IMPLEMENTASI CONTENT BASED IMAGE RETRIEVAL
BERBASIS FITUR BENTUK DAN WARNA MENGGUNAKAN OPERATOR SOBEL
DAN DETEKSI WARNA HSV
SKRIPSI
RAFIKA ASNUR LUBIS 111401041
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
IMPLEMENTASI CONTENT BASED IMAGE RETRIEVAL BERBASIS FITUR BENTUK DAN WARNA
MENGGUNAKAN OPERATOR SOBEL DAN DETEKSI WARNA HSV
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Ilmu Komputer
RAFIKA ASNUR LUBIS 111401041
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
ii
PERSETUJUAN
Judul : IMPLEMENTASI CONTENT BASED IMAGE
RETRIEVAL BERBASIS FITUR BENTUK DAN
WARNA MENGGUNAKAN OPERATOR SOBEL DAN DETEKSI WARNA HSV
Kategori : SKRIPSI
Nama : RAFIKA ASNUR LUBIS
Nomor Induk Mahasiswa : 111401041
Program Studi : SARJANA (S1) ILMU KOMPUTER
Departemen : ILMU KOMPUTER
Fakultas : FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, 23 Desember 2015
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Handrizal, S.Si, M.Comp.Sc Dr. Poltak Sihombing, M.Kom NIP. - NIP. 196203171991031001
Diketahui/disetujui oleh
Program Studi S1 Ilmu Komputer Ketua,
iii
PERNYATAAN
IMPLEMENTASI CONTENT BASED IMAGE RETRIEVAL BERBASIS FITUR BENTUK DAN WARNA
MENGGUNAKAN OPERATOR SOBEL DAN DETEKSI WARNA HSV
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 23 Desember 2015
iv
UCAPAN TERIMA KASIH
Puji dan syukur kehadirat Allah SWT, karena rahmat dan izin-Nya penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada:
1. Bapak Prof. Drs. Subhilhar, M.A., Ph.D. selaku Pj. Rektor Universitas Sumatera Utara.
2. Bapak Prof. Dr. Muhammad Zarlis selaku Dekan Fasilkom-TI USU.
3. Bapak Dr. Poltak Sihombing, M.Kom selaku Ketua Program Studi S1 Ilmu Komputer Universitas Sumatera Utara dan Dosen Pembimbing I yang telah memberikan bimbingan dan saran kepada penulis.
4. Ibu Maya Silvi Lydia, B.Sc, M.Sc selaku Sekretaris Program Studi S1 Ilmu Komputer Universitas Sumatera Utara.
5. Bapak Handrizal, S.Si, M.Comp.Sc selaku Dosen Pembimbing II yang telah memberikan bimbingan dan saran kepada penulis.
6. Bapak Dr. Syahriol Sitorus, S.Si, MIT selaku Dosen Pembanding I yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini.
7. Ibu Elviwani, ST, S.Kom, M.Kom selaku Dosen Pembanding II yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini.
8. Ayahanda H. Agus Salim Lubis dan Ibunda Hj. Nursyam Hasibuan yang selalu memberikan doa, kasih sayang dan dukungan kepada penulis.
9. Rauva Chairani, Widuri Annisya Putri, Ilda Sari Z. Hasibuan, Channy Rosalia, Dwi Puspita Yafelli, dan Sofia yang selalu memberikan semangat dan motivasi kepada penulis.
11. Angga Eriansyah, S.Kom., Abangda Aulia Akbar Harahap, S.Kom., Abangda Handra Akira Saito, dan Kakak Siti Moriza Tania, S.Kom. yang telah memberikan nasehat dan pengetahuan kepada penulis.
12. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat penulis ucapkan satu per satu yang telah membantu penyelesaian skripsi ini.
Semoga Allah SWT melimpahkan berkah kepada semua pihak yang telah memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi ini.
Medan, 23 Desember 2015
Penulis
vi
ABSTRAK
Teknik pemanggilan citra berdasarkan teks yang sudah ada pada saat ini belum sepenuhnya bisa digunakan karena nama dari sebuah file tidak dapat merepresentasikan isinya. Pemanggilan citra menjadi rancu bila ada pihak lain yang memodifikasi nama file citra tanpa memperhitungkan isi atau informasi dari file citra tersebut. Untuk mengatasi kendala tersebut, pemanggilan citra dapat dilakukan berdasarkan konten. Pemanggilan citra berdasarkan konten dilakukan dengan cara mencocokkan fitur citra yang dicari dengan fitur citra yang ada pada database. Fitur citra yang diidentifikasi dapat berupa fitur tekstur, bentuk maupun warna, namun yang akan digunakan dalam penelitian ini adalah identifikasi citra dari fitur bentuk dan warnanya. Metode yang digunakan untuk ekstraksi fitur bentuk adalah Operator Sobel sedangkan metode yang digunakan untuk ekstraksi fitur warna adalah deteksi warna HSV. Penelitian ini menggunakan 100 citra dari 10 jenis citra bunga dengan bentuk dan warna yang berbeda sebagai citra query dan citra database. Setelah dilakukan pengujian, maka dapat disimpulkan bahwa ekstraksi fitur bentuk dengan menggunakan Operator Sobel dapat menemukan 33,25% citra yang relevan sedangkan ekstraksi fitur warna dengan menggunakan deteksi warna HSV dapat menemukan 27% citra yang relevan. Ekstraksi fitur bentuk dengan menggunakan Operator Sobel berhasil menemukan 66,5% citra dari keseluruhan citra dalam database sedangkan ekstraksi fitur warna dengan menggunakan deteksi warna HSV berhasil menemukan 54% citra dari keseluruhan citra dalam database.
vii
IMPLEMENTATION OF CONTENT BASED IMAGE RETRIEVAL BASED ON SHAPE AND COLOR FEATURES
USING SOBEL OPERATOR AND DETECTION OF HSV COLOR
ABSTRACT
Text based image retrieval existing at now it has not been fully can be used because the name of a file can not represent its contents. Image retrieval become less accurate if someone else is modify file name image without take into account the content or information from file that image. To overcome these obstacles, content based image retrieval can be done. Content based image retrieval is done by matching featuresan imagethat searched with features an image that is on a database. The identified image features can be texture features, shape, and color, but the features that will be used in this research is identification image of shape and color features. The method that used for the extraction of shape features is Sobel Operator while for the extraction of color features uses detection of HSV color. This research uses 100 images of 10 different types of flower image with different shapes and colors as the query image and the database image. After testing, so can be concluded that extraction of shape features using Sobel Operator can find 33,25 % relevant image while extraction of color features using detection of hsv color can find 27 % relevant image. The extraction of shape features using Sobel Operator can find 66,5 % the image of a whole image in a database while extraction of color features using detection of HSV color can find 54 % image of a whole image in a database.
