman warna objek ... 8

Pengenalan ... 9

KESIMPULAN DAN SARAN Kesimpulan ... 11

Saran ... 11

DAFTAR PUSTAKA ... 11

(8)

v

DAFTAR GAMBAR

Halaman

1 Graf...…………. ... 1

2 Contoh Network ... 1

3 Ilustrasi path dari s ke t ... 2

4 Ilustrasi max flow dan min cut ... 2

5 Beberapa konstruksi circular neighborhood ... 2

6 Contoh rotation invariant ... 2

7 Tekstur uniform patterns ... 3

8 Metode Penelitian ... 3

9 Citra dengan latar belakang sederhana ... 3

10 Citra dengan latar belakang kompleks ... 4

11 Citra dengan pencahayaan seragam (a) dan Citra dengan pencahayaan tidak seragam (b) ... 4

12 Citra dengan keragaman warna objek ... 4

13 Contoh pelabelan citra ... 4

14 Konstruksi graf... 4

15 Contoh pembagian citra di dalam sistem segmentasi ... 6

16 Praproses data ... 6

17 Contoh hasil segmentasi citra dengan latar belakang sederhana ... 7

18 Contoh hasil segmentasi citra dengan latar belakang kompleks ... 7

19 Contoh hasil segmentasi citra dengan pencahayaan seragam ... 8

20 Contoh hasil segmentasi citra dengan pencahayaan tidak seragam ... 8

21 Contoh hasil segmentasi citra dengan keragaman warna objek ... 8

22 Citra dengan keragaman warna objek asli (a) , citra dengan keragaman warna segmentasi pertama (b) dan citra dengan keragaman warna segmentasi kedua (c) ... 8

23 Akurasi rata-rata keempat operator LBPriu2 ... 9

24 Akurasi LBPriu2(2,8) tanpa segmentasi ... 10

25 Citra tanpa segmentasi yang teridentifikasi 100% ... 10

26 Citra tanpa segmentasi yang tak teridentifikasi ... 10

27 Akurasi LBPriu2(2.8) dengan segmentasi ... 10

28 Contoh citra dengan akurasi 100% menggunakan segmentasi ... 10

29 Contoh citra tanpa segmentasi dengan penurunan akurasi ... 11

30 Contoh citra segmentasi dengan penurunan akurasi ... 11

DAFTAR TABEL Halaman 1. Rumusan perhitungan bobot link ... 5

2. Akurasi rata-rata LBPriu2 ... 9

DAFTAR LAMPIRAN Halaman 1. Hasil segmentasi 30 kelas citra ... 13

(9)

1

PENDAHULUAN

Latar Belakang

Pada sistem pengenalan pola, segmentasi citra merupakan tahapan penting untuk memperbaiki pengenalan pola. Namun sampai saat ini belum ada metode segmentasi yang optimal untuk citra dengan latar belakang yang kompleks. Citra tanaman hias umumnya memiliki latar belakang yang kompleks. Oleh karena itu, diperlukan teknik segmentasi yang lebih baik untuk mengidentifikasi tanaman hias.

Beberapa penelitian sudah dilakukan untuk segmentasi citra tanaman hias. Metode Hough Transform dan Fourier Descriptor (Ramadhani 2009) serta penggunaan metode co-occurrence matrix untuk ekstraksi fitur citra (Annisa 2009) adalah beberapa penelitian yang pernah dilakukan. Selain itu, identifikasi menggunakan metode Boykov and Kolmogorov max flow/min cut graph untuk segmentasi dan ekstraksi fitur menggunakan Gabor Wavelet juga pernah dilakukan sebelumnya. Penelitian ini menunjukkan bahwa untuk 60% kueri, citra hasil temu kembali yang benar terdapat di 10 urutan pertama (Kebabci et al 2001).

Penelitian ini melakukan segmentasi citra menggunakan metode Boykov and Kolmogorov max flow/ min cut graph untuk mengidentifikasi tanaman hias. Penelitian ini menggunakan jumlah dan jenis citra tanaman hias yang lebih banyak dibandingkan dengan penelitian Kebabci et al (2001).

Tujuan

Tujuan dari penelitian ini adalah untuk mengaplikasikan metode Boykov and Kolmogorov max flow min-cut graph untuk segmentasi citra tanaman hias secara automatis serta pengenalan tanaman hias.

Ruang Lingkup

Ruang lingkup penelitian adalah melakukan segmentasi citra untuk tanaman hias dengan ekstraksi ciri menggunakan Rotation Invariant Uniform Patterns (LBPriu2) (Kulsum 2010) dan klasifikasi Probabilistic Neural Network

(PNN) (Nurafifah 2010).

TINJAUAN PUSTAKA

Segmentasi Citra

Segmentasi merupakan langkah awal dari ekstraksi fitur pada suatu citra. Prosedur segmentasi membagi citra menjadi beberapa bagian pokok penyusun citra. Dalam penelitian ini segmentasi hanya akan membedakan dua

wilayah citra yaitu wilayah objek utama dan

background atau latar. Secara umum,

segmentasi yang baik akan menjadikan peluang keberhasilan proses pengenalan citra lebih besar (Gonzalez 2002).

Segmentasi dilakukan untuk memisahkan objek daun atau bunga dengan latar belakang citra. Proses ini untuk memisahkan objek penyusun citra tanaman hias seperti pot, lantai, dan rerumputan.

Graf dan Network

Teori graf pertama kali muncul pada tahun 1736 sebagai solusi Euler dalam memecahkan

“Masalah Jembatan Konighberg”. Secara

struktur, graf merupakan kumpulan dari node

dan edge yang saling berhubungan seperti terlihat pada Gambar 1.

