Fuzzy Rule-Based Sistem Temukembali Citra Bunga

FUZZY RULE-BASED

SISTEM TEMUKEMBALI CITRA BUNGA

ADI SUCIPTO AJI

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

PERNYATAAN MENGENAI TESIS

Saya menyatakan dengan sebenar-benarnya bahwa tesis saya yang berjudul :

Fuzzy Rule-Based Sistem Temukembali Citra Bunga ini adalah benar-benar asli karya saya dengan arahan komisi pembimbing dan bukan hasil jiplakan atau tiruan tulisan siapapun serta belum pernah diajukan dalam bentuk apapun kepada perguruan tinggi manapun.

Bogor, Mei 2007

RINGKASAN

ADI SUCIPTO AJI. Fuzzy Rule-Based Sistem Temukembali Citra Bunga. Dibawah bimbingan MARIMIN dan YENI HERDIYENI.

Sistem temukembali citra merupakan bidang yang mengintegrasikan berbagai disiplin ilmu yaitu antara lain temukembali informasi (information retrieval), pemrosesan citra (digital image processing) dan basisdata. Penelitian dalam bidang sistem temukembali citra ini dipicu oleh semakin pesatnya perkembangan internet dan website, semakin murahnya peralatan akuisisi citra (imaging device), aplikasi perpustakaan dijital (digital libraries), pengarsipan citra (image archieve) dan video-on-demand. Perkembangan terkini hasil penelitian dalam sistem temukembali citra dimanfaatkan tidak hanya terbatas dalam bidang computer vision dan basisdata saja, tetapi dimanfaatkan juga untuk aplikasi dibidang lain seperti permodelan biologi, peramalan cuaca, citra medis, citra satelit dan lain-lain dalam bentuk interactive image undestanding.

Metode pencarian dan pengklasifikasian citra dalam sistem temukembali citra yang berbasis ciri (image features) dilakukan dengan memanfaatkan kemiripan ciri citra yaitu warna, tekstur dan bentuk. Terdapat tiga masalah utama yang masih terus dikaji dan diteliti sampai saat ini yaitu perbedaan persepsi pengguna terhadap citra yang sama, keinginan subyektif pengguna sistem dan penggunaan bobot pada masing-masing ciri citra sehingga sistem tidak bisa merefleksikan pola-pikir manusia.

Penelitian ini mengembangkan suatu metode baru yaitu merancang dan menganalisis sistem pengetahuan berbasis fuzzy untuk pengukuran kemiripan dalam sistem temukembali citra. Implementasi logika fuzzy dalam rancangan basis pengetahuan sistem direpresentasikan dengan fungsi implikasi fuzzy. Pendekatan perancangan sistem yang digunakan adalah pendekatan perancangan sistem pakar berbasis pengetahuan. Penggunaan pendekatan perancangan sistem ini yang menjadi sumber pengetahuan dalam sistem temukembali citra adalah informasi tentang warna dan bentuk citra. Pengetahuan yang telah diakuisisi oleh sistem kemudian direpresentasikan dalam bentuk kaidah fuzzy IF…THEN dan digunakan untuk membangun basis pengetahuan (basis kaidah fuzzy) sistem temukembali citra. Basis kaidah fuzzy ini berfungsi sebagai alat untuk merepresentasikan pola pikir manusia dalam menterjemahkan keinginan subyektif pengguna sistem temukembali citra.

Penelitian terdiri dari tiga tahap yaitu ekstraksi ciri, pembuatan basis kaidah fuzzy dan pengukuran kinerja sistem. Tahap ekstraksi ciri merupakan proses segmentasi citra berdasarkan warna dan bentuk atau pengindeksan citra. Metode yang digunakan untuk segmentasi warna adalah histogram dengan bin warna yang sudah didefinisikan (warna referensi) dan metode untuk segmentasi bentuk adalah momen invarian. Tahap pembuatan basis kaidah fuzzy adalah tahapan untuk mengimplementasikan basis kaidah fuzzy dalam sistem temukembali citra untuk pengukuran kemiripan. Tahapan ini meliputi strategi pembuatan basis kaidah fuzzy, seleksi basis kaidah fuzzy terbaik dan penentuan parameter fuzzyfikasi yang optimum. Validasi dan verifikasi yaitu tahapan penilaian kinerja sistem dengan menggunakan nilai presisi dan recall.

Perancangan basis kaidah fuzzy dilakukan dengan cara menghitung jumlah kemungkinan kombinasi keluaran dari masing-masing peubah linguistik masukan dengan metode pengklasifikasian citra secara menurun. Kombinasi keluaran yang dihasilkan adalah 6 kombinasi untuk ciri sama, 4 kombinasi untuk ciri mirip dan 6 kombinasi untuk ciri beda sehingga membentuk 144 basis kaidah fuzzy. Setiap basis kaidah fuzzy terdiri dari sembilan kaidah fuzzy (R) dan setiap kaidah fuzzy terdiri dari tiga peubah linguistik ciri warna (W) dan bentuk (B) serta keluaran (C). Struktur yang digunakan adalah sebagai berikut :

Basis Kaidah Fuzzy ke-i :

Rj : IF warna IS Wj AND bentuk IS Bj THEN citra IS Cj

Model Mamdani yang digunakan untuk sistem inferensi fuzzy dalam sistem temukembali citra ini menggunakan tiga metode implikasi yaitu Mamdani, Aljabar dan Einstein. Dalam sistem inferensi fuzzy model Mamdani ini terdapat dua parameter yang berpengaruh terhadap kinerja sistem temukembali citra yaitu parameter untuk fuzzyfikasi. Hasil percobaan nilai parameter yang optimum untuk proses fuzzyfikasi pada fungsi cauchy adalah pemulus kurva α = 2 dan lebar partisi Np = 20. Nilai parameter untuk proses defuzzyfikasi pada fungsi segitiga yaitu pusat kurva (γ) masing-masing peubah linguistik adalah γsama = 0 ;

γmirip =0,5 dan γbeda = 1.