viii
DAFTAR ISI
Halaman
Persetujuan ii
Pernyataan iii
Ucapan Terima Kasih iv
Abstrak vi
Bab 3 Analisis dan Perancangan Sistem
3.1 Analisis Sistem 25
3.1.1 Analisis Masalah 26
3.1.2 Analisis Kebutuhan 27
3.1.2.1 Kebutuhan Fungsional 27
3.1.2.2 Kebutuhan Non-Fungsional 27
ix
3.2 Perancangan Sistem 28
3.2.1 Flowchart 29
3.2.1.1 Flowchart Content Based Image Retrieval 29 3.2.1.2 Flowchart Ekstraksi Fitur Bentuk 30 3.2.1.3 Flowchart Ekstraksi Fitur Warna 31 3.2.1.4 Flowchart Sistem Secara Keseluruhan 32
3.2.2 Pseudocode 33
3.2.2.1 Pseudocode Ekstraksi Fitur Bentuk 33 3.2.2.2 Pseudocode Ekstraksi Fitur Warna 34
3.2.3 Use Case Diagram 36
3.2.4 Activity Diagram 39
3.2.5 Sequence Diagram 41
3.2.6 Perancangan Database 42
3.2.7 Perancangan Antarmuka 43
3.2.7.1 Halaman Utama 43
3.2.7.2 Halaman Mulai Pencarian 44
3.2.7.3 Halaman Input Citra ke Database 45
3.2.7.4 Halaman Bantuan 46
3.2.7.5 Halaman Tentang 47
Bab 4 Implementasi dan Pengujian
4.1 Implementasi 48
4.1.1 Halaman Utama 48
4.1.2 Halaman Mulai Pencarian 49
4.1.3 Halaman Input Citra ke Database 50
4.1.4 Halaman Bantuan 50
4.1.5 Halaman Tentang 51
4.1.6 Proses Pemanggilan Citra Berdasarkan Fitur Bentuk 51 4.1.7 Proses Pemanggilan Citra Berdasarkan Fitur Warna 55
4.2 Pengujian 62
4.2.1 Pengujian Ekstraksi Fitur Bentuk 62 4.2.2 Pengujian Ekstraksi Fitur Warna 68
4.2.3 Analisis Hasil Pengujian 73
Bab 5 Kesimpulan dan Saran
5.1 Kesimpulan 75
5.2 Saran 76
x
DAFTAR TABEL
Halaman
Tabel 2.1 Contoh Tabel Warna HSV 19
Tabel 3.1. Use Case Narrative Pemanggilan Citra 37 Tabel 3.2. Use Case Narrative Input Citra ke Database 38
Tabel 3.3. TabelimageSobelMatching 42
Tabel 3.4. TabelimageHsvMatching 43
Tabel 4.1. Piksel Citra PlumFlower5.jpg 52
Tabel 4.2. Piksel Hasil Grayscale Citra PlumFlower5.jpg 53
Tabel 4.3. Matriks Nilai Magnitudo 53
Tabel 4.4. Piksel Citra PlumFlower5.jpg (1) 55
Tabel 4.5. Piksel Citra PlumFlower5.jpg (2) 56
Tabel 4.6. Piksel HSV Citra PlumFlower5.jpg 56
Tabel 4.7. Kuantisasi Ruang Warna dari Histogram HSV-162 Bin(1) 57 Tabel 4.8. Kuantisasi Ruang Warna dari Histogram HSV-162 Bin(2) 58 Tabel 4.9. Kuantisasi Ruang Warna dari Histogram HSV-162 Bin(3) 59
Tabel 4.10. Histogram HSV-162 Bin(1) 59
Tabel 4.11. Histogram HSV-162 Bin(2) 60
Tabel 4.12. Histogram HSV-162 Bin(3) 61
xi
xii
DAFTAR GAMBAR
Halaman Gambar 2.1. Diagram Sistem Content Based Image Retrieval 8
Gambar 2.2. Citra Bunga 16
Gambar 2.3. Citra Bunga Hasil Deteksi Operator Sobel 17 Gambar 2.4. Diagram Deteksi Tepi Menggunakan Operator Sobel 17
Gambar 2.5. Model Warna HSV 18
Gambar 2.6. Sistem Koordinat Citra Digital 20
Gambar 3.1. Diagram Ishikawa Masalah Penelitian 26 Gambar 3.2. Flowchart Content Based Image Retrieval 29 Gambar 3.3. Flowchart Ekstraksi Fitur Bentuk dengan Operator Sobel 30 Gambar 3.4. Flowchart Ekstraksi Fitur Bentuk dengan Deteksi Warna HSV 31 Gambar 3.5. Flowchart Sitem Secara Keseluruhan 32
Gambar 3.6. Use Case Diagram Sistem 37
Gambar 3.7. Activity Diagram Pemanggilan Citra 39 Gambar 3.8. Activity Diagram Input Citra ke Database 40 Gambar 3.9. Sequence Diagram Pemanggilan Citra 41 Gambar 3.10. Sequence Diagram Input Citra ke Database 41 Gambar 3.11. Perancangan Antarmuka Halaman Utama 43 Gambar 3.12. Perancangan Antarmuka Halaman Mulai Pencarian 44 Gambar 3.13. Perancangan Antarmuka Halaman Input Citra ke Database 45 Gambar 3.14. Perancangan Antarmuka Halaman Bantuan 46 Gambar 3.15. Perancangan Antarmuka Halaman Tentang 47
Gambar 4.1. Halaman Awal 48
Gambar 4.2. Halaman Mulai Pencarian 49
Gambar 4.3. Halaman Input Citra ke Database 50
Gambar 4.4. Halaman Bantuan 50
xiii
Gambar 4.6. Citra PlumFlower5.jpg 51
Gambar 4.7. Hasil Grayscale Citra PlumFlower5.jpg 52 Gambar 4.8. Citra PlumFlower5.jpg dengan Operator Sobel 54
xiv
DAFTAR LAMPIRAN
Halaman
Lampiran 1 Urutan Peraturan Pengisian Angket A-1
Lampiran 2 Angket B-1
Lampiran 3 Listing Program C-1
vi
ABSTRAK
Teknik pemanggilan citra berdasarkan teks yang sudah ada pada saat ini belum sepenuhnya bisa digunakan karena nama dari sebuah file tidak dapat merepresentasikan isinya. Pemanggilan citra menjadi rancu bila ada pihak lain yang memodifikasi nama file citra tanpa memperhitungkan isi atau informasi dari file citra tersebut. Untuk mengatasi kendala tersebut, pemanggilan citra dapat dilakukan berdasarkan konten. Pemanggilan citra berdasarkan konten dilakukan dengan cara mencocokkan fitur citra yang dicari dengan fitur citra yang ada pada database. Fitur citra yang diidentifikasi dapat berupa fitur tekstur, bentuk maupun warna, namun yang akan digunakan dalam penelitian ini adalah identifikasi citra dari fitur bentuk dan warnanya. Metode yang digunakan untuk ekstraksi fitur bentuk adalah Operator Sobel sedangkan metode yang digunakan untuk ekstraksi fitur warna adalah deteksi warna HSV. Penelitian ini menggunakan 100 citra dari 10 jenis citra bunga dengan bentuk dan warna yang berbeda sebagai citra query dan citra database. Setelah dilakukan pengujian, maka dapat disimpulkan bahwa ekstraksi fitur bentuk dengan menggunakan Operator Sobel dapat menemukan 33,25% citra yang relevan sedangkan ekstraksi fitur warna dengan menggunakan deteksi warna HSV dapat menemukan 27% citra yang relevan. Ekstraksi fitur bentuk dengan menggunakan Operator Sobel berhasil menemukan 66,5% citra dari keseluruhan citra dalam database sedangkan ekstraksi fitur warna dengan menggunakan deteksi warna HSV berhasil menemukan 54% citra dari keseluruhan citra dalam database.
vii
IMPLEMENTATION OF CONTENT BASED IMAGE RETRIEVAL BASED ON SHAPE AND COLOR FEATURES
USING SOBEL OPERATOR AND DETECTION OF HSV COLOR
ABSTRACT
Text based image retrieval existing at now it has not been fully can be used because the name of a file can not represent its contents. Image retrieval become less accurate if someone else is modify file name image without take into account the content or information from file that image. To overcome these obstacles, content based image retrieval can be done. Content based image retrieval is done by matching featuresan imagethat searched with features an image that is on a database. The identified image features can be texture features, shape, and color, but the features that will be used in this research is identification image of shape and color features. The method that used for the extraction of shape features is Sobel Operator while for the extraction of color features uses detection of HSV color. This research uses 100 images of 10 different types of flower image with different shapes and colors as the query image and the database image. After testing, so can be concluded that extraction of shape features using Sobel Operator can find 33,25 % relevant image while extraction of color features using detection of hsv color can find 27 % relevant image. The extraction of shape features using Sobel Operator can find 66,5 % the image of a whole image in a database while extraction of color features using detection of HSV color can find 54 % image of a whole image in a database.
BAB 1
PENDAHULUAN
Pada bab pendahuluan ini akan diuraikan penjelasan mengenai latar belakang penelitian, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan sistematika penulisan skripsi.
1.1 Latar Belakang
Banyak cara yang dapat digunakan untuk melakukan pemanggilan citra. Pemanggilan citra pada umumnya dilakukan berdasarkan teks yang mengharuskan pengguna
meng-input-kan teks untuk menampilkan citra dari database. Proses pemanggilan citra berdasarkan teks menjadi tidak praktis karena pada saat pemanggilan citra seringkali terjadi perbedaan persepsi dalam mendeskripsikan citra yang diinginkan, sehingga citra yang ditampilkan tidak sesuai dengan keinginan.
Teknik pemanggilan citra berdasarkan teks yang sudah ada pada saat ini belum sepenuhnya bisa digunakan karena nama dari sebuah file tidak dapat merepresentasikan isinya. Oleh karena itu, harus diketahui kata kunci yang benar-benar tepat agar citra yang diinginkan dapat ditampilkan. Pemanggilan citra menjadi rancu bila ada pihak lain yang memodifikasi nama file citra tanpa memperhitungkan isi atau informasi dari file citra tersebut.
2
identifikasi citra dari fitur bentuk dan warnanya. Teknik pemanggilan citra berdasarkan konten disebut Content Based Image Retrieval (CBIR).
Dengan menggunakan Content Based Image Retrieval, nama file citra yang di modifikasi tidak membuat proses pencarian citra menjadi rancu. Proses paling penting dalam Content Based Image Retrieval adalah ekstraksi fitur. Tujuan ekstraksi fitur adalah untuk mendapatkan pola setiap fitur pada citra sehingga dapat dilakukan pemanggilan citra kembali dengan membandingkan kesamaan fitur antara citra yang satu dengan citra lainnya.
Penelitian sebelumnya terkait dengan ekstraksi fitur pada Content Based Image Retrieval antara lain Hastuti,et al (2009) yang telah menerapkan Metode
Gradient Vector Flow Snake untuk ekstraksi fitur bentuk pada citra. Berdasarkan penelitian tersebut, Content Based Image Retrieval dengan menggunakan Gradient Vector Flow Snake ini dapat diinisialisasi didalam dan diluar citra sehingga lebih akurat ketelitian dalam mengenal fitur bentuk sesuai dengan yang diinginkan.