Gambar 1 Graf.

Graf dapat diaplikasikan dalam berbagai masalah, seperti masalah pencocokan, penjadwalan, networking dan lain sebagainya. Dalam penelitian ini jenis graf yang digunakan adalah network. Network memiliki beberapa spesifikasi seperti edge yang berarah, edge yang memiliki kapasitas dan adanya suatu terminal atau titik awal dan titik akhir seperti terlihat pada Gambar 2. Salah satu metode atau cara untuk memecahkan masalah dalam aplikasi

network adalah max flow / min cut graph

(Chartrand & Oellermann 1993).

Gambar 2 Contoh network.

Max flow / min cut graph

(10)

2 berhubungan dengan aplikasi network.

Algoritme ini bekerja untuk memisahkan

background dan foreground. Dalam algoritme ini terdapat beberapa istilah dan ketentuan operasionalnya. Adapun istilah-istilah tersebut adalah sebagai berikut:

 Node adalah himpunan berhingga dan tak kosong dari elemen graf yang berbentuk titik.

 Edge adalah himpunan pasangan tak terurut dari verteks-verteks yang berbeda.

 Path adalah barisan node dan edge yang dimulai dan berakhir di node serta memiliki

node yang berbeda untuk setiap rangkaiannya.

 Kapasitas edge (c) adalah kapasitas yang dimiliki oleh edge yang menghubungkan dua buah node.

 flow(f) adalah aliran yang melewati path

tertentu.

 Max flow/ min cut adalah maksimum aliran pada suatu path yang merupakan nilai minimum dari seluruh kapasitas edge

penyusun path. terminal sink, update bobot dan mengambil cut

dari suatu graf. Ilustrasi pencarian path dari terminal source (s) ke terminal sink (t) terlihat pada Gambar 2 yang ditunjukkan dengan panah tebal. Pencarian path dilakukan sampai tidak terdapat path dari terminal source ke terminal

sink.

Gambar 3 Ilustrasi path dari s ke t.

Setelah tidak terdapat path dari terminal

source ke terminal sink, langkah terakhir adalah mencari anggota masing-masing terminal yang dipisahkan oleh minimum cut. Ilustrasi max flow atau min cut terlihat pada Gambar 4 dengan cut yang ditunjukkan dengan garis terputus-putus.

Gambar 4 Ilustrasi max flow dan min cut.

Local Binary Pattern (LBP)

Local Binary Pattern merupakan algoritme untuk mendeskripsikan tekstur pada citra

grayscale. Algoritme ini bekerja

mendeskripsikan tekstur secara lokal pada suatu blok tertentu di citra grayscale. Pendeskripsian ini menggunakan beberapa jenis ketetanggaan yang tersebar secara melingkar circular neighborhoods. Gambar 5 memperlihatkan contoh circular neighborhood tiga operator (Kulsum 2010).

Gambar 5 Beberapa ukuran circular neighborhood.

Salah satu kelebihan dari algoritme Local Binary Pattern adalah tidak sensitif terhadap rotasi. Gambar 6 menunjukkan contoh rotation invariant yang memiliki pola 00001111 dan memiliki nilai 15.

Gambar 6 Contoh rotation invariant.

Local Binary Pattern menyimpan berbagai informasi menggunakan pola-pola tertentu. Informasi penting pada suatu citra akan disimpan ke dalam pola-pola yang disebut

uniform patterns. Suatu pola merupakan

uniform pattern jika terdapat pola transisi bit dari 0 ke 1 atau sebaliknya. Uniform patterns

berfungsi untuk mengidentifikasi noda flat area

atau dark spot, sudut, dan tepi. Gambar 7 menunjukkan beberapa jenis uniform pattern

(11)

3

Spot Spot/flat Line end Edge Corner

Gambar 7 Tekstur uniform patterns.

Penggabungan antara Rotation Invariant dan

Uniform Pattern menghasilkan variasi Local Binary Pattern yang disebut Rotation Invariant Uniform Pattern atau LBPriu2 (Kulsum 2010).

METODE PENELITIAN

Penelitian ini dilakukan dalam beberapa tahap. Tahap-tahap tersebut diselesaikan dengan metode penelitian yang dapat dilihat pada Gambar 8.

Data Citra Tanaman Hias

Data citra tanaman hias yang dipergunakan dalam penelitian ini adalah citra tanaman hias lokal Indonesia. Lokasi pengambilan citra tersebut adalah Kebun Raya Bogor dan beberapa tempat lainnya. Jumlah data yang diambil berjumlah 300 buah dengan berbagai macam sudut pengambilan yang kemudian dikelompokkan menjadi 30 kelas. Semua citra tersebut kemudian dimasukkan ke dalam beberapa kelompok kelas antara lain berdasarkan latar belakang, berdasarkan pencahayaan dan berdasarkan keragaman warna objek citra.

Kelompok citra berdasarkan latar belakang dapat dibagi menjadi 2 jenis yaitu citra dengan latar belakang sederhana seperti pada Gambar 9 dan citra dengan latar belakang kompleks yang dapat dilihat pada Gambar 10. Kelompok citra berdasarkan pencahayaan dapat dibagi menjadi 2 macam yaitu citra dengan pencahayaan seragam seperti pada Gambar 11 dan citra dengan pencahayaan tidak seragam seperti pada Gambar 11. Citra dengan keragaman warna objek dapat dilihat pada Gambar 12.

Gambar 8 Metode Penelitian.

(12)

4 Gambar 10 Citra dengan latar belakang

kompleks.