Terdapat dua tahapan untuk mendapatkan basis kaidah fuzzy yang terbaik. Pertama adalah tahapan seleksi kombinasi yaitu percobaan dengan penilaian secara persepsi terhadap citra keluaran yang dihasilkan oleh masing-masing kombinasi. Tahapan seleksi kombinasi ini menghasilkan 24 basis kaidah fuzzy. Kedua adalah tahapan percobaan pada 24 basis kaidah fuzzy untuk mendapatkan basis kaidah fuzzy yang mempunyai kinerja terbaik. Tahapan percobaan ini menghasilkan basis kaidah fuzzy terbaik untuk masing-masing metode implikasi dan terbaik untuk ketiga metode implikasi.

beda dan bentuknya sama atau mirip atau beda dengan citra query maka diklasifikasikan menjadi sama atau beda dengan citra query tergantung klasifikasi warna ; jika citra basisdata warnanya mirip dan bentuknya sama atau mirip dengan citra query maka diklasifikasikan menjadi mirip dengan citra query ; jika citra basisdata warnanya mirip dan bentuknya beda maka diklasifikasikan menjadi beda dengan citra query.

ABSTRAK

ADI SUCIPTO AJI. Fuzzy Rule-Based Sistem Temukembali Citra Bunga. Dibawah bimbingan MARIMIN dan YENI HERDIYENI.

Masalah utama dalam sistem temukembali citra adalah ambiguitas persepsi manusia terhadap suatu citra dan metode pembobotan ciri yang tidak fleksibel untuk pengukuran kemiripan. Penelitian ini mengembangkan metode baru untuk pengukuran kemiripan citra dari ciri (image features) warna dan bentuk dengan menggunakan basis kaidah fuzzy. Basis kaidah fuzzy ini berfungsi sebagai alat untuk merepresentasikan pola pikir manusia dalam menterjemahkan keinginan subyektif pengguna sistem temukembali citra. Proses utama yang terdapat dalam sistem temukembali citra adalah pengindeksan dan temukembali. Proses pengindeksan adalah proses melakukan segmentasi berdasarkan ciri citra yaitu ciri warna dengan metode histogram dan ciri bentuk dengan metode momen invarian. Proses temukembali adalah proses pengimplementasian logika fuzzy yang terdiri dari tahapan fuzzyfikasi nilai crisp ciri citra, melakukan inferensi pada setiap kaidah fuzzy, defuzzyfikasi nilai fuzzy agregat serta visualisasi nominasi citra yang relevan. Basis kaidah fuzzy untuk pengukuran kemiripan citra antara citra query dengan basisdata menggunakan tiga peubah linguistik yaitu sama, mirip dan beda. Peubah linguistik ini digunakan untuk klasifikasi masukan ciri warna dan bentuk serta klasifikasi citra keluaran. Hasil percobaan menunjukkan bahwa kinerja sistem temukembali citra dipengaruhi oleh metode implikasi yang digunakan, dan kinerja basis kaidah fuzzy terbaik adalah yang mempunyai informasi warna lebih dominan dibandingkan dengan bentuk dalam penentuan kemiripan citra. Percobaan dengan tiga metode implikasi yaitu Mamdani, Aljabar dan Einstein memberikan nilai presisi berturut–turut adalah 86,44 %, 87,89 % dan 87,56 %, dimana metode Mamdani menghasilkan citra yang lebih baik dibandingkan dengan metode lainnya secara persepsi. Basis kaidah fuzzy yang mempunyai kinerja terbaik untuk ketiga metode implikasi adalah : jika citra basisdata warnanya sama atau beda dan bentuknya sama atau mirip atau beda dengan citra query maka diklasifikasikan menjadi sama atau beda dengan citra query tergantung klasifikasi warna ; jika citra basisdata warnanya mirip dan bentuknya sama atau mirip dengan citra query maka diklasifikasikan menjadi mirip dengan citra query ; jika citra basisdata warnanya mirip dan bentuknya beda maka diklasifikasikan menjadi beda dengan citra query.

ABSTRACT

ADI SUCIPTO AJI. Fuzzy Rule-Based Image Retrieval Systems. Under the direction ofMARIMIN and YENI HERDIYENI.

The common problems on image retrieval systems are vagueness and ambiguity of human perception of image similarity and rigidness on weighted features. This research develop a new method for measuring image similarity base on color and shape features by embedding the fuzzy logic called fuzzy rule-based method. Fuzzy rule-based as human thinking representation tends to capture systems user subjectivity. Two major processes in image retrieval systems are indexing and retrieval. Indexing process are image features segmentation process by color using histogram and shape using invariant moment. Retrieval process are fuzzy logic implementation with following steps : image features fuzzyfication, inferences among fuzzy rule-based, defuzzyfication and visualisation of relevant image nomination. Fuzzy rule-based for measuring image similarity comprise three linguistic variables sama, mirip and beda on each image features. The experiment result shows that implication method influences the systems performance. Highest precision values on Mamdani, Algebra and Einstein methods respectively are 86.44 %, 87.89 % and 87.56 %, which is by perception criteria Mamdani’s method producing better image than the others. Highest performance of fuzzy rule-based on 3rd implication method are : if color is sama or beda and shape is sama or mirip or beda then image is sama or beda depend on color classification ; if color is mirip and shape is sama or mirip then image is mirip ; if color is mirip and shape is beda then image is beda.