Putranto,et al (2010) dalam penelitian sebelumnya juga telah menerapkan Deteksi Warna HSV (Hue, Saturation, Value) untuk ekstraksi fitur warna pada citra. Berdasarkan penelitian tersebut disebutkan bahwa segmentasi warna berdasarkan Deteksi Warna HSV merupakan proses segmentasi terkontrol dengan filter warna HSV. Kontrol pengguna melalui sampel warna dan toleransi warna yang menjadi acuan filter sehingga dapat diperoleh warna yang sesuai. Deteksi warna HSV cukup efektif untuk melakukan pendeteksian warna pada citra berwarna natural dan cenderung lebih stabil dalam perubahan cahaya.
Namun dalam penelitian ini dilakukan ekstraksi fitur bentuk dan warna. Metode yang diterapkan adalah Operator Sobel untuk ekstraksi fitur bentuk dan deteksi warna HSV untuk ekstraksi fitur warna. Dengan menggunakan kedua ekstraksi fitur tersebut diharapkan dapat mengurangi kerancuan saat pemanggilan citra.
3
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah penulis uraikan, rumusan masalah pada penelitian ini adalah apakah Operator Sobel untuk ekstraksi fitur bentuk dan deteksi warna HSV untuk ekstraksi fitur warna dapat diimplementasikan dalam perancangan aplikasi yang mampu melakukan pemanggilan citra kembali berdasarkan konten ?
1.3 Batasan Masalah
Batasan masalah dalam pengerjaan skripsi ini adalah sebagai berikut:
1) Penelitian ini tidak membandingkan proses pencarian citra berdasarkan konten dengan proses pencarian citra berdasarkan teks.
2) Penelitian ini tidak mengkombinasikan ekstraksi fitur bentuk dengan ekstraksi fitur warna.
3) Data citra yang digunakan adalah 100 citra dari 10 jenis citra bunga dengan bentuk dan warna yang berbeda dan berukuran maksimal 500 x 500 piksel. 4) Data citra yang digunakan adalah citra format jpeg(.jpg).
5) Metode yang digunakan untuk menghitung kemiripan 2 citra adalah metode
Euclidean Distance.
6) Pengukur kinerja pencarian citra diukur menggunakan precision dan recall. 7) Bahasa pemrograman yang digunakan adalah bahasa pemrograman java dan
media penyimpanan data yang digunakan adalah SQLite.
1.4 Tujuan Penelitian
4
1.5 Manfaat Penelitian
Penelitian dalam tugas akhir ini diharapkan mampu memberikan solusi peningkatan akurasi dalam pemanggilan citra sehingga mengurangi kerancuan saat pemanggilan citra.
1.6 Metode Penelitian
Tahapan yang dilakukan dalam penelitian ini adalah: 1. Studi Literatur
Pada tahap ini dilakukan pengumpulan referensi terhadap buku-buku, artikel-artikel, jurnal-jurnal maupun hasil penelitian terdahulu yang terkait dengan
Content Based Image Retrieval, Operator Sobel, dan deteksi warna HSV. 2. Analisis dan Perancangan
Pada tahap ini dilakukan analisis terhadap rumusan dan batasan masalah disertai pembuatan flowchart, pseudocode, diagram use case, perancangan antar muka dan perancangan dari aplikasi.
3. Implementasi
Pada tahap ini dilakukan implementasi Content Based Image Retrieval
menggunakan Operator Sobel untuk mengekstraksi fitur bentuk dan Deteksi warna HSV untuk mengekstraksi fitur warna sesuai dengan analisis dan perancangan yang telah dilakukan sebelumnya.
4. Pengujian
Aplikasi diuji berdasarkan hasil analisis dan perancangan. 5. Dokumentasi
5
1.7 Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari beberapa bagian utama sebagai berikut.
BAB 1 PENDAHULUAN
Pada bab pendahuluan ini akan diuraikan penjelasan mengenai latar belakang penelitian, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan sistematika penulisan skripsi.
BAB 2 LANDASAN TEORI
Pada bab landasan teori ini akan diuraikan mengenai teori-teori yang terkait dengan Content Based Image Retrieval, ekstraksi fitur, Operator Sobel, deteksi warna HSV, precision dan recall serta beberapa penelitian terdahulu yang relevan.
BAB 3 ANALISIS DAN PERANCANGAN
Pada bab analisis dan perancangan ini akan diuraikan mengenai analisis terhadap masalah penelitian dan perancangan terhadap sistem yang akan dibangun serta bagian-bagian yang berkaitan dengan sistem, antarmuka sistem dan penjelasan cara kerja sistem.
BAB 4 IMPLEMENTASI DAN PENGUJIAN
6
BAB 5 KESIMPULAN DAN SARAN
BAB 2
LANDASAN TEORI
Pada bab landasan teori ini akan diuraikan mengenai teori-teori yang terkait dengan
Content Based Image Retrieval, ekstraksi fitur, Operator Sobel, deteksi warna HSV,
precision dan recall serta beberapa penelitian terdahulu yang relevan.
2.1 Content Based Image Retrieval
Content Based Image Retrieval (CBIR) adalah proses pemanggilan citra dari database
atau tempat penyimpanan citra digital lainnya sesuai dengan konten citra tersebut (Chaudari,2012). Dalam CBIR fitur citra dibagi menjadi tiga fitur yaitu warna, tekstur dan bentuk. Fitur warna adalah fitur yang umum digunakan dalam CBIR karena pencarian informasi pada citra berbasis fitur warna lebih mudah dilakukan.
Menurut Hastuti, et al. (2009) penelitian tentang CBIR berdasarkan primitif fitur sudah banyak dilakukan diantaranya Swain dan Ballard pada tahun 1991 menggunakan teknik pencocokan titik potong histogram, kemudian Stricker dan Orengo pada tahun 1995 mengembangkan teknik sebelumnya menjadi histogram kumulatif dari warna, kemudian Stricker dan Dimai pada tahun 1996 menggabungkan titik potong histogram dengan beberapa elemen spasial, kemudian Carson pada tahun 1997 menggunakan teknik pemisahan fitur citra query berdasarkan warna.
Tahap awal dalam sistem pemanggilan citra berdasarkan konten adalah melakukan proses ekstraksi dan deskripsi pada citra dalam database sehingga menghasilkan vektor fitur. Vektor fitur citra dalam database akan membentuk fitur
8 dengan jarak kesamaan vektor fitur tertinggi akan di tampilkan sebagai output (Long,
et al. 2003). Diagram sistem pemanggilan citra berdasarkan konten dapat dilihat pada Gambar 2.1.
Gambar 2.1. Diagram Sistem Content Based Image Retrieval
Sumber: Long, et al. 2003
Proses paling penting pada sistem CBIR adalah ekstraksi fitur, karena hasil dari proses ini akan diketahui perbedaan pada setiap citra berdasarkan fiturnya seperti fitur tekstur, bentuk dan warna. Suatu citra memiliki fitur yang berbeda antara citra satu dengan lainnya tergantung pada karakteristik yang menonjol pada citra tersebut. Sebagai contoh dalam dunia nyata, bunga mawar dan bunga melati dapat dibedakan melalui perbedaan warnanya, kertas dan kain dapat dibedakan dari teksturnya, kemudian gambar segitiga dan persegi dapat dibedakan melalui bentuknya.
9
Menurut Syarif (2014), masing-masing fitur dari citra tersebut didapatkan melalui proses ekstraksi fitur yang tidak mudah, karena satu citra dapat mempunyai
multiple feature. Proses ekstraksi fitur yang baik dan benar dapat menentukan keberhasilan dalam membangun suatu aplikasi citra digital.
2.2 Ekstraksi Fitur
Ekstraksi fitur merupakan proses pengindeksan suatu database citra dengan isinya. Secara matematik, setiap ekstraksi fitur merupakan encode dari vektor ndimensi yang disebut dengan vektor fitur. Komponen vektor fitur dihitung dengan proses citra dan teknik analisis serta digunakan untuk membandingkan citra yang satu dengan citra yang lain. Ekstraksi fitur diklasifikasikan kedalam 3 jenis yaitu low level, middle level
dan high level. Fitur low level merupakan ekstraksi fitur berdasarkan isi visual seperti warna dan tekstur, fitur middle level merupakan ekstraksi fitur berdasarkan wilayah citra yang ditentukan dengan segmentasi, sedangkan fitur high level merupakan ekstraksi fitur berdasarkan informasi semantik yang terkandung dalam citra (Kusumaningsih, 2009).
10
2.2.1 Ekstraksi Fitur Bentuk
Bentuk merupakan salah satu fitur citra yang dapat digunakan untuk mendeteksi objek atau batas wilayah. Proses mendapatkan nilai fitur bentuk dapat dimulai dengan konversi citra RGB menjadi citra grayscale. Hal ini berfungsi untuk mendapatkan nilai warna yang lebih sederhana. Dimana warna grayscale hanya mempunyai intensitas warna 0 – 255 untuk setiap pikselnya. Proses yang digunakan untuk mendapatkan citra grayscale dilakukan dengan mencari nilai rata-rata dari total nilai RGB. Persamaan yang digunakan untuk mendapatkan nilai grayscale dapat dilihat pada persamaan berikut.