(a) (b)

Gambar 11 Citra dengan pencahayaan seragam (a) dan Citra dengan pencahayaan tidak seragam (b).

Gambar 12 Citra dengan keragaman warna objek.

Praproses Data

Praproses data pada penelitian ini dilakukan dengan memperkecil ukuran citra. Hal ini dilakukan karena keterbatasan sistem sehingga citra masukan hanya berukuran 270x210 pixel.

Tahapan selanjutnya setelah praproses adalah melakukan segmentasi. Segmentasi dilakukan menggunakan metode Boykov and Kolmogrov`s max flow/ min cut graph (Boykov & Kolmogorov 2001). Segmentasi ini tidak dilakukan secara manual tetapi menggunakan sebuah sistem yang memanfaatkan metode tersebut. Dalam sistem ini citra masukan memiliki channelRed, Green, Blue (RGB) yang kemudian akan menghasilkan citra hasil segmentasi yang memiliki channel RGB dan

Grayscale.

Tahapan pertama dalam segmentasi adalah membentuk sebuah graf. Dalam penelitian ini graf dibentuk menggunakan seluruh pixel yang terdapat pada citra. Tahapan ini dapat dibagi menjadi beberapa langkah yaitu pelabelan daerah, penentuan pivot atau terminal dan perhitungan bobot link.

Pelabelan daerah pada penelitian ini digunakan untuk membagi citra menjadi 3

daerah yaitu daerah yang mewakili objek utama, daerah yang mewakili background dan daerah yang belum teridentifikasi seperti terlihat pada Gambar 13. Pada sistem segmentasi, pemilihan inisialisasi wilayah dilakukan oleh pengguna sistem dengan memilih dua titik untuk dua wilayah yang berbeda.

Gambar 13 Contoh pelabelan citra.

Setelah pelabelan selesai dilakukan, langkah berikutnya adalah penentuan pivot atau terminal. Pivot atau terminal digunakan sebagai inisialisasi daerah tertentu pada hasil pelabelan. Pada penelitian ini pivot atau terminal mewakili daerah objek utama dan daerah background. Terminal yang mewakili daerah objek utama disebut terminal source dan terminal yang mewakili background disebut terminal sink. Kedua terminal tersebut selanjutnya dihubungkan dengan seluruh pixel untuk membentuk sebuah graf. Graf yang terbentuk dapat dilihat pada Gambar 14.

Tahapan terakhir dalam membentuk graf adalah menghitung bobot untuk setiap link yang terjadi dalam graf. Secara umum, terdapat tiga macam link graf yaitu link antara terminal

source dengan node, link antara terminal sink

dengan node dan link antara node yang bersebelahan. Ketentuan perhitungan bobot link

terlihat pada Tabel 1 (Boykov & Jolly 2001).

(13)

5 Tabel 1 Rumusan perhitungan bobot link

Edge Bobot Kondisi bersebelahan dilambangkan sebagai n-link

{p,q} dengan p dan q adalah dua buah pixel

yang bersebelahan. Persamaan untuk menghitung bobot n-link terlihat pada persamaan berikut:

(1)

dengan Ip dan Iq merupakan intensitas dua buah pixel yang bersebelahan. Pada penelitian ini nilai intensitas merupakan rata-rata dari ketiga

channel masukan yaitu Red, Green dan Blue.

dist(p,q) merupakan jarak antara kedua buah

pixel dengan persamaan perhitungan sebagai berikut:

Jarak2 = (Rp – Rq)2 + (Gp – Gq)2 + (Bp – Bq)2 (2)

dengan Rp, Rq, Gp, Gq, Bp, Bq adalah nilai channel Red, Green dan Blue pada citra. Contoh perhitungan untuk n-link adalah sebagai berikut:

Ip = 255, 200, 70

Iq = 50, 10, 15

dalam contoh ini variance bernilai 2000 Ip = (255 + 200 + 70)/3 = 175

Edge yang menghubungkan antara terminal

source dengan node dilambangkan dengan

t-link {p, s}. Pada hubungan ini, terdapat beberapa ketentuan untuk menghitung bobotnya. Pertama adalah ketentuan untuk menghitung bobot antara terminal source dan

node dengan kondisi node merupakan anggota bagian objek utama (O) dan background (B). Formulasi untuk menghitungnya adalah sebagai berikut:

dalam contoh ini variance bernilai 2000 || Ip– Is || 2 = (200-150)2 + (150-180)2 +

(250-120) || Ip– Is || 2 = 28400.

Dp(s) = exp(-28400/2*2000) Dp(s) = 8.251 x 10-4.

Selanjutnya adalah ketentuan untuk menghitung bobot antara terminal source dan node dengan

dengan kondisi node merupakan anggota

background maka bobot yang diberikan adalah beberapa ketentuan untuk menghitung bobot. Ketentuan pertama adalah untuk menghitung bobot dengan kondisi node p merupakan anggota dari objek utama (O) dan background

(14)

6 dalam contoh ini variance bernilai 2000

|| Ip– It || 2 = (200-150)2 + (150-180)2 + (250-bernilai K dengan formulasi perhitungan terlihat pada persamaan 4. Jika p merupakan anggota objek utama (O) maka akan bernilai 0.

Setelah graf terbentuk, tahapan selanjutnya adalah melakukan implementasi algoritme

Boykov and Kolmogorov max flow/min cut graph. Langkah detail dari algoritme ini adalah sebagai berikut: (Boykov & kolmogorov 2001) 1. Mencari path atau lintasan dari terminal

source ke terminal sink.

2. Mencari bobot yang paling minimum antara dua buah node yang bertetanggaan dalam path atau lintasan tersebut sebagai representasi minimum cut atau maksimum dari flow yang bisa melewati path atau lintasan tersebut.