© Hak cipta milik Institut Pertanian Bogor, tahun 2007

Hak cipta dilindungi

FUZZY RULE-BASED

SISTEM TEMUKEMBALI CITRA BUNGA

ADI SUCIPTO AJI

Tesis

sebagai salah satu syarat untuk memperoleh gelar Magister Sains

pada Departemen Ilmu Komputer

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

Judul Tesis : Fuzzy Rule-Based Sistem Temukembali Citra Bunga Nama : Adi Sucipto Aji

NIM : G651040064 Program Studi : Ilmu Komputer

Disetujui Komisi Pembimbing

Prof. Dr. Ir. Marimin, MSc. Yeni Herdiyeni, SSi. MKom.

Ketua Anggota

Diketahui

Ketua Program Studi Dekan Sekolah Pascasarjana Ilmu Komputer Institut Pertanian Bogor

Dr. Ir. Sugi Guritman Prof. Dr. Ir. Khairil Anwar Notodiputro, MS.

KATA PENGANTAR

Puji syukur dipanjatkan ke hadirat Allah SWT sehingga penulis bisa menyelesaikan tesis ini. Shalawat serta salam semoga selalu tercurah kepada Nabi Muhammad SAW hingga akhir zaman. Amin. Tema yang dipilih dalam penelitian ini adalah tentang sistem temukembali dengan judul Fuzzy Rule-Based Sistem Temukembali Citra Bunga.

Penulis mengucapkan terimakasih kepada :

1. Bapak Prof. Dr. Ir. Marimin MSc. sebagai ketua komisi pembimbing yang telah memberikan arahan dalam perancangan sistem pakar, penelitian dan penulisan tesis.

2. Ibu Yeni Herdiyeni SSi. MKom. sebagai anggota komisi pembimbing yang telah memberikan arahan dalam perancangan sistem temukembali citra, penelitian dan penulisan tesis.

3. Bapak Irman Hermadi SKom. MS. sebagai dosen penguji yang telah meluangkan waktu untuk menguji dan memberikan saran-saran dalam penulisan tesis.

4. Teman-teman di Laboratorium Kecerdasan Komputasional, Departemen Ilmu Komputer, Institut Pertanian Bogor yang telah memberikan saran-saran yang berguna untuk pelaksaan penelitian.

Penulis mempersembahkan karya ilmiah ini untuk keluarga di Madura dan Kotabumi - Lampung, istri tercinta Sukma Witasari dan anak-anak tersayang : Nisrina Alissabila, Ahmad Haziq Al Musyarrif dan Ahsan Malik Al Farisi yang telah memberikan dorongan moril.

Banyak kekurangan dalam tesis ini, untuk itu penulis mengharapkan kritik atau saran untuk memperbaiki tesis ini. Semoga karya ilmiah ini bermanfaat.

RIWAYAT HIDUP

Penulis dilahirkan di Sampang pada tanggal 2 Desember 1967 dari ayah Moh. Sirad Atmaja dan ibu Siti Kamtinah. Penulis merupakan putra kedua dari dua bersaudara.

Tahun 1986 penulis lulus dari SMA Negeri 1 Pamekasan dan pada tahun yang sama lulus seleksi masuk IPB melalui jalur Penelusuran Minat dan Kemampuan. Penulis memilih kelompok minat Sistem dan Manajemen Mekanisasi Pertanian, Jurusan Mekanisasi Pertanian, Fakultas Teknologi Pertanian dan lulus pada tahun 1991. Selama menjadi mahasiswa penulis aktif di Senat Mahasiswa sebagai Koordinator Unit Kegiatan Fotografi, Himpunan Mahasiswa Keteknikan Pertanian sebagai Koordinator Kelompok Minat Sistem dan Manajemen Mekanisasi Pertanian dan Badan Perwakilan Mahasiswa.