G =
r+g+b3 ... (2.1) Dimana G merupakan nilai grayscale, r merupakan nilai red setiap piksel, g merupakan nilai green pada setiap piksel dan b merupakan nilai blue pada setiap piksel. Setelah nilai grayscale ditemukan maka dilakukan deteksi tepi. Deteksi tepi pada suatu citra adalah suatu proses yang menghasilkan tepi dari objek citra yang membatasi dua wilayah citra homogen yang memiliki tingkat kecerahan yang berbeda. Proses deteksi tepi ini dilakukan sebelum proses ekstraksi fitur bentuk untuk meningkatkan penampakan garis batas suatu daerah atau objek didalam citra dan mendapatkan bentuk dasar citra.
Metode untuk deteksi tepi yang digunakan pada penelitian ini adalah Operator Sobel. Operator Sobel menggunakan dua buah matriks konvolusi berukuran 3x3, dimana matriks konvolusi pertama digunakan untuk menentukan gradien pada arah sumbu x dan matriks konvolusi kedua digunakan untuk menentukan gradien pada arah sumbu y. Hasil konvolusi pada arah sumbu x terhadap citra grayscale dinyatakan dengan Gx dan hasil konvolusi pada arah sumbu y terhadap citra grayscale dinyatakan dengan Gy.
11
Teknik threshold yang digunakan adalah Single Global Threshold, dimana segmentasi dilakukan dengan cara mendeteksi citra piksel per piksel dan melabelkan tiap piksel sebagai objek atau background tergantung pada tingkat keabuan dari piksel tersebut. Selanjutnya dilakukan ekstraksi fitur bentuk menggunakan metode Integral Proyeksi. Integral Proyeksi adalah suatu metode yang digunakan untuk mendeteksi batas dari daerah citra. Integral proyeksi disebut juga dengan integral baris dan kolom dari piksel, karena integral proyeksi dilakukan dengan cara menjumlahkan piksel per baris dan piksel per kolom. Nilai integral proyeksi dapat dihitung menggunakan persamaan berikut.
h j = N barisx(i,j)
i=1 ... (2.2)
h i = N kolomx(i,j)
j=1 ... (2.3)
Hasil perhitungan Integral Proyeksi akan disusun dalam bentuk vektor sebagai defenisi fitur bentuk citra yang diamati. Cara yang sama dilakukan pada setiap citra dan kemudian vektor fitur bentuk dari setiap citra disimpan dalam database.
2.2.2 Ekstraksi Fitur Warna
12
Ruang warna YCbCr digunakan secara luas di dalam video digital. Dalam format ini, informasi luminance direpresentasikan dengan komponen Y dan informasi warna disimpan sebagai komponen color-difference, Cb dan Cr. Komponen Cb merupakan perbedaan antara komponen biru dengan sebuah nilai referensi. Komponen Cr merupakan perbedaan komponen merah dengan sebuah nilai referensi. Model warna HSV merupakan model warna yang mendefinisikan warna berdasarkan terminologi Hue, Saturation dan Value. Hue digunakan untuk membedakan warna-warna dan menentukan kemerahan (redness), kehijauan (greenness) dari cahaya.
Saturation menyatakan tingkat kemurnian suatu warna dan Value menyatakan banyaknya cahaya yang diterima mata tanpa memperdulikan warna (Rakhmawati, 2013).
Ruang warna CMY merupakan singkatan dari Cyan, Magenta dan Yellow. Warna CMY biasanya digunakan untuk percetakan, warna CMYpada dasarnya masih memantulkan sedikit warna – warna RGB. Warna Cyan memantulkan warna Red, warna Magenta memantulkan warna Green dan warna Yellow memantulkan warna
Blue. Sebagian gelombang cahaya yang tidak diinginkan terkadang masih dipantulkan sehingga menyebabkan kesalahan warna. Pantulan yang tidak diinginkan disebut hue error. Untuk menyiasatinya maka ditambahkan warna black yang disebut key dalam warna CMYK agar tiap komponen warna menjadi lebih pekat dan tidak memantulkan
hue error tersebut.
Model warna RGB dan CMY sangat cocok untuk implementasi perangkat keras, namun keduanya tidak cocok untuk mendeskripsikan warna berdasarkan interpretasi manusia. Ruang warna HSI (Hue, Saturation, Intensity) menghasilkan warna yang lebih natural dibandingkan RGBdan CMY.
13
Sebelum melakukan konversi RGB ke HSV diperlukan normalisasi RGB terlebih dahulu dengan persamaan 2.6 sampai dengan persamaan 2.8. Setelah nilai normalisasi RGB selesai, maka dapat dilakukan konversi citra RGB menjadi citra HSV.
Informasi penting mengenai konten citra dapat diketahui dengan membuat histogram citra. Histogram citra adalah grafik yang menggambarkan penyebaran nilai-nilai intensitas piksel dari suatu atau bagian tertentu di dalam citra. Dari sebuah histogram dapat diketahui frekuensi kemunculan nisbi dari intensitas pada citra tersebut. Histogram juga dapat menunjukkan banyak hal tentang kecerahan
(brightness) dan kontras dari sebuah citra.
Jika digambarkan pada koordinat kartesian maka sumbu X (absis) histogram menunjukkan tingkat warna dan sumbu Y (ordinat) histogram menunjukkan frekuensi kemunculan. Histogram warna sangat efektif mengkarakterisasikan distribusi global dari warna dalam sebuah citra (Sutoyo, 2009).
Ekstraksi fitur warna dilakukan dengan menggunakan histogram warna konvensional. Ruang warna yang digunakan adalah ruang warna HSV(hue, saturation, value). Proses untuk mendapatkan nilai fitur warna dimulai dengan konversi warna RGB ke HSV menggunakan persamaan 2.9 sampai dengan persamaan 2.11. Pada proses komputasi kemungkinan kombinasi warna yang besar akan menghabiskan banyak waktu (time consuming). Masalah tersebut dapat diatasi dengan kuantisasi warna (color quantization), yaitu suatu prosedur untuk mengurangi kemungkinan jumlah warna. Dengan cara ini jumlah warna yang besar dapat dikurangi, sehingga proses yang dilakukan semakin mudah.
Pada penelitian ini, komponen hue dikuantisasi menjadi 18 bagian, saturation
14
Setelah dilakukan kuantisasi warna maka dilakukan normalisasi histogram agar citra yang memiliki kesamaan distribusi warna dengan ukuran citra yang berbeda tetap memiliki histogram yang sama. Hasil kuantisasi dinormalisasi dalam rentang nilai 0 sampai 1.
Hasil proses normalisasi akan disusun dalam bentuk vektor sebagai defenisi fitur warna citra yang diamati. Histogram yang diperoleh disebut histogram HSV-162 bin. Nilai elemen histogram menyatakan normalisasi jumlah piksel citra yang masuk ke dalam bin yang sesuai. Histogram HSV-162 bin merepresentasikan vektor fitur warna citra. Cara yang sama dilakukan pada setiap citra dan kemudian vektor fitur citra dari setiap citra disimpan dalam database.
2.3 Operator Sobel
Filter citraadalah program yang menerapkan metode atau algoritma tertentu di dalam sebuah citra. Filter Sobel adalah termasuk filter citra. Filter Sobel merupakan algoritma Sobel Edge Detection di dalam citra. Operasi filter ini akan bekerja mendeteksi semua piksel citra, mencari batasan warna antara piksel didalam citra. Batasan warna yang dimaksud disini adalah perbedaan nilai warna di tepi antara kelompok warna satu dengan yang lain. Selisih perbedaan nilai warna ini yang kemudian akan dipertimbangkan sebagai piksel-piksel tepi. Kumpulan piksel ini akan membentuk suatu garis (edge). Di dalam operasi filter Sobel tidak hanya memperhitungkan nilai warna dari piksel yang diperiksa, akan tetapi juga memperhitungkan nilai piksel sekitar (Barus, 2011).
Algoritma Sobel merupakan salah satu pengembangan dari teknik edge detection sebelumnya. Algoritma ini termasuk algoritma pemrograman yang berfungsi sebagai filter citra. Filter ini mendeteksikeseluruhan edge yang ada. Dalam prosesnya
15
Menurut Wijaya (2012), Operator Sobel merupakan pengembangan dari Metode Robert dengan menggunakan HPF (High Pass Filter) yang diberi satu angka nol penyangga. Kelebihan dari Operator Sobel ini adalah kemampuan untuk mengurangi noise sebelum melakukan perhitungan pendeteksian tepi.
Operator Sobel menggunakan matriks N x N dengan ordo 3x3, 5x5, 7x7, dan sebagainya. Matriks seperti ini digunakan untuk mempermudah mendapatkan piksel tengah sehingga menjadi titik tengah matriks. Piksel tengah ini merupakan piksel yang akan diperiksa. Cara pemanfaatan matriks ini sama seperti pemakaian sebuah grid, yaitu dengan cara memasukkan piksel-piksel disekitar yang sedang diperiksa (piksel tengah) ke dalam matriks. Cara yang demikian disebut spatial filtering. Contoh matriks pada area citra adalah sebagai berikut.