3. Update masing-masing bobot antar node

yang bertetanggaan dalam path atau lintasan tersebut dengan nilai yang ditemukan pada langkah kedua dengan mengurangkan setiap bobot pada edge

penyusun path.

4. Lakukan langkah 1 sampai 3 hingga tidak terdapat path atau lintasan dari source ke

sink.

5. Mencari node anggota masing-masing terminal berdasarkan karakteristik terminal. Dalam sistem segmentasi citra masukan akan dipecah menjadi 4 bagian seperti terlihat pada Gambar 15. Untuk setiap bagian hasil pemecahan citra akan dilakukan segmentsi dengan membentuk graf dan implementasi metode Boykov and Kolmogorov max flow/min segmentasi dipilih berdasarkan kriteria tertentu untuk diuji menggunakan sistem Local Binary

Pattern (LBP) dan diklasifikasikan

menggunakan Probabilistic Neural Network

(PNN).

HASIL DAN PEMBAHASAN

Praproses Data

Sebelum semua citra disegmentasi, pada penelitian ini terlebih dahulu citra akan diubah ukurannya. Pada tahapan ini, citra akan diubah ukurannya mejadi berukuran 270x210 pixel atau di bawahnya. Hasil praproses dapat dilihat pada Gambar 16.

Gambar 16 Praproses data.

Segmentasi

Setelah semua data melalui praproses maka tahapan berikutnya adalah melakukan segmentasi pada data citra. Pada tahapan ini segmentasi dilakukan pada beberapa tipe citra antara lain citra dengan latar belakang sederhana, citra dengan latar belakang kompleks, citra dengan pencahayaan seragam dan citra pencahayaan tidak seragam serta citra dengan keragaman warna objek. Tampilan sistem segmentasi dapat dilihat pada Lampiran 2. Hasil segmentasi untuk keseluruhan jenis citra dapat dilihat pada Lampiran 1. Berikut hasil segmentasi untuk semua tipe citra.

Citra dengan latar belakang sederhana

Citra dengan latar belakang sederhana merupakan citra yang sebagian besar bagian penyusunnya adalah objek utama. Dalam citra ini objek utama tersusun oleh kumpulan intensitas yang memiliki kemiripan nilai. Untuk komponen background, citra ini hanya memiliki satu komponen background sederhana dan memiliki intensitas yang berbeda dengan komponen objek utama.

(15)

7 terjadi karena citra hanya disusun oleh satu

jenis objek utama dan satu background yang sederhana dan masing-masing penyusunnya memiliki kemiripan nilai intensitas.

Pada konstruksi link objek utama, semua

node memiliki konstruksi yang kuat antara satu

node dengan node yang lain. Hal ini ditunjukkan dengan besarnya nilai perhitungan bobot yang terjadi antar pixel dalam objek utama. Untuk konstruksi link background, semua node memiliki konstruksi yang kuat seperti yang terjadi pada konstruksi link objek utama. Namun untuk konstruksi link pada batas antara objek utama dan background, terdapat konstruksi link yang lemah. Konstruksi lemah ini terjadi karena pixel-pixel yang menjadi batas antara objek utama dan background memiliki perbedaan yang besar.

Algoritme max flow/min cut mencari path

berdasarkan hubungan ketetanggaan yang minimum untuk terminal maupun untuk ketetanggaan antar pixel. Cara kerja ini menyebabkan edge lemah yang terjadi di antara objek utama dan background menjadi anggota

path dari source ke sink. Pengambilan ini akan mengakibatkan edge-edge tersebut menjadi cut

yang memisahkan objek utama dengan

background. Pemisahan ini yang menyebabkan hasil segmentasi untuk citra jenis ini baik. Hasil segmentasi terlihat pada Gambar 17.

Gambar 17 Contoh hasil segmentasi citra dengan latar belakang sederhana.

Citra dengan latar belakang kompleks

Citra dengan latar belakang kompleks merupakan jenis citra yang memiliki bermacam-macam komponen background atau latar. Keragaman objek ini memungkinkan intensitas beberapa komponen background

memiliki nilai yang sama atau mirip dengan objek utama. Untuk memperkecil kemungkinan tersebut, citra masukan dibagi menjadi empat bagian yang sama besar.

Pelabelan pada objek utama menghasilkan inisialisasi wilayah yang baik. Namun untuk

background, inisialisasi wilayah tidak berjalan dengan baik. Hasil ini disebabkan oleh keragaman objek pada background yang memiliki intensitas berbeda untuk setiap komponennya.

Konstruksi link pada objek utama menghasilkan konstruksi yang kuat antar pixel

atau node penyusun objek utama. Konstruksi ini dihasilkan oleh pixel-pixel penyusun yang memiliki nilai yang hampir sama. Untuk konstruksi background, konsruksi akan kuat pada beberapa komponen yang memiliki nilai intensitas yang hampir sama dengan intensitas yang dipilih oleh pengguna. Namun hal yang sama tidak terjadi pada konstruksi antar komponen penyusun background. Kondisi ini disebabkan oleh perbedaan nilai intensitas pada komponen penyusun background.

Keragaman objek atau komponen pada

background juga menyebabkan segmentasi dilakukan lebih dari satu kali untuk mendapatkan hasil yang baik. Perlakuan ini dilakukan karena algoritme max flow/min cut

hanya mampu menghilangkan satu atau dua komponen background dalam satu kali segmentasi. Pada citra jenis ini pengambilan cut

terjadi pada batas antara objek utama dan

background yang terinisialisasi wilayahnya dan tidak pada seluruh batas antara objek utama dan

background untuk satu kali segmentasi. Hasil segmentasi pada citra jenis ini cukup baik seperti terlihat pada Gambar 18.