DAFTAR ISI

DAFTAR ISI ... i

DAFTAR TABEL ... iii

DAFTAR GAMBAR ... iv

DAFTAR LAMPIRAN ... vi

I. PENDAHULUAN ... 1

A. Latar Belakang ... 1

B. Tujuan dan Manfaat... 4

C. Ruang Lingkup ... 4

II. TINJAUAN PUSTAKA ... 5

A. Sistem Pakar ... 5

B. Sistem Temukembali Citra ... 6

C. Fungsi Kemiripan Ciri ... 7

D. Citra Bunga dan Model Warna... 8

E. Segmentasi Warna ... 10

F. Segmentasi Bentuk ... 12

G. Logika Fuzzy ... 14

1. Fungsi Keanggotaan ... 14

2. Sistem Inferensi Fuzzy ... 15

III. METODOLOGI ... 18

A. Kerangka Pemikiran ... 18

B. Tatalaksana dan Rancangan Proses ... 19

1. Pra Proses ... 19

2. Segmentasi ... 20

3. Implementasi Logika Fuzzy ... 20

a. Masukan Crisp ... 20

b. Fuzzyfikasi ... 21

c. Basis Kaidah Fuzzy ... 21

d. Inferensi Basis Kaidah Fuzzy ... 23

e. Defuzzyfikasi ... 23

C. Analisis Kebutuhan Sistem ... 24

1. Deskripsi dan Fungsi Sistem ... 24

2. Data dan Sumber Data ... 25

3. Klasifikasi Pengguna... 25

4. Antarmuka Pengguna ... 26

5. Rancangan Model Sistem... 27

6. Lingkungan Perancangan ... 28

D. Penilaian Kinerja ... 28

E. Kompleksitas Algoritma ... 29

IV. PERANCANGAN SISTEM ... 30

A. Arsitektur Sistem ... 30

B. Perancangan Masukan/Keluaran Sistem ... 31

1. Parameter Sistem ... 31

2. Parameter Pengindeksan ... 33

C. Dekomposisi Sistem ... 35

1. Ektraksi Ciri Citra ... 37

2. Query Citra ... 37

D. Antarmuka Pengguna ... 38

1. Antarmuka Sistem ... 38

2. Antarmuka Masukan ... 39

3. Antarmuka Keluaran ... 40

4. Antarmuka Pengaturan Parameter ... 41

E. Pengembangan Basis Kaidah Fuzzy ... 42

V. IMPLEMENTASI SISTEM ... 43

A. Instalasi Sistem ... 43

B. Prosedur Pengoperasian ... 45

C. Kompleksitas Sistem ... 47

1. Ekstraksi Ciri Warna ... 48

2. Ekstraksi Ciri Bentuk ... 49

3. Query Citra ... 49

VI. HASIL DAN PEMBAHASAN ... 52

A. Segmentasi ... 52

B. Parameter Fungsi Keanggotaan ... 55

C. Penilaian Kinerja ... 59

1. Kinerja Basis Kaidah Fuzzy ... 59

2. Kinerja Sistem ... 66

3. Efisiensi Sistem ... 72

D. Pengembangan Sistem untuk Aplikasi Pertanian ... 73

VII. KESIMPULAN DAN SARAN ... 77

A. Kesimpulan ... 77

B. Saran ... 78

DAFTAR PUSTAKA ... 79

DAFTAR TABEL

1. Kombinasi Kaidah Fuzzy ... 22

2. Nama dan Kode Bunga ... 25

3. Kompleksitas Algoritma ... 51

4. Momen Invarian Citra... 54

5. Basis Kaidah Fuzzy Hasil Seleksi... 62

6. Nilai Treshold ... 70

DAFTAR GAMBAR

1. Tahapan Pelaksanaan Penelitian ... 3

2. Proses Rekayasa Pengetahuan ... 5

3. Representasi Spasial Citra ... 8

4. Model Warna RGB dan HSV... 9

5. Jarak Euclid Model Warna HSV ... 11

6. Kurva Fungsi Cauchy ... 15

7. Sistem Inferensi Fuzzy ... 16

8. Kerangka Pemikiran Penelitian ... 18

9. Kurva Segitiga Keluaran Sistem ... 23

10. Rancangan Antarmuka Sistem Temukembali Citra ... 26

11. Diagram Konteks Sistem Temukembali Citra ... 27

12. Arsitektur Sistem Temukembali Citra ... 30

13. Diagram Aliran Data Sistem Temukembali Citra... 32

14. Dekomposisi Sistem Temukembali Citra ... 36

15. Antarmuka Sistem ... 39

16. Antarmuka Masukan ... 40

17. Antarmuka Keluaran ... 41

18. Antarmuka Pengaturan Parameter Sistem ... 42

19. Instalasi Sistem Menggunakan Batchfile... 43

20. Menyalin File ke Memori dari Media Penyimpan Sistem ... 44

21. Menyalin File Sistem ke Drive C ... 44

22. Antarmuka Set Path Matlab ... 45

23. Antarmuka Penambahan Path ... 46

24. Antarmuka Pemilihan Direktori ... 46

25. Antarmuka Penyimpanan Path Sistem ... 47

26. Citra Hasil Proses Segmentasi Warna ... 52

27. Grafik Jumlah Bin Warna ... 53

28. Distribusi Bin Warna Referensi ... 54

29. Grafik Nilai Presisi Optimasi Parameter Fuzzyfikasi ... 57

31. Tahapan Seleksi Tipe Kaidah ... 60

32. Grafik Nilai Presisi Seleksi Tipe Kaidah ... 61

33. Grafik Nilai Perbandingan Nilai Presisi Antar Metode Implikasi ... 65

34. Grafik Nilai Presisi per Jenis Bunga ... 67

35. Grafik Nilai Presisi - Recall Sistem Temukembali ... 68

36. Citra Keluaran per Metode Implikasi ... 69

37. Citra Keluaran Menggunakan Nilai Treshold ... 71

38. Arsitektur Sistem Temukembali Citra Untuk Aplikasi Pertanian ... 74

DAFTAR LAMPIRAN

1. Warna Referensi ... 81

2. Tahapan Pembentukan Sistem Pakar ... 82

3. Bagan Alir Sistem Temukembali Citra ... 83

4. Basis Kaidah Fuzzy ... 84

5. Distribusi Warna Citra ... 85

6. Hasil Percobaan Optimasi Parameter Fuzzyfikasi ... 86

7. Hasil Percobaan Optimasi Parameter Kurva Segitiga ... 87

8. Hasil Percobaan Optimasi Parameter Kurva Gaussian ... 88

9. Basis Kaidah Fuzzy Hasil Seleksi ... 89

10. Hasil Percobaan Penilaian Kinerja Basis Kaidah Fuzzy ... 90

11. Hasil Percobaan Metode Aljabar dan Einstein ... 92

I. PENDAHULUAN

A. Latar Belakang

Sistem temukembali citra merupakan bidang yang mengintegrasikan berbagai disiplin ilmu yaitu antara lain temukembali informasi (information retrieval), pemrosesan citra (digital image processing) dan basisdata. Penelitian

dalam bidang sistem temukembali citra ini dipicu oleh semakin pesatnya perkembangan internet dan website, semakin murahnya teknologi peralatan akuisisi citra (imaging), aplikasi perpustakaan dijital (digital libraries), pengarsipan citra (image archieve) dan video-on-demand. Menurut Smeulders (2000), tantangan terbesar adalah pemanfaatan hasil-hasil penelitian dalam bidang ini tidak hanya terbatas untuk keperluan computer vision dan basisdata, tetapi harus juga bisa digunakan untuk aplikasi dibidang lain seperti permodelan biologi, peramalan cuaca, citra medis, citra satelit dan lain-lain dalam bentuk interactive image undestanding.