Teknik spatial filtering menggunakan matriks lainnya yang dinamakan mask. Ukuran matriks mask sama besar dengan matriks piksel yaitu N x N. Didalam mask
disimpan jenis operasi yang akan dilakukan terhadap matriks piksel, akan tetapi tidak semua spatial filtering menggunakan mask untuk menyimpan operasinya. Operator Sobel diterapkan dalam dua buah mask yaitu mask horizontal dan mask vertikal.
Gx =
−1 0 1
−2 0 2
−1 0 1
Gy =
1 2 1
0 0 0
−1 −2 −1
Mask pertama yaitu mask Gx digunakan untuk menghitung selisih titik pada sisi horizontal sehingga dihasilkan titik penelusuran arah horizontal. Mask kedua yaitu
mask Gy digunakan untuk menghitung selisih titik pada sisi vertikal sehingga dihasilkan titik hasil penelusuran arah vertikal (Barus, 2011).
Menurut Vairalkar (2012) mask Gx dan mask Gy dirancang untuk merespon secara maksimal tepi vertikal maupun horizontal terhadap grid piksel dimana tiap-tiap
mask untuk masing-masing dua orientasi tegak lurus. Mask tersebut dapat diterapkan A0 A1 A2
16
setiap komponen dalam orientasi masing-masing. Mask juga dapat digabungkan untuk menemukan nilai mutlak gradien pada masing-masing titik dan orientasi gradien tersebut. Untuk mendapatkan gradien gabungan, kedua matriks ini dapat dikombinasikan dengan salah satu dari persamaan berikut, yaitu :
G = (Gx)2+(Gy)2 ... (2.4)
G = Gx + Gy ... (2.5)
Hasil akhir filter Operator Sobel adalah ditemukannya beberapa piksel dengan intensitas yang lebih besar atau tajam dan juga ukuran tepi objek yang jauh lebih besar dari ukuran sebelumnya. Keadaan ini dikarenakan titik-titik yang lebih dekat dengan titik tengah (terperiksa) diberi harga yang lebih dominan dalam perhitungan (Khair, 2013).
Langkah-langkah algoritma pendeteksian tepi dengan Operator Sobel diawali dengan meng-input citra warna yang akan dideteksi. Citra warna tersebut dikonversi menjadi bentuk grayscale. Setelah itu dilakukan pendeteksian tepi pada citra, kemudian dilakukan tresholding dan selanjutnya dilakukan proses thinning. Proses selesai dan dihasilkan garis tepi suatu citra digital. Contoh citra bunga dapat dilihat pada Gambar 2.2. dan citra bunga hasil deteksi Operator Sobel pada Gambar 2.3.
17
Gambar 2.3. Citra Bunga Hasil Deteksi Operator Sobel
Diagram deteksi tepi menggunakan Operator Sobel dapat dilihat pada Gambar 2.4.
Gambar 2.4. Diagram Deteksi Tepi Menggunakan Operator Sobel Sumber : Khair, 2013
Citra Asli (Citra Warna)
Konversi Citra Warna ke Grayscale
Deteksi Tepi Citra
Thresholding
Thinning
18
2.4 Deteksi Warna HSV
HSV merupakan salah satu cara untuk mendefinisikan warna yang didasarkan pada roda warna. Hue mengukur sudut sekitar roda warna (0 derajat pada merah, 120 derajat pada hijau dan 240 derajat pada biru). Saturation menunjukkan radius roda warna sehingga menunjukkan proporsi antara warna gelap ke warna putih murni sedangkan value menunjukkan tingkat kecerahan. Hue memiliki nilai antara 0 hingga 360 derajat sedangkan saturation dan value berkisar dari 0 hingga 100% (Purnamasari, et al. 2008). Untuk model warna HSV dapat dilihat pada Gambar 2.5.
Gambar 2.5. Model Warna HSV Sumber: Rakhmawati, 2013
Ruang warna HSV dapat memilah warna dalam citra seperti penglihatan mata manusia sehingga dapat mengenali warna citra dengan baik. Proses untuk mendapatkan nilai fitur warna dapat dimulai dengan konversi citra RGB menjadi citra HSV. Sebelum citra RGB dikonversi menjadi citra HSV diperlukan normalisasi nilai RGB dengan persamaan berikut.
r= R
255... (2.6)
g= G
255 ... (2.7)
b= B
19
Dimana R adalah nilai red yang belum dinormalisasi, G adalah nilai green
yang belum dinormalisasi, B adalah nilai blue yang belum dinormalisasi, r adalah nilai
red yang telah dinormalisasi, g adalah nilai green yag telah dinormalisasi dan b adalah nilai blue yang telah dinormalisasi. Setelah nilai normalisasi RGB selesai, maka citra akan dikonversi menadi citra HSV.
Setelah nilai rgb dinormalisasi, maka konversi citra RGB menjadi citra HSV dapat dihitung dengan persamaan berikut.
H= karena model warna HSV merupakan model warna yang diturunkan dari model warna RGB (Karmilasari,2011). Contoh tabel warna HSV dapat dilihat pada Tabel 2.1.
Tabel 2.1. Contoh Tabel Warna HSV
Warna Nama Warna (R,G,B) (H,S,V)
Hitam (0,0,0) (0º,0%,0%)
Putih (255,255,255) (0º,0%,100%)
Merah (255,0,0) (0º,100%,100%)
Lime (0,255,0) (120º,100%,100%)
Biru (0,0,255) (240º,100%,100%)
Kuning (255,255,0) (60º,100%,100%)
Cyan (0,255,255) (180º,100%,100%)
Magenta (255,0,255) (300º,100%,100%)
Abu-abu (128,128,128) (0º,0%,50%)
20
2.5 Citra Digital
Citra digital dapat didefenisikan sebagai fungsi dua variabel f(x,y) dimana x dan y adalah koordinat spasial dan nilai f(x,y) yang merupakan intensitas citra pada koordinat tersebut. Teknologi dasar untuk menciptakan dan menampilkan warna pada citra digital berdasarkan pada penelitian terdahulu bahwa sebuah warna merupakan kombinasi dari tiga warna dasar, yaitu merah, hijau, dan biru (Red, Green, Blue - RGB). Sistem kordinat pada sebuah citra digital dapat dilihat pada Gambar 2.6.
Gambar 2.6. Sistem Koordinat Citra Digital
Citra digital memiliki beberapa format yang memiliki karakteristik tersendiri. Format pada citra digital ini umumnya berdasarkan tipe dan cara kompresi yang digunakan pada citra digital tersebut. Namun dalam penelitian ini format file citra yang digunakan adah format file citra JPEG (.jpg).
2.5.1 Format File Citra JPG
21
2.5.2 Jenis-jenis Citra Digital
Beberapa jenis citra digital yang sering digunakan adalah citra biner, citra
grayscale dan citra warna.
2.5.2.1 Citra Biner
Citra biner merupakan citra yang telah melalui proses pemisahan piksel-piksel berdasarkan derajat keabuan yang dimiliki. Citra biner adalah citra yang nilai tiap pikselnya hanya direpresentasikan dalam satu bit. Citra biner hanya membutuhkan satu bit memori untuk menyimpan warna hitam dan putih (Kembaren, 2015). Setiap piksel pada citra bernilai 0 untuk warna hitam dan 1 untuk warna putih (Burger, 2009).
2.5.2.2 Citra Grayscale
Citra grayscale menggunakan warna tingkatan keabuan. Warna abu-abu merupakan satu-satunya warna pada ruang RGB dengan komponen merah, hijau, dan biru yang mempunyai nilai intensitas yang sama. Citra grayscale memiliki kedalaman warna 8 bit (256 kombinasi warna keabuan). Banyaknya warna yang ada tergantung pada jumlah bit yang disediakan di memori untuk menampung kebutuhan warna.
2.5.2.3 Citra Warna
22
2.6 Euclidean Distance
Proses pemanggilan citra berdasarkan konten akan melakukan perhitungan jarak kesamaan antara citra query dengan citra yang ada pada database. Sementara itu, hasil pemanggilan citra bukan sebuah citra tunggal tetapi daftar dari citra-citra yang diurutkan berdasarkan tingkat kesamaan citra tersebut dengan citra query. Banyak cara menghitung kesamaan citra yang telah dikembangkan untuk pemanggilan citra dengan kalkulasi empiris dari fitur citra dalam beberapa tahun terakhir. Perhitungan kesamaan atau jarak yang berbeda akan mempengaruhi hasil dari sistem pemanggilan citra secara signifikan (Long, et al. 2003).
Similarity comparison adalah bagian dari Content Based Image Retrieval.
Similarity comparison sangat bermanfaat saat pengguna tidak dapat menentukan ukuran kesamaan antara citra query dengan citra dalam database dengan akurat.