.

Gambar 18 Contoh hasil segmentasi citra dengan latar belakang kompleks.

Citra dengan pencahayaan seragam

(16)

8 Pelabelan pada citra jenis ini baik karena

sebagian besar bagian objek utama dan

background dapat diinisialisasi dengan baik. kondisi ini disebabkan oleh perbedaan intensitas antara objek utama dan background.

Algoritme max flow/min cut pada citra jenis ini memisahkan objek utama dan background

pada batas antara keduanya. Pemisahan ini terjadi karena edge penghubung antara objek utama dan background lemah sehingga mudah terputus pada saat update bobot. Hasil segmentasi pada citra jenis ini cukup baik seperti terlihat pada Gambar 19.

Gambar 19 Contoh hasil segmentasi citra dengan pencahayaan seragam.

Citra dengan pencahayaan tidak seragam

Citra jenis ini memiliki pencahayaan yang berbeda pada beberapa bagian penyusunnya. pada penelitian ini terdapat beberapa citra yang termasuk dalam tipe ini. Citra-citra tersebut sebagian besar memiliki pencahayaan yang berbeda pada bagian kanan dan kiri objek utama.

Pelabelan pada citra jenis ini tidak berjalan dengan baik. Hal ini disebabkan oleh intensitas penyusun objek utama dan background

memiliki nilai yang hampir sama yang mengakibatkan wilayah background

terinisialisasi sebagai objek utama. Kondisi tersebut menyebabkan terdapat kontruksi link

yang kuat antara objek utama dan beberapa bagian background.

Algoritme max flow/min cut selalu mencari

path berdasarkan edge yang paling minimum. Ketentuan ini akan menghasilkan cut pada objek yang memiliki perbedaan intensitas yang besar. Pada citra jenis ini cut terjadi di antara kedua pencahayaan seperti terlihat pada Gambar 20.

Gambar 20 Contoh hasil segmentasi citra

dengan pencahayaan tidak seragam.

Citra dengan keragaman warna objek

Citra dengan keragaman warna objek merupakan citra yang memiliki objek utama dengan beberapa warna. Pada citra jenis ini terdapat dua variasi hasil segmentasi. Variasi yang pertama adalah terpisahnya objek utama dan background dengan baik seperti terlihat pada Gambar 21. Variasi kedua adalah terpisahnya sebagian komponen objek utama seperti terlihat pada Gambar 22.

Gambar 21 Contoh hasil segmentasi citra

dengan keragaman warna objek.

(a) (b) (c) Gambar 22 Citra dengan keragaman warna

objek asli (a), citra dengan keragaman warna segmentasi pertama (b) dan citra dengan keragaman warna segmentasi kedua (c).

Pada variasi pertama, pelabelan berjalan dengan baik pada objek utama dan background. Hasil ini disebabkan oleh kemiripan nilai intensitas yang terjadi pada penyusun objek utama maupun background. Pada variasi ini konstruksi link memiliki karakter yang sama dengan konstruksi link citra yang memiliki

background sederhana. Untuk konstruksi ketetanggaan, terjadi link yang kuat antara

pixel-pixel penyusun objek utama dan

background namun terjadi konstruksi yang lemah di batas antara keduanya.

(17)

9 antara komponen objek utama yang memiliki

perbedaan intensitas dan pada sebagian batas antara objek utama dan background.

Pengenalan

Tahapan pengenalan merupakan tahapan untuk identifikasi dengan menggunakan citra hasil segmentasi. Tahapan ini menggunakan algoritme Local Binary Pattern dengan jenis

Rotation invariant uniform pattern (LBPriu2) dan Probabilistic Neural Network (PNN)untuk mengekstraksi fitur citra hasil segmentasi seperti pada penelitian Kulsum (2010). Untuk LBPriu2, sampling point yang digunakan adalah 8, 16 dan 24 dengan radius 1, 2 dan 3 yang digunakan dalam empat operator yaitu LBPriu2(1,8), LBPriu2(2,8), LBPriu2(2,16) dan LBPriu2(3,24). Pada operator LBP, radius menyatakan ukuran blok yang akan digunakan. Untuk radius 1 memiliki ukuran blok 3x3 pixel, radius 2 memiliki blok berukuran 5x5 pixel dan radius 3 memiliki ukuran blok sebesar 7x7 menunjukkan akurasi rata-rata LBPriu2 dari keempat operator.

Tabel 2 Akurasi rata-rata LBPriu2

Jenis Operator LBPriu2 2,16 0.4444 0.66667 LBPriu2 2,8 0.5694 0.69444 LBPriu2 3,24 0.3888 0.58333

Gambar 23 Akurasi rata-rata keempat operator LBPriu2.

Tabel 2 menunjukkan bahwa LBPriu2(2,8) memiliki akurasi tertinggi dengan persentase sebesar 70.83% pada citra segmentasi. Dari Tabel 2 terlihat bahwa kenaikan akurasi tertinggi terjadi pada operator LBPriu2 dengan

sampling point 16 dan radius 2. Secara umum, penggunaan segmentasi pada citra dapat menaikkan akurasi sebesar 8.33% sampai 22.22% pada operator LBPriu2. Namun secara komputasi, penggunaan radius 1 dan sampling point 8 kurang baik walaupun menghasilkan akurasi tertinggi. Hal ini karena radius 1 memiliki ukuran blok 3x3 yang menyebabkan waktu eksekusi ekstraksi menjadi lebih lama dibandingkan radius 2 atau 3 yang memiliki ukuran blok 5x5 dan 7x7 dengan jumlah

sampling point yang sama. Oleh karena itu, fokus pembahasan pada sub bab pengenalan hanya difokuskan pada hasil penggunaan operator LBPriu2 dengan sampling point 8 dan radius 2.