Pada umumnya dalam sistem temukembali citra metode yang digunakan untuk melakukan pencarian dan pengklasifikasian citra dalam basisdata adalah query menggunakan informasi tambahan dalam atribut file. Informasi tambahan dalam atribut file bervariasi seperti tanggal pembuatan, titel, subyek, komentar dan kata kunci yang berbasis teks, tergantung sistem operasi yang digunakan.

1. Adanya perbedaan persepsi pengguna terhadap citra. 2. Keinginan subyektif pengguna sistem.

3. Penggunaan bobot pada masing-masing ciri citra sehingga sistem tidak bisa merefleksikan pola-pikir manusia.

Beberapa penelitian yang menggunakan logika fuzzy dalam sistem temukembali citra umumnya digunakan untuk merepresentasikan ciri citra yang bertujuan untuk meningkatkan kinerja sistem temukembali. Penelitian tersebut adalah representasi kehomogenan warna (Cheng et al, 1998), segmentasi dan representasi citra dengan histogram fuzzy Chen dan Wang (2002), Zhang dan Zhang (2004), ukuran dan bentuk fuzzy wajah manusia (Wu et al, 1993) dan ketebalan batas pinggir (Banerjee dan Kundu, 2003).

Penelitian ini mengembangkan suatu metode baru yaitu merancang dan menganalisis sistem pengetahuan berbasis fuzzy untuk pengukuran kemiripan citra dengan menggunakan pendekatan perancangan sistem pakar berbasis pengetahuan. Informasi yang dijadikan sebagai sumber pengetahuan sistem temukembali adalah informasi tentang warna dan bentuk citra. Pengetahuan yang telah diakuisisi oleh sistem kemudian direpresentasikan dalam bentuk fungsi implikasi fuzzy IF...THEN untuk membangun basis pengetahuan sistem temukembali citra. Basis pengetahuan sistem ini berfungsi sebagai alat untuk merepresentasikan pola pikir manusia dalam menterjemahkan keinginan subyektif pengguna sistem temukembali citra.

adalah proses pengimplementasian logika fuzzy yang terdiri dari tahapan fuzzyfikasi nilai crisp ciri citra, melakukan inferensi pada setiap kaidah fuzzy, defuzzyfikasi nilai fuzzy agregat serta visualisasi nominasi citra yang relevan.

Penelitian ini terdiri dari tiga tahap yaitu ekstraksi ciri, pembuatan basis kaidah fuzzy dan pengukuran kinerja sistem (Gambar 1). Tahap ekstraksi ciri merupakan proses segmentasi citra berdasarkan warna dan bentuk atau pengindeksan citra. Metode yang digunakan untuk segmentasi warna adalah histogram dengan bin warna yang sudah didefinisikan (warna referensi) dan metode untuk segmentasi bentuk adalah momen invarian. Hasil ekstraksi ciri ini selanjutnya digunakan untuk pembuatan file indeks citra. Tahap pembuatan basis kaidah fuzzy adalah tahapan untuk mengimplementasikan basis kaidah fuzzy dalam sistem temukembali. Tahapan ini meliputi strategi pembuatan basis kaidah fuzzy, seleksi tipe kaidah terbaik dan penentuan parameter fuzzyfikasi yang optimum. Validasi dan verifikasi yaitu penilaian kinerja sistem dilakukan dengan mengukur nilai presisi dan recall keluaran sistem.

Gambar 1. Tahapan Pelaksanaan Penelitian

Perbedaan sudut pandang dan pencahayaan menyebabkan citra yang dihasilkan bervariasi warna dan bentuknya untuk setiap jenis bunga. Adanya variasi warna dan bentuk tersebut maka bunga merupakan obyek citra yang menarik untuk dijadikan bahan penelitian.

B. Tujuan dan Manfaat

Penelitian ini bertujuan untuk melakukan analisis dan merancang sistem pengetahuan berbasis fuzzy untuk pengukuran kemiripan citra pada sistem temukembali citra bunga.

Manfaat yang diharapkan dari penelitian ini adalah (1) menjadi dasar perancangan sistem temukembali citra berbasis kaidah fuzzy dan (2) sebagai salah satu metode untuk pengembangan aplikasi dalam bidang pertanian misalnya perpustakaan dijital, sortasi hasil panen dan klasifikasi lahan.

C. Ruang Lingkup

Ruang lingkup penelitian ini adalah sebagai berikut : - Obyek penelitian adalah citra bunga dalam format citra JPG. - Segmentasi citra dilakukan pada warna dan bentuk

II. TINJAUAN PUSTAKA

A. Sistem Pakar

Sistem pakar yang berbasis pengetahuan kecerdasan merupakan salah satu bagian dari kecerdasan buatan (berbasis pengetahuan) yang memungkinkan komputer dapat berpikir dan mengambil kesimpulan dari sekumpulan aturan atau kaidah (Marimin, 2005).

Menurut Turban (1995), struktur sistem pakar terdiri dari beberapa komponen utama yang mencakup : subsistem akuisisi pengetahuan, basis pengetahuan, mesin inferensi, subsistem penjelasan dan antarmuka pengguna. Subsistem akuisisi pengetahuan merupakan kunci utama yang menentukan keberhasilan pengembangan suatu sistem pakar. Akuisisi pengetahuan dalam subsistem ini dilakukan melalui suatu proses rekayasa yang dibagi menjadi lima aktivitas yaitu (Gambar 2) :

- Akuisisi pengetahuan merupakan proses ekstraksi ciri dengan melakukan segmentasi citra berdasarkan warna dan bentuk.

- Validasi dan verifikasi pengetahuan merupakan proses pengujian sistem temukembali citra sampai mendapatkan hasil yang bisa diterima kualitasnya. - Merepresentasikan pengetahuan dalam bentuk fungsi implikasi untuk

pembuatan basis pengetahuan fuzzy.