Similarity comparison juga bermanfaat untuk pengurutan citra yang terpilih sebagai hasil. Ada beberapa metode similarity comparison yang digunakan untuk mengukur jarak kesamaan antara citra query dengan citra pada database, salah satunya
Euclidean Distance (Larasati, 2012).
Euclidean Distance merupakan teknik yang paling sederhana untuk menghitung jarak antara duavektor. Misalkan diberikan dua buah vektor fiturp dan q, maka jarak di antara dua vektor fitur p dan q dapat ditentukan dengan persamaan berikut.
P = p1,p2,…,pn
Q = q1,q2,…,qn
d = p1-q1 2+ p2-q2 2+…+ pn-qn 2 = ni=1pi-qi
23
2.7 Precision dan Recall
Parameter yang digunakan untuk mengukur keefektifan dari hasil pemanggilan citra berbasis konten salah satunya adalah precision dan recall.
2.7.1 Precision
Precision mengevaluasi kemampuan sistem temu kembali informasi untuk menemukan kembali data top ranked yang paling relevan dan di defenisikan sebagai persentase data yang dikembalikan yang benar-benar relevan terhadap query
pengguna (Karimah, 2014). Nilai precision dapat ditentukan dengan menghitung citra yang relevan dengan pencarian citra pada citra hasil pemanggilan citra. Nilai precision
dapat dihitung dengan persamaan berikut.
precision = Jumlah citra relevan yang ditemukembalikan
Jumlah seluruh citra yang ditemukembalikan
2.7.2 Recall
Recall menyatakan perbandingan jumlah materi relevan yang ditemukembalikan terhadap seluruh materi relevan (Karimah, 2014). Nilai recall dapat ditentukan dengan menghitung citra yang relevan dengan pencarian citra pada citra dalam database. Nilai
recall dapat dihitung dengan persamaan berikut.
24
2.8 Penelitian yang Relevan
1) Hastuti, et al. (2009) dalam penelitiannya yang berjudul “Content Based Image Retrieval Berdasarkan Fitur Bentuk Menggunakan Metode Gradient
Vector Flow Snake”, menyebutkan bahwa Gradient Vector Flow Snake dapat diinisialisasi didalam dan diluar citra sehingga ketelitian lebih akurat dalam mengenal fitur bentuk sesuai dengan yang diinginkan. Dimana field dihitung sebagai difusi dari gradient vektor dari gray-level atau nilai liner bagian tepi. Sehingga hal ini memungkinkan untuk fleksibel penginisialisasian dari snake
dan mendorong konvergensi lekukan ke perbatasan image yang dihasilkan berupa fitur bentuk, sehingga dapat memudahkan Content Based Image Retrieval (CBIR) untuk mengenali image yang mempunyai kemiripan pola bentuk yang ketelitiannya lebih akurat.
2) Penelitian Putranto (2010) tentang “Segmentasi Warna Citra dengan Deteksi Warna HSV untuk Mendeteksi Objek” menyebutkan bahwa kontrol pengguna
dalam hal penentuan sampel warna dan toleransi warna berperan penting dalam proses segmentasi, sampel warna akan menghasilkan nilai acuan warna sebagai acuan segmentasi dan toleransi warna digunakan sebagai jangkauan
filter dalam proses segmentasi sehingga dapat diketahui banyaknya objek terdeteksi, luas area dan titik pusat tiap objek.
3) Purnamasari, et al. (2008) dalam penelitiannya yang berjudul “System Online CBIR Menggunakan Identifikasi Dominan Warna pada Foreground Objek”
menyebutkan bahwa hasil presentase kemiripan berdasarkan dominan warna pada foreground objek menunjukkan bahwa fitur warna dominan pada
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Pada bab analisis dan perancangan ini akan diuraikan mengenai analisis terhadap masalah penelitian dan perancangan terhadap sistem yang akan dibangun serta bagian-bagian yang berkaitan dengan sistem, antarmuka sistem dan penjelasan cara kerja sistem.
3.1 Analisis Sistem
Analisis sistem adalah sebuah teknik pemecahan masalah yang menguraikan sebuah sistem menjadi bagian – bagian komponen dengan tujuan mempelajari seberapa bagus bagian – bagian komponen tersebut bekerja dan berinteraksi untuk meraih tujuan mereka. Analisis sistem ini juga merupakan suatu proses mengumpulkan dan menginterpretasikan kenyataan – kenyataan yang ada, mendiagnosa persoalan dan menggunakan keduanya untuk memperbaiki sistem (Sebayang, 2014).
26
3.1.1 Analisis Masalah
Permasalahan yang akan dibahas dalam penelitian ini adalah pemanggilan citra kembali berdasarkan konten dengan cara membandingkan fitur citra query dengan fitur citra yang terdapat pada database. Fitur citra yang digunakan dalam penelitian ini adalah fitur bentuk dan fitur warna. Operator Sobel digunakan untuk ekstraksi fitur bentuk dan Deteksi warna HSV digunakan untuk ekstraksi fitur warna.
Gambaran masalah penelitian ini secara umum dapat dilihat pada Gambar 3.1. dengan menggunakan diagram Ishikawa (fishbone/cause and effect diagram).
Gambar 3.1. Diagram Ishikawa Masalah Penelitian
Diagram Ishikawa merupakan suatu alat visual untuk mengidentifikasi, mengeksplorasi, dan secara diagram menggambarkan semua penyebab yang berhubungan dengan suatu permasalahan. Diagram ini berbentuk tulang ikan yang kepalanya menghadap ke kanan. Diagram ini menunjukkan sebuah dampak atau akibat dari permasalahan dengan berbagai penyebabnya.
27
3.1.2 Analisis Kebutuhan
Analisis kebutuhan terbagi atas dua bagian, yaitu kebutuhan fungsional dan kebutuhan nonfungsional. Kebutuhan fungsional mendeskripsikan aktivitas yang disediakan suatu sistem. Sedangkan kebutuhan nonfungsional mendeskripsikan fitur, karakteristik dan batasan lainnya.
3.1.2.1 Kebutuhan Fungsional
Kebutuhan fungsional yang harus dimiliki oleh sistem pemanggilan citra berdasarkan konten dengan Operator Sobel dan deteksi warna HSV, antara lain :
1. Sistem dapat membaca masukan citra digital berformat jpeg dengan ukuran maksimal 500 x 500 piksel.
2. Sistem dapat menyimpan file citra berformat jpeg dengan ukuran maksimal 500 x 500 piksel kedalam database.
3. Sistem dapat melakukan ekstraksi fitur pada citra masukan dan citra yang terdapat pada database dengan menggunakan Operator Sobel untuk ekstraksi fitur bentuk dan deteksi warna HSV untuk ekstraksi fitur warna.
4. Sistem dapat menghitung jarak kesamaan citra masukan dan citra yang terdapat pada database menggunakan metode Euclidean Distance.
5. Sistem dapat mengeluarkan citra dengan jarak kesamaan tertinggi sebagai
output.
3.1.2.2 Kebutuhan Nonfungsional
Beberapa persyaratan nonfungsional yang harus dipenuhi oleh sistem yang dirancang antara lain :
1. Performa
28
2. Mudah digunakan dan dipelajari
Sistem yang dibangun memiliki tampilan sederhana dan user friendly.
3. Dokumentasi
Sistem yang dibangun memiliki panduan penggunaan. 4. Hemat biaya
Sistem yang dibangun tidak memerlukan perangkat tambahan dalam proses jalannya sistem.
3.1.3 Analisis Proses
Dalam sistem ini digunakan Operator Sobel dan deteksi warna HSV untuk proses ekstraksi fitur pada citra berformat jpeg. Operator Sobel digunakan untuk ekstraksi fitur bentuk sedangkan deteksi warna HSV untuk ekstraksi fitur warna. Citra query
dan citra pada database yang telah di ekstraksi akan menghasilkan vektor fitur. Setelah itu dilakukan penghitungan jarak kesamaan antara vektor fitur citra query
dengan vektor fitur citra dalam database menggunakan Euclidean Distance. Hasil yang diperoleh dari metode Euclidean Distance akan diurutkan. Citra dengan jarak kesamaan tertinggi akan di tampilkan sebagai output.
3.2 Perancangan Sistem
29
Mulai
P
q1,q2, ..., qn
p1, p2, ..., pn
d = pi-qi
n i=1
Q
Selesai Hasil
Asscending d 3.2.1 Flowchart
Flowchart atau diagram alir merupakan gambar atau bagan yang memperlihatkan urutan dan hubungan antar proses dengan pernyataannya (Zarlis & Handrizal, 2008). Pada penelitian ini, terdapat empat flowchart, yaitu : flowchart Content Based Image Retrieval, flowchart ekstraksi fitur bentuk, flowchart ekstraksi fitur warna dan
flowchart sistem secara keseluruhan.
3.2.1.1 Flowchart Content Based Image Retrieval
Flowchart Content Based Image Retrieval secara keseluruhan dapat dilihat pada Gambar 3.2.