(18)

10 Gambar 24 Akurasi LBPriu2(2,8) tanpa

segmentasi.

Hasil pengenalan menggunakan operator LBPriu2(2,8) pada citra tanpa segmentasi memiliki hasil yang kurang baik. Hal ini terlihat pada akurasi rata-rata yang hanya mencapai 56,94%. Namun pada akurasi kelas, terdapat beberapa kelas yang memiliki akurasi sebesar 100% atau dapat teridentifikasi dengan baik. Kelas-kelas tersebut antara lain kelas 2, 4, 6, 8, 15, 17 dan 18. Contoh citra dari kelas-kelas tersebut dapat dilihat pada Gambar 25.

Gambar 25 Citra tanpa segmentasi yang teridentifikasi 100%.

Pada Gambar 25 terlihat bahwa sebagian besar citra tanpa segmentasi yang teridentifikasi dengan baik adalah citra dengan background

yang sederhana walaupun terdapat 2 citra dengan background yang kompleks. Selain terdapat citra yang dapat diidentifikasi dengan baik, terdapat kelas yang tidak dapat diidentifikasi atau memiliki akurasi kelas sebesar 0%. Kelas-kelas tersebut antara lain 9, 14 dan 24. Contoh dari citra tersebut dapat dilihat pada Gambar 26.

Gambar 26 Citra tanpa segmentasi yang tak teridentifikasi.

Pada Gambar 26 terlihat bahwa citra yang tidak dapat teridentifikasi adalah citra dengan

backgound kompleks. Hal menunjukkan bahwa kerumitan background akan memengaruhi tahapan pengenalan.

Hasil pengenalan pada citra dengan segmentasi memiliki akurasi rata-rata yang lebih baik dibandingkan dengan akurasi rata-rata citra tanpa segmentasi yaitu 70.83%. Untuk akurasi kelas, kenaikan juga terjadi pada sebagian besar kelas seperti terlihat pada Gambar 27.

Gambar 27 Akurasi LBPriu2(2.8) dengan segmentasi.

Pada Gambar 27 terlihat beberapa kelas yang dapat diidentifikasi dengan baik. Kelas-kelas tersebut antara lain Kelas-kelas 1, 2, 3, 5, 6, 9, 10, 13, 16 dan 17. Contoh citra dari kelas-kelas tersebut dapat dilihat pada Gambar 28.

Gambar 28 Contoh citra dengan akurasi 100% menggunakan segmentasi.

(19)

11 kenaikan akurasi sebesar 100%. Kelas tersebut

adalah kelas yang tidak dapat diidentifikasi tanpa segmentasi yaitu kelas 9. Kelas 9 merupakan citra dengan latar belakang kompleks dengan berbagai macam penyusunnya. Setelah segmentasi, kelas ini dapat teridentifikasi dengan baik dan memiliki akurasi 100%.

Hasil akurasi setiap kelas pada Gambar 27 menunjukkan penurunan akurasi beberapa kelas. Kelas-kelas tersebut antara lain kelas 15, 18,21, 22 dan 23. Contoh citra tanpa segmentasi yang mengalami penurunan akurasi dapat dilihat pada Gambar 29.

Gambar 29 Contoh citra tanpa segmentasi dengan penurunan akurasi. Citra yang mengalami penurunan akurasi adalah citra dengan intensitas yang hampir seragam pada semua penyusunnya. Hal ini mengakibatkan konstruksi link akan memiliki nilai yang hampir sama untuk semua link. Konstruksi tersebut akan mengakibatkan terjadinya cut pada tempat yang tidak semestinya. Hal ini akan mengakibatkan hasil segmentasi dan hasil pengenalan kurang baik. Contoh hasil segmentasi pada beberapa kelas tersebut terlihat pada Gambar 30.

Gambar 30 Contoh citra segmentasi dengan penurunan akurasi.

KESIMPULAN DAN SARAN

Kesimpulan

Penelitian ini menerapkan metode Boykov and Kolmogorov max flow/ min cut graph untuk melakukan segmentasi pada citra tanaman hias. Metode ini dapat digunakan dengan baik pada citra yang memiliki perbedaan intensitas yang besar antara objek utama dan background.

Pada penelitian ini hasil evaluasi terbaik ditunjukkan operator LBPriu2(2.8) dengan akurasi sebesar 69.44%. Pada operator ini akurasi meningkat sebesar 12.5% dari akurasi citra tanpa segmentasi.

Saran

Pada hasil segmentasi yang kurang baik, dapat dilakukan perbaikan pada sistem segmentasi dengan menambahkan wilayah terminal source dan sink secara dinamis.

DAFTAR PUSTAKA

Annisa. 2009. Ekstraksi ciri morfologi dan tekstur untuk temu kembali citra helai daun

[skripsi]. Bogor: Departemen Ilmu Komputer, Institut Pertanian Bogor.

Boykov Y, Jolly M-P. 2001. Interactive graph cut for optimal boundary & region segmentation of object in N-D image.

International Conference on Computer vision

1:377-384.

Boykov Y, Kolmogorov V. 2004. An experimental comparison of min-cut/max-ﬂow algorithms for energy minimization in vision. Pattern Analysis and Machine Intelligence. IEEE Transactions 26:1124–1137.

Boykov Y, Kolmogorov V. 2001. An experimental comparison of min-cut/max-ﬂow algorithms for energy minimization in vision.