- Inferensi adalah aktivitas perancangan perangkat lunak agar komputer bisa melakukan inferensi berdasarkan pengetahuan yang telah dimiliki. Sistem inferensi fuzzy yang digunakan dalam penelitian ini adalah metode Mamdani. - Justifikasi adalah aktivitas perancangan dan pemrograman kemampuan

komputer untuk memberikan umpanbalik citra yang relevan kepada pengguna.

B. Sistem Temukembali Citra

Untuk mendapatkan informasi citra yang relevan dari basisdata pada sistem temukembali citra berbasis ciri adalah dengan menggunakan ciri citra sehingga sistem menerima masukan berupa matriks piksel (Smeulder et al, 2000). Menurut Jiang et al (2006), masalah utama dalam perancangan sistem temu-kembali citra berbasis ciri adalah bagaimana mengintegrasikan konsep visual citra dan semantik citra untuk mendapatkan informasi dari basisdata.

Terdapat dua hal yang harus diperhatikan dalam perancangan sistem temukembali citra yaitu (Sebe dan Lew, 2000) :

b. Efisiensi kapasitas penyimpanan, data indeks basisdata yang dihasilkan proses ekstraksi tidak terlalu besar untuk disimpan di memori. Semakin kecil data indeks basisdata maka semakin efisien memori komputer yang digunakan.

C. Fungsi Kemiripan Ciri

Kemiripan antara dua buah citra bisa diukur dari kedekatan nilai ciri masing-masing citra. Semakin dekat jarak nilai ciri kedua citra akan semakin tinggi tingkat kemiripannya. Ciri citra yang digunakan untuk mengukur kemiripan dua buah citra adalah warna dan bentuk. Ciri citra dalam hal ini dipandang sebagai sebuah vektor representasi citra.

Menurut Duda et al (2001), untuk semua vektor x, y dan z, maka jarak antara dua vektor (d) mempunyai empat sifat yaitu :

- nonnegativity : d(x,y) ≥ 0 (1) - reflexivity : d(x,y) = 0 jika dan hanya jika x = y (2) - symmetry : d(x,y) = d(y,x) (3) - triangle inequality : d(x,y) + d(y,z) ≥ d(x,z) (4) Salah satu kelas untuk menghitung jarak vektor dalam ruang berdimensi n adalah fungsi minkowski. Fungsi minkowski untuk menghitung jarak vektor dengan n = 1 disebut jarak manhattan dan n = 2 disebut jarak euclid. Secara umum persamaan fungsi minkowski dn adalah sebagai berikut (Duda et al, 2001) :

n 1 m

1 i

n i i

n x y x y

d ( , ) ⎟

⎠ ⎞ ⎜

⎝

⎛ ₋

=

∑

=

D. Citra Bunga dan Model Warna

Citra bunga yang dihasilkan oleh sebuah alat pencitraan merupakan produk konversi data sensor kontinyu (analog) menjadi bentuk dijital. Tahapan konversi pada peralatan pencitraan terdiri dari dua yaitu :

− Sampling, yaitu proses pencacahan dimensi citra dalam satuan unit terkecil yaitu piksel. Dimensi citra ditentukan oleh jumlah piksel yang terdapat dalam citra. Perbandingan antara tinggi dan lebar citra (rasio aspek) adalah 4 : 3 untuk portrait atau 3 : 4 untuk landscape.

− Kuantisasi, yaitu proses pencacahan warna citra pada setiap piksel citra. Hasil proses sampling dan kuantisasi adalah sebuah matriks dengan ukuran m x n dimana m adalah jumlah baris dan n adalah jumlah kolom.

Citra merupakan representasi fungsi dua dimensi f(x,y), dimana x dan y adalah koordinat piksel sedangkan f adalah warna untuk sembarang koordinat x dan y. Citra terdiri dari himpunan nilai x, y dan warna f yang besarnya tertentu dan bersifat diskrit. Secara spasial citra dapat digambarkan sebagai berikut (Gonzales dan Woods, 2000) :

Standar peralatan pencitraan dalam melakukan proses kuantisasi warna adalah dengan model warna RGB dengan jumlah ragam warna 8 bit. Sebuah citra RGB yang berdimensi m x n akan mempunyai m x n x 3 piksel warna. Jumlah ragam warna RGB 8 bit berarti setiap lapisan warna R, G, dan B terdapat 28 = 256 atau 224 = 16.777.216 ragam warna citra yang mungkin dihasilkan alat pencitraan.

Menurut Stone (2003), model warna RGB mengandung tiga komponen warna yaitu merah (Red), hijau (Green) dan biru (Blue) atau disebut juga sebagai warna primer. Model warna RGB didasarkan pada sistem koordinat cartesian berbentuk kubus. Rentang nilai R, G dan B merupakan representasi semua vektor warna dalam ruang tiga dimensi R-G-B. Model warna RGB merupakan kombinasi dari tiga lapisan warna sehingga menghasilkan satu warna komposit.

(a) RGB (b) HSV Gambar 4. Model Warna RGB dan HSV

Model warna hue, saturation, value (HSV) yang diperkenalkan oleh Smith tahun 1978 dalam Sebe dan Lew (2000), adalah model warna yang menggunakan pendekatan pada ragam, kecerahan dan intensitas warna (Gambar 4 (b)). Secara garis besar definisi hue, saturation, value adalah :

- Hue berhubungan dengan ragam warna dari warna merah sampai biru.

- Saturation berhubungan dengan kecerahan yaitu dari cerah sampai abu-abu.

- Value berhubungan dengan intensitas warna dari putih ke hitam.