Gambar 3.2. Flowchart Content Based Image Retrieval
Berdasarkan Gambar 3.2. dapat dilihat tahap awal dalam sistem pemanggilan citra berdasarkan konten adalah meng-input-kan citra query (P) kemudian citra query
di-30
ya tidak
citra (q1, q2, ..., qn). Fitur bentuk diekstraksi dengan Operator Sobel dan fitur warna diekstraksi dengan deteksi warna HSV. Kemudian dilakukan Similarity Comparison, yaitu mengukur jarak kesamaan antara citra query dengan citra dalam database
menggunakan Euclidean Distance (d) . Jarak kesamaan antara citra query dengan citra dalam database akan diurutkan. Citra dengan jarak kesamaan tertinggi akan di tampilkan sebagai output.
3.2.1.2 Flowchart Ekstraksi Fitur Bentuk
Flowchart ekstraksi fitur bentuk menggunakan Operator Sobel dapat dilihat pada Gambar 3.3.
Gambar 3.3. Flowchart Ekstraksi Fitur Bentuk dengan Operator Sobel
Berdasarkan Gambar 3.3. dapat dilihat proses ekstraksi fitur bentuk menggunakan Operator Sobel. Pada tahap awal nilai RGB tiap piksel diekstraksi kemudian dilakukan konversi nilai RGB ke grayscale. Tahap selanjutnya dilakukan operasi konvolusi arah horizontal dan vertikal sehingga diperoleh matriks
Selesai
h(j)= N barisi=1 x(i,j)
h(i)= N kolom j=1 x(i,j) A
Tepi dianggap 0
rgbG[i][j] < =128
Tepi dianggap 1 Mulai
Ambil nilai r , g , b
G = (r + g + b)/3
Gx[i][j] = G[i+1][j-1] + 2*G[i+1][j] + G[i+1][j+1] - G[i-1][j-1] - 2*G[i-1][j] -
G[i-1][j+1]
Gy[i][j] = G[i-1][j+1] + 2*G [i][j+1] + G[i+1][j+1] - G[i-1][j-1] - 2*G[i][j-1] -
G[i+1][j-1]
rgbG[i][j] =|Gx[i][j]| + |Gy[i][j]|
31
tidak
ya
gradien arah horizontal dan matriks gradien arah vertikal. Nilai magnitudo akan diperoleh berdasarkan gabungan kedua gradien arah tersebut. Kemudian nilai magnitudo dibandingkan dengan nilai threshold yang ditetapkan. Jika nilai magnitudo lebih besar dari nilai threshold maka piksel tersebut dianggap sebagai tepi (bernilai 1). Tahap akhir dilakukan perhitungan integral proyeksi untuk mendeteksi batas dari daerah citra.
3.2.1.3 Flowchart Ekstraksi Fitur Warna
32
Berdasarkan Gambar 3.4. dapat dilihat proses ekstraksi fitur warna menggunakan deteksi warna HSV. Pada tahap awal nilai RGB tiap piksel diekstraksi kemudian dilakukan konversi nilai RGB ke HSV. Hasil dari konversi akan diperoleh data warna H(Hue), data warna S(Saturation) dan data warna V(Value). Berdasarkan warna HSV tersebut, histogram HSV disusun sesuai dengan kuantisasi. Pengelompokan setiap elemen warna kedalam batas kuantisasi dilakukan dengan mengukur jarak minimum. Tahap selanjutnya dilakukan normalisasi sesuai dengan jumlah piksel citra untuk memperoleh vektor fitur warna.
3.2.1.4 Flowchart Sistem Secara Keseluruhan
Flowchart sistem secara keseluruhan dapat dilihat pada Gambar 3.5.
33
Berdasarkan Gambar 3.5. dapat dilihat flowchart sistem secara keseluruhan memiliki tiga parameter pilihan yang dapat dipilih pada sistem, yaitu halaman bantuan, halaman tentang dan halaman mulai pencarian. Pada halaman mulai pencarian terdapat dua parameter pilihan yang dapat dipilih sistem, yaitu halaman Operator Sobel dan halaman deteksi warna HSV.
3.2.2 Pseudocode
Pseudocode merupakan kode yang mirip dengan instruksi kode program yang sebenarnya. Pseudocode berisi langkah-langkah untuk menyelesaikan suatu permasalahan yang bentuknya sedikit berbeda dari algoritma. Pada penelitian ini, terdapat dua pseudocode, yaitu : pseudocode ekstraksi fitur bentuk dan pseudocode
ekstraksi fitur warna.
3.2.2.1 Pseudocode Ekstraksi Fitur Bentuk 1. Ekstraksi Nilai RGB
int pixel = getImg.getRGB(i, j);
int r = (pixel>>16)&0xff;
int g = (pixel>>8)&0xff;
int b = pixel&0xff;
2. Konversi RGB ke Grayscale
rgbGrayValue[i][j] = (r+g+b)/3;
3. Konvolusi Horizontal dan Vertikal
Gx[i][j]= rgbGrayValue[i+1][j-1] + 2*rgbGrayValue[i+1][j]
+rgbGrayValue[i+1][j+1] - rgbGrayValue[i-1][j-1]
-2*rgbGrayValue[i-1][j] - rgbGrayValue[i-1][j+1];
Gy[i][j]= rgbGrayValue[i-1][j+1] + 2*rgbGrayValue[i][j+1]
+rgbGrayValue[i+1][j+1] - rgbGrayValue[i-1][j-1]
-2*rgbGrayValue[i][j-1]-gbGrayValue[i+1][j-1];
34
4. Membandingkan Nilai Magnitudo dengan Nilai Threshold if(rgbG[i][j]<=128.0){
rgbG[i][j] = 0.0;
intPro[i][j] = 0;
}
else{
rgbG[i][j] = 255;
intPro[i][j] = 1;
}
5. Hitung Integral Proyeksi
for(int i=0 ; i<width ; i++){
int temp = 0;
for(int j=0 ; j<height ; j++){
temp += intPro[i][j];
}
integralPro += Integer.toString(temp)+" ";
}
for(int i=0 ; i<height ; i++){
int temp=0;
for(int j=0 ; j<width ; j++){
temp += intPro[j][i];
}
if(i==height-1)
integralPro += Integer.toString(temp);
else
integralPro += Integer.toString(temp)+" ";
}
3.2.2.2 Pseudocode Ekstraksi Fitur Warna 1. Ekstraksi Nilai RGB
int pixel = getImg.getRGB(i,j);
double r = (pixel>>16)&0xff;
double g = (pixel>>8)&0xff;
35
2. Konversi RGB ke HSV
vValue = cMax*100.0;
if(cMax == 0){
sValue = 0;
}
else{
sValue = (delta/cMax)*100;
}
if(delta==0){
hValue = 0.0;
}
else{
if(cMax == r1){
hValue = 60*( ((g1-b1)/delta)%6 );
}
else if(cMax == g1){
hValue = 60*( ((b1-r1)/delta)+2 );
}
else if(cMax == b1){
hValue = 60*( ((r1-g1)/delta)+4 );
}
else{
hValue = 0.0;
}
}
if(hValue<0){
hValue+=360.0;
}
3. Menentukan Letak Bin
hValue = Math.round(hValue*18/360);
sValue = Math.round(sValue*3/100);
36
4. Kuantisasi
for(int x=0 ; x<162 ; x++){
if(hValue == hBinValue[x]){
if(sValue == sBinValue[x]){
if(vValue == vBinValue[x]){
result[x]+=1;
found=true;
break;
}
}
}
}
5. Normalisasi
for(int i=0 ; i<162 ; i++){
result[i]=
Double.valueOf(df.format(result[i]*100/(width*height)));
}
3.2.3 Use Case Diagram
37
Gambar 3.6. Use Case Diagram Sistem
Penjelasan dari setiap use case yang terdapat pada diagram use case dapat dilihat pada use case narrative. Use case narrative dari use case diagram sistem pada Gambar 3.6. dapat dilihat pada Tabel 3.1. dan Tabel 3.2. berikut ini.
Tabel 3.1. Use Case Narrative Pemanggilan Citra Nama Use Case Pemanggilan Citra
Aktor Pengguna
Deskripsi
Use case ini mendeskripsikan bagaimana proses pemanggilan citra dalam database berdasarkan citra query yang di-input-kan kepada sistem
Alur Dasar
Kegiatan Pengguna Respon Sistem 1. Mengakses sistem 1. Menampilkan halaman utama 2. Klik tombol mulai
pencarian
2. Menampilkan halaman mulai pencarian
3. Memilih metode ekstraksi fitur yang digunakan
3. Menampilkan jendela ekstraksi fitur yang telah ditentukan
38
5. Memilih citra query dan klik tombol open
5. Menampilkan citra query yang telah dipilih
6. Klik tombol telusuri citra 6. Menampilkan hasil pemanggilan citra
Alur Alternatif Tidak Ada
Kondisi Sesudah Sistem melakukan pemanggilan citra berdasarkan metode ekstraksi fitur citra yang dipilih pengguna
Tabel 3.2. Use Case Narrative Input Citra ke Database
Nama Use Case Input Citra ke Database
Aktor Pengguna
Deskripsi Use case ini mendeskripsikan bagaimana proses peng-input-an citra ke database
Alur Dasar
Kegiatan Pengguna Respon Sistem 1. Klik MenuIteminput citra
ke database
1. Menampilkan halaman input
citra
2. Klik tombol pilih citra 2. Menampilkan windows explorer
3. Memilih citra yang ingin di-input-kan dan klik tombol open
3. Menampilkan daftar citra yang di-input-kan pada sistem
4. Klik tombol input citra 4. Menampilkan respon jika citra berhasil di-input-kan
Alur Alternatif Tidak Ada
39
3.2.4 Activity Diagram
Activity diagram menggambarkan proses bisnis atau urutan aktivitas dalam sebuah sistem (Ambler, 2005). Pada penelitian ini, terdapat dua activity diagram, yaitu :
activity diagram pemanggilan citra dan activity diagram input citra ke database.