International Workshop on Energy

Minimization Method in Computer Vision and

Pattern Recognition. Springer-Verlag

2134:359-374.

Chartrand G, Oellermann OR. 1993.

Applied Algorithmic Graph Theory. New York: McGraw-Hill, Inc.

Plant Image Retrieval Using Color and Texture Feature. Sabanci University, Faculty of Engineering and Natural Science, 2008.

Kulsum, Lies Umi. 2010. Identifikasi tanaman hias secara automatis menggunakan

metode Local Binary Descriptor dan

Probabilistic Neural Network [skripsi]. Bogor: Departemen Ilmu Komputer, Institut Pertanian Bogor.

Mc Andrew. 2004. Digital Image Processing with Matlab. Australia : Victoria University.

(20)

(21)

13 Lampiran 1 Hasil segmentasi 30 kelas citra.

No Citra Asli Citra hasil segmentasi berwarna

Citra hasil segmentasi

grayscale

1.

2.

3.

4.

5.

6.

7.

(22)

14 Lampitan 1 Lanjutan

9.

10.

11.

12.

13.

14.

15.

16.

(23)

15 Lampiran 1 Lanjutan

18.

19.

20.

21.

22.

23.

24.

25.

(24)

27.

28.

29.

30.

31.

32.

33.

34.

(25)

36.

37.

38.

39.

40.

41.

42.

43.

(26)

45.

46.

47.

48.

49.

50.

51.

52.

(27)

54.

55.

56.

57.

58.

59

60.

61.

(28)

63.

64.

65.

66.

67.

68.

69.

70.

(29)

72.

73.

74.

75.

76.

77.

78.

79.

(30)

81.

82.

83.

84.

85.

86.

87.

88.

(31)

23 Lampiran 2 Model sistem segmentasi.

1. Model awal sistem sebelum menerima masukan

(32)

ABSTRACT

WISNU WIBOWO, RAHMADI. House Plant Segmentation Using Boykov and Kolmogorov Max Flow/Min Cut Graph. Under the supervision of YENI HERDIYENI.

Segmentation is an important step to improve pattern recognition. But until recently, few studies have been done yet to segment the image with complex background. This research is trying to segment the image that has a complex background. This study used Boykov and Kolmogorov max flow/min cut graph for segmentation. This method uses all the pixels to form a directed graph with two terminals. Database of 300 house plant images belong to 30 different types of house plant in Indonesia. In testing, 240 images are used and then extracted using Rotation Invariant Uniform Patterns ( ) and performed recognition using probabilistic neural network (PNN). Results showed that accuracy increased between 8.33% to 22.22% after the segmentation.

Keywords: segmentation, background, max flow/min cut graph, local binary pattern, probabilistic neural network.

(33)

1

PENDAHULUAN

Latar Belakang

Tujuan

Ruang Lingkup

Gambar 1 Graf.

(34)

1

PENDAHULUAN

Latar Belakang

Tujuan

Ruang Lingkup

Gambar 1 Graf.

(35)

2 berhubungan dengan aplikasi network.

Algoritme ini bekerja untuk memisahkan

background dan foreground. Dalam algoritme ini terdapat beberapa istilah dan ketentuan operasionalnya. Adapun istilah-istilah tersebut adalah sebagai berikut:

 Node adalah himpunan berhingga dan tak kosong dari elemen graf yang berbentuk titik.

 Edge adalah himpunan pasangan tak terurut dari verteks-verteks yang berbeda.

 Path adalah barisan node dan edge yang dimulai dan berakhir di node serta memiliki

node yang berbeda untuk setiap rangkaiannya.

 Kapasitas edge (c) adalah kapasitas yang dimiliki oleh edge yang menghubungkan dua buah node.

 flow(f) adalah aliran yang melewati path

tertentu.

 Max flow/ min cut adalah maksimum aliran pada suatu path yang merupakan nilai minimum dari seluruh kapasitas edge

penyusun path. terminal sink, update bobot dan mengambil cut

dari suatu graf. Ilustrasi pencarian path dari terminal source (s) ke terminal sink (t) terlihat pada Gambar 2 yang ditunjukkan dengan panah tebal. Pencarian path dilakukan sampai tidak terdapat path dari terminal source ke terminal

sink.

Gambar 3 Ilustrasi path dari s ke t.

Setelah tidak terdapat path dari terminal

source ke terminal sink, langkah terakhir adalah mencari anggota masing-masing terminal yang dipisahkan oleh minimum cut. Ilustrasi max flow atau min cut terlihat pada Gambar 4 dengan cut yang ditunjukkan dengan garis terputus-putus.

Gambar 4 Ilustrasi max flow dan min cut.

Local Binary Pattern (LBP)

Local Binary Pattern merupakan algoritme untuk mendeskripsikan tekstur pada citra

grayscale. Algoritme ini bekerja

mendeskripsikan tekstur secara lokal pada suatu blok tertentu di citra grayscale. Pendeskripsian ini menggunakan beberapa jenis ketetanggaan yang tersebar secara melingkar circular neighborhoods. Gambar 5 memperlihatkan contoh circular neighborhood tiga operator (Kulsum 2010).

Gambar 5 Beberapa ukuran circular neighborhood.

Salah satu kelebihan dari algoritme Local Binary Pattern adalah tidak sensitif terhadap rotasi. Gambar 6 menunjukkan contoh rotation invariant yang memiliki pola 00001111 dan memiliki nilai 15.

Gambar 6 Contoh rotation invariant.