D. Segmentasi Warna

Segmentasi warna adalah proses mengelompokkan citra ke dalam bin warna (histogram). Penggunaan histogram untuk segmentasi warna dalam sistem temukembali memiliki kelebihan yaitu karena kecepatan dan kemudahannya dalam komputasi (Deng et al, 2001). Tetapi histogram merupakan metode yang tidak sensitif terhadap manipulasi citra seperti rotasi, translasi, perubahan dimensi dan sudut pandang kamera. Ada kemungkinan citra dengan tataletak yang berbeda bisa mempunyai histogram yang sama (Qiu dan Lam, 2003).

Dalam penelitian sebelumnya berbagai metode telah digunakan untuk meningkatkan akurasi segmentasi warna citra yaitu antara lain Berens et al (2000) melakukan kompresi pada histogram dengan transformasi Karhunen-Loeve, Qiu dan Lam (2003) menggunakan multilayer histogram yang dihasilkan oleh low-pass dan high-low-pass filter.

dengan warna referensi ke-j model warna HSV dalam Gambar 5 adalah sebagai berikut (Mojsilovic, 2002) :

Gambar 5. Jarak Euclid Model Warna HSV

(

)

_⎥⎦⎤

⎢⎣

⎡ ₊

= 2 12

v 2 hs

ij d d

d min (6)

2 2 2

hs x y

d = + (7)

2 jv iv 2

v p w

d =|| − || (8)

Substitusi nilai xdengan w_js−p_iscosα dan ydengan p_iscosβ, sehingga persamaan (7) menjadi :

2 is 2 is js 2

hs w p p

d =( − cosα) +( cosβ)

α β

α cos ) cos

(cos

= p_is2+w_js2 2 + 2 −2p_isw_js

α

cos

= p_is2+w_js2−2p_isw_js (9) Hasil akhir dari persamaan (6) dengan substitusi nilai α =|| p_ih −w_jh|| menjadi :

(

2

)

12

vj vi hj hi sj si 2 si 2 si

ij p w 2p w p w p w

d =min + − cos|| − ||+|| − || (10)

wh = nilai h warna referensi ws = nilai s warna referensi wv = nilai v warna referensi i = 1 ... K

j = 1 ... 43

Persamaan yang digunakan untuk membuat histogram normalisasi bin warna referensi ke-j pada piksel ke-i sebagai berikut :

∑

=

=

= K

1 i

j i i

j p p w

K 1

H , jika (11)

dengan H = histogram normalisasi p = warna piksel

w = warna referensi i = 1 ... K

j = 1 ... 43

E. Segmentasi Bentuk

Segmentasi bentuk adalah suatu proses mengelompokkan citra ke dalam vektor yang dihasilkan oleh fungsi posisi dan arah piksel citra dalam bidang dua dimensi. Segmentasi bentuk citra menggunakan momen invarian akan menghasilkan vektor momen citra yang invarian walaupun citra tersebut mengalami proses transformasi. Transformasi adalah teknik manipulasi citra yang meliputi rotasi, translasi, shear, penskalaan, refleksi vertikal dan horizontal.

− Momen : =

∑∑

m n q p

pq x y f(x,y)

ω (12)

− Momen Pusat : =

∑∑

− − m n

q p

pq x x y y f x y

c ( ) ( ) ( , ) (13)

− Normalisasi : η _λ 00 pq pq

c c

= (14)

dengan p, q = orde momen

f = nilai intensitas warna x, y = koordinat piksel

y

x, = pusat citra

m, n = jumlah piksel vertikal dan horisontal

λ = 1 + (p + q)/2 untuk p + q ≥ 2, 3, ...

Proses selanjutnya untuk segmentasi bentuk adalah menghitung himpunan momen yang invarian terhadap transformasi citra yaitu rotasi, translasi, shear, linear, penskalaan, refleksi vertikal dan horizontal. Momen invarian ϕ suatu citra dihitung dengan menggunakan persamaan sebagai berikut :

1. ϕ₁ =η₂₀+η₀₂ (15)

2. 2

11 2

02 20

2 η η 4η

ϕ =( − ) + (16)

3. ϕ₃ =(η₃₀ −3η₁₂)2 +(3η₂₁−η₀₃)2 (17) 4. ϕ₄ =(η₃₀+η₁₂)2 +(η₂₁+η₀₃)2 (18)

5. ] ) ( ) ( )[ )( ( ] ) ( ) )[( )( ( 2 03 21 2 12 30 03 21 03 21 2 03 21 2 12 30 12 30 12 30 5 3 3 3 3 η η η η η η η η η η η η η η η η ϕ − − − + − + + − + − − = (19) 6. ) )( ( ] ) ( ) )[( ( 03 21 12 30 11 2 03 21 2 12 30 02 20 6

4η η η η η

Momen invarian ke-1 sampai dengan ke-7 adalah representasi bentuk citra yang dapat dikenali walaupun citra asli mengalami proses transformasi. Momen invarian ke-1 merupakan nilai momen inersia disekitar pusat citra jika intensitas piksel diinterpretasikan sebagai densitas dan ke-7 merupakan representasi momen yang invarian terhadap ketidaksimetrisan citra secara refleksi horizontal (mirror).

F. Logika Fuzzy

Teori himpunan fuzzy yang diperkenalkan oleh Zadeh tahun 1965 telah banyak diimplementasikan pada berbagai bidang antara lain untuk pengendalian otomatis, identifikasi sistem, pengenalan pola dan signal processing. Kelebihan himpunan fuzzy terletak pada kemampuan untuk menterjemahkan sifat-sifat alami yang rumit dan menjadi alat yang handal untuk mengatasi berbagai persoalan pada domain pengetahuan manusia (Gaweda dan Zurada, 2003).