Activity diagram penelitian ini dapat dilihat pada Gambar 3.7. dan Gambar 3.8.
40
41
3.2.5 Sequence Diagram
Sequence diagram (diagram urutan) adalah suatu diagram yang memperlihatkan interaksi – interaksi antar objek di dalam sistem yang disusun pada sebuah urutan atau rangkaian waktu. Pada penelitian ini, terdapat dua sequence diagram, yaitu : sequence diagram pemanggilan citra dan sequence diagram input citra ke database. Sequence diagram penelitian ini dapat dilihat pada Gambar 3.9. dan Gambar 3.10.
Gambar 3.9. Sequence Diagram Pemanggilan Citra
42
3.2.6 Perancangan Database
Database atau basis data merupakan kumpulan dari data yang saling berhubungan satu dengan lainnya, yang tersimpan pada simpanan luar komputer dan digunakan perangkat lunak tertentu untuk memanipulasinya (Rapianti, 2011). Penyimpanan data yang dirancang untuk penelitian ini menggunakan SQLite Database Browser 2.0 b1. SQLite adalah Relational Database Management Server (RDBMS) alternatif yang memiliki kelebihan sebagai berikut :
1. Portable (tidak memerlukan proses instalasi). 2. Flat file (satu database satu file).
3. Mendukung transaction dan view. 4. Sangat cepat karena berupa flat file.
5. Menggunakan bahasa query yang mirip dengan RDBMS pada umumnya.
SQLitejuga bersifat server less database, dimana SQLite tidak memerlukan server tersendiri untuk dapat menjalankan fungsinya sehingga sangat cocok digunakan sebagai database untuk aplikasi mobile device, pengembangan website berskala kecil hingga menengah, hingga pengembangan aplikasi berskala enterprise sebagai
database pada aplikasi yang bersifat prototype atau demo.
Kamus data adalah suatu daftar data elemen yang terorganisir dengan defenisi yang tetap dan sesuai dengan sistem, sehingga pengguna dan analis sistem memiliki pengertian yang sama tentang input, output dan komponen penyimpanan data. Database yang digunakan terdiri dari tabel imageSobelMatching dan tabel imageHsvmatching. Rincian tabel yang digunakan dapat dilihat pada Tabel 3.3. dan Tabel 3.4.
Tabel 3.3. Tabel imageSobelMatching
No Nama Field Tipe Keterangan
43
Tabel 3.4. Tabel imageHsvMatching
No Nama Field Tipe Keterangan
1 imagePath Text Path Citra yang Digunakan 2 hsvValue Text Hasil Konversi Ruang Warna HSV
3.2.7 Perancangan Antarmuka
Aplikasi pemanggilan citra dirancang dengan menggunakan NetBeans IDE 8.0.2. Tahap perancangan antarmuka bertujuan untuk memudahkan proses implementasi dan diharapkan tampilan dari sistem yang dihasilkan menjadi user friendly.
3.2.7.1 Halaman Utama
Halaman utama merupakan halaman awal dari aplikasi pemanggilan citra. Perancangan halaman utama aplikasi dapat dilihat pada Gambar 3.11.
Gambar 3.11. Perancangan Antarmuka Halaman Utama
Komponen yang digunakan untuk membangun antarmuka halaman utama pada Gambar 3.11. adalah sebagai berikut :
44
3. Button ‘Mulai Pencarian’ berfungsi untuk menampilkan halaman mulai pencarian dimana pengguna dapat memilih metode pemanggilan citra yang diinginkan dan meng-input-kan citra query ke database.
4. Button ‘Bantuan’ berfungsi untuk menampilkan halaman bantuan. 5. Button ‘Tentang’ berfungsi untuk menampilkan halaman tentang.
3.2.7.2 Halaman Mulai Pencarian
Halaman mulai pencarian merupakan halaman untuk melakukan pemanggilan citra sesuai dengan metode yang diinginkan. Perancangan halaman mulai pencarian dapat dilihat pada Gambar 3.12.
Gambar 3.12. Perancangan Antarmuka Halaman Mulai Pencarian
Komponen yang digunakan untuk membangun antarmuka halaman mulai pencarian pada Gambar 3.12. adalah sebagai berikut :
1. MenuBar ‘File’ berfungsi sebagai pilihan menu dan terdiri dari dua menu item. 2. MenuItem ‘Input Citra ke Database’ berfungsi untuk menampilkan halaman
45
3. MenuItem ‘Keluar’ berfungsi untuk keluar dari sistem.
4. TabbedPane ‘HSV’ berfungsi sebagai jendela untuk melakukan pemanggilan
citra berdasarkan fitur warna citra menggunakan deteksi warna HSV.
5. TabbedPane ‘Sobel’ berfungsi sebagai jendela untuk melakukan pemanggilan
citra berdasarkan fitur bentuk citra menggunakan Operator Sobel.
6. Button ‘Pilih Citra’ berfungsi untuk menampilkan windows explorer guna memilih citra query dalam pemanggilan citra.
7. Button ‘Cari Berdasarkan Warna’ berfungsi untuk melakukan pemanggilan
citra berdasarkan warna.
8. Label ‘8’ berfungsi untuk menampilkan citra query yang telah dipilih.
9. Label ‘9’ berfungsi untuk menampilkan citra hasil pemanggilan sesuai dengan
metode yang telah dipilih sebelumnya.
10.Button ‘Pilih Prev’ berfungsi untuk menampilkan citra hasil sebelumnya.
11.Button ‘Pilih Citra’ berfungsi untuk menampilkan citra hasil selanjutnya.
3.2.7.3 Halaman Input Citra ke Database
Halaman input citra ke database merupakan halaman untuk menginputkan citra ke
database. Perancangan halaman mulai input citra ke database dapat dilihat pada Gambar 3.13.
46
Komponen yang digunakan untuk membangun antarmuka halaman input
citra ke database pada Gambar 3.13. adalah sebagai berikut :
1. List berfungsi untuk menampilkan daftar citra yang akan diinputkan.
2. Button ‘Pilih Citra’ berfungsi untuk menampilkan windows explorer guna memilih citra yang akan diinputkan ke database.
3. Button ‘Input Citra’ berfungsi untuk menyimpan citra yang telah dipilih ke database.
3.2.7.4 Halaman Bantuan
Halaman bantuan merupakan halaman untuk menampilkan panduan singkat tentang cara penggunaan aplikasi ini. Perancangan halaman bantuan dapat dilihat pada Gambar 3.14.
Gambar 3.14. Perancangan Antarmuka Halaman Bantuan
Komponen yang digunakan untuk membangun antarmuka halaman bantuan pada Gambar 3.14. adalah sebagai berikut :
1. Label ‘1’ berfungsi untuk menampilkan background halaman bantuan. 2. Label ‘2’ berfungsi untuk menampilkan logo aplikasi.
47
3.2.7.5 Halaman Tentang
Halaman tentang merupakan halaman untuk menampilkan informasi singkat tentang peneliti, judul penelitian, logo universitas, program studi, dan fakultas penulis. Komponen yang digunakan untuk membangun antarmuka halaman tentang adalah
Label yang berfungsi untuk menampilkan rincian informasi singkat peneliti. Perancangan halaman bantuan dapat dilihat pada Gambar 3.15.
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Pada bab implementasi dan pengujian ini akan diuraikan penjelasan mengenai implementasi dari perancangan yang telah dibuat dan pembahasan hasil pengujian terhadap implementasi.
4.1. Implementasi
Tahap implementasi merupakan tahapan lanjutan setelah tahap analisis dan tahap perancangan telah selesai. Hal yang telah dipaparkan pada bab sebelumnya akan diimplementasikan pada tahap ini menggunakan bahasa pemrograman Java dan SQLite sebagai media penyimpan data. Perangkat lunak yang digunakan untuk Java adalah NetBeans IDE versi 8.0.2. Sedangkan perangkat lunak yang digunakan untuk menyimpan data adalah SQLite Database Browser 2.0 b1.
4.1.1 Halaman Utama
Halaman utama adalah halaman awal saat aplikasi dijalankan. Halaman utama dapat dilihat pada Gambar 4.1.