Local Binary Pattern menyimpan berbagai informasi menggunakan pola-pola tertentu. Informasi penting pada suatu citra akan disimpan ke dalam pola-pola yang disebut

uniform patterns. Suatu pola merupakan

uniform pattern jika terdapat pola transisi bit dari 0 ke 1 atau sebaliknya. Uniform patterns

berfungsi untuk mengidentifikasi noda flat area

atau dark spot, sudut, dan tepi. Gambar 7 menunjukkan beberapa jenis uniform pattern

(36)

3

(37)

3

(38)

4 Gambar 10 Citra dengan latar belakang

kompleks.

(a) (b)

Gambar 11 Citra dengan pencahayaan seragam (a) dan Citra dengan pencahayaan tidak seragam (b).

Gambar 12 Citra dengan keragaman warna objek.

Praproses Data

Praproses data pada penelitian ini dilakukan dengan memperkecil ukuran citra. Hal ini dilakukan karena keterbatasan sistem sehingga citra masukan hanya berukuran 270x210 pixel.

Tahapan selanjutnya setelah praproses adalah melakukan segmentasi. Segmentasi dilakukan menggunakan metode Boykov and Kolmogrov`s max flow/ min cut graph (Boykov & Kolmogorov 2001). Segmentasi ini tidak dilakukan secara manual tetapi menggunakan sebuah sistem yang memanfaatkan metode tersebut. Dalam sistem ini citra masukan memiliki channelRed, Green, Blue (RGB) yang kemudian akan menghasilkan citra hasil segmentasi yang memiliki channel RGB dan

Grayscale.

Tahapan pertama dalam segmentasi adalah membentuk sebuah graf. Dalam penelitian ini graf dibentuk menggunakan seluruh pixel yang terdapat pada citra. Tahapan ini dapat dibagi menjadi beberapa langkah yaitu pelabelan daerah, penentuan pivot atau terminal dan perhitungan bobot link.

Pelabelan daerah pada penelitian ini digunakan untuk membagi citra menjadi 3

daerah yaitu daerah yang mewakili objek utama, daerah yang mewakili background dan daerah yang belum teridentifikasi seperti terlihat pada Gambar 13. Pada sistem segmentasi, pemilihan inisialisasi wilayah dilakukan oleh pengguna sistem dengan memilih dua titik untuk dua wilayah yang berbeda.

Gambar 13 Contoh pelabelan citra.

Setelah pelabelan selesai dilakukan, langkah berikutnya adalah penentuan pivot atau terminal. Pivot atau terminal digunakan sebagai inisialisasi daerah tertentu pada hasil pelabelan. Pada penelitian ini pivot atau terminal mewakili daerah objek utama dan daerah background. Terminal yang mewakili daerah objek utama disebut terminal source dan terminal yang mewakili background disebut terminal sink. Kedua terminal tersebut selanjutnya dihubungkan dengan seluruh pixel untuk membentuk sebuah graf. Graf yang terbentuk dapat dilihat pada Gambar 14.

Tahapan terakhir dalam membentuk graf adalah menghitung bobot untuk setiap link yang terjadi dalam graf. Secara umum, terdapat tiga macam link graf yaitu link antara terminal

source dengan node, link antara terminal sink

dengan node dan link antara node yang bersebelahan. Ketentuan perhitungan bobot link

terlihat pada Tabel 1 (Boykov & Jolly 2001).

(39)

5 Tabel 1 Rumusan perhitungan bobot link

Edge Bobot Kondisi bersebelahan dilambangkan sebagai n-link

{p,q} dengan p dan q adalah dua buah pixel

yang bersebelahan. Persamaan untuk menghitung bobot n-link terlihat pada persamaan berikut:

(1)

dengan Ip dan Iq merupakan intensitas dua buah pixel yang bersebelahan. Pada penelitian ini nilai intensitas merupakan rata-rata dari ketiga

channel masukan yaitu Red, Green dan Blue.

dist(p,q) merupakan jarak antara kedua buah

pixel dengan persamaan perhitungan sebagai berikut:

Jarak2 = (Rp – Rq)2 + (Gp – Gq)2 + (Bp – Bq)2 (2)

dengan Rp, Rq, Gp, Gq, Bp, Bq adalah nilai channel Red, Green dan Blue pada citra. Contoh perhitungan untuk n-link adalah sebagai berikut:

Ip = 255, 200, 70

Iq = 50, 10, 15

dalam contoh ini variance bernilai 2000 Ip = (255 + 200 + 70)/3 = 175

Edge yang menghubungkan antara terminal

source dengan node dilambangkan dengan

t-link {p, s}. Pada hubungan ini, terdapat beberapa ketentuan untuk menghitung bobotnya. Pertama adalah ketentuan untuk menghitung bobot antara terminal source dan

node dengan kondisi node merupakan anggota bagian objek utama (O) dan background (B). Formulasi untuk menghitungnya adalah sebagai berikut:

dalam contoh ini variance bernilai 2000 || Ip– Is || 2 = (200-150)2 + (150-180)2 +

(250-120) || Ip– Is || 2 = 28400.

Dp(s) = exp(-28400/2*2000) Dp(s) = 8.251 x 10-4.

Selanjutnya adalah ketentuan untuk menghitung bobot antara terminal source dan node dengan

dengan kondisi node merupakan anggota

background maka bobot yang diberikan adalah beberapa ketentuan untuk menghitung bobot. Ketentuan pertama adalah untuk menghitung bobot dengan kondisi node p merupakan anggota dari objek utama (O) dan background

(40)

penyusun path.

sink.

(PNN).

Praproses Data

Segmentasi

(41)

penyusun path.

sink.

(PNN).

Praproses Data

Segmentasi