1. Fungsi Keanggotaan

Menurut Zhang dan Zhang (2004) faktor-faktor yang harus dipertimbangkan dalam memilih fungsi keanggotaan untuk sistem temukembali citra adalah akurasi dan kecepatan komputasi. Penggunaan parameter yang tepat menyebabkan fungsi keanggotaan cone, eksponensial dan cauchy bisa menggambarkan faktor ketidakpastian hampir sama seperti yang direfleksikan oleh akurasi keluaran sistem temukembali citra.

-0,20 0,00 0,20 0,40 0,60 0,80 1,00

-26 -23 -19 -15 -11 -8 -4 0 4 7 11 15 19 22 26

x

c

x

[image:33.595.105.495.80.842.2]

2s

Gambar 6. Kurva Fungsi Cauchy

(

)

α

|

|

x

v

/s

1

1

c

_xr

r

r

−

+

=

₍₂₂₎

dengan x

c = nilai fuzzy vektor x

vr = pusat kurva himpunan fuzzy, vr∈Rn s = lebar kurva, s > 0

α = pemulus kurva, α≥ 0

Berdasarkan grafik dalam Gambar 6, jika nilai s tetap, maka nilai keanggotaan fuzzy meningkat jika nilai α menurun. Jika nilai α tetap, maka nilai keanggotaan fuzzy meningkat jika nilai s meningkat. Jika nilai α = 0 maka nilai keanggotaan setiap elemen adalah 0,5. Sehingga pada fungsi cauchy parameter α dan s merupakan representasi dari nilai keanggotaan fuzzy.

2. SistemInferensi Fuzzy

pernyataan fuzzy dalam bentuk fungsi implikasi fuzzy dan inferensi kaidah fuzzy. Sistem berbasis kaidah fuzzy merupakan komposisi dari pengetahuan dan informasi dari seorang pakar dalam membentuk kaidah-kaidah fuzzy.

Kaidah fuzzy dalam basis pengetahuan yang direpresentasikan dalam bentuk persamaan fungsi implikasi mempunyai struktur sebagai berikut :

Basis Kaidah i :

Rij : IF x1 IS Ak1 AND x2 is Ak2 AND …. xk is Akl THEN zj IS Bj (23)

dengan i = Jumlah basis kaidah j = Jumlah kaidah k = Jumlah peubah fuzzy l = Jumlah peubah linguistik

Menurut Kusumadewi dan Hartati (2006), sistem inferensi fuzzy merupakan konsep perhitungan yang didasarkan pada teori himpunan fuzzy, kaidah fuzzy berbentuk IF–THEN dan penalaran fuzzy. Sistem inferensi fuzzy menerima masukan himpunan crisp yang diolah oleh basis pengetahuan yang berisi n kaidah fuzzy IF - THEN. Nilai fuzzy implikasi dicari pada setiap kaidah, jika terdapat lebih dari satu kaidah fuzzy maka dilakukan agregasi dari semua kaidah dan didefuzzykasi untuk mendapatkan keluaran sistem yang crisp (Gambar 7).

Sistem inferensi fuzzy yang digunakan dalam penelitian ini adalah model Mamdani. Perhitungan nilai fuzzy implikasi sistem inferensi fuzzy Mamdani untuk operator dasar AND adalah sebagai berikut (Zimmermann, 1987 dalam Vertran dan Boujemaa, 2000) :

− Mamdani : µ_wIb =min{µ_w,µ_b} (24)

− Aljabar : µ_wIb =µ_wµ_b (25)

− Einstein :

b w b w b w b

w µ µ µ µ

µ µ µ + − − = 2 I (26)

dengan µ = nilai fuzzy ciri w = ciri warna b = ciri bentuk

Defuzzyfikasi adalah proses untuk mengubah keluaran yang berbasis himpunan fuzzy menjadi keluaran yang crisp. Defuzzyfikasi menggunakan metode centroid yaitu dengan melakukan penghitungan nilai Center Of Gravity (COG) himpunan fuzzy dengan persamaan (Kusumadewi dan Hartati, 2006) :

∑

∑

= = = ij j ij j R 1 j z R 1 j j z j z COG µ µ (27)

dengan COG = centre of gravity z = nilai fuzzy keluaran

µ = nilai fuzzy implikasi R = basis kaidah fuzzy

III. METODOLOGI

A. Kerangka Pemikiran

[image:36.595.100.494.98.769.2]

Kerangka pemikiran untuk perancangan dan analisis sistem temukembali citra dengan mengimplementasikan logika fuzzy di Gambar 8. Proses awal dalam sistem temukembali citra adalah pengguna melakukan query menggunakan citra. Kemudian citra masukan diproses oleh sistem dengan mengekstraksi ciri warna dan bentuknya. Hasil ekstraksi ciri citra ini akan menjadi sumber pengetahuan bagi sistem dan mencari nilai kemiripannya dengan citra dalam basisdata. Nilai kemiripan ciri warna dan bentuk ini direpresentasikan dengan nilai fuzzy menggunakan fungsi keanggotaan cauchy. Nilai fuzzy ini kemudian diterjemahkan kedalam peubah linguistik oleh sistem.

Basis pengetahuan dibangun dari sekumpulan kaidah fuzzy dalam fungsi implikasi IF-THEN yang bertujuan untuk mewakili tujuan obyektif pengguna sistem. Selanjutnya sistem melakukan inferensi pada seluruh kaidah fuzzy dalam basis pengetahuan yang telah dibangun. Hasil inferensi dan agregasi kemudian di-defuzzyfikasi untuk mendapatkan nilai keluaran crisp dan sistem memberikan feedback ke antarmuka pengguna untuk visualisasi hasil kerja sistem dalam

bentuk urutan nominasi citra basisdata yang relevan dengan query. Penjabaran tahapan untuk melakukan perancangan sistem pakar berbasis pengetahuan dari kerangka pemikiran ini di Lampiran 2.

B. Tatalaksana dan Rancangan Proses

Tahapan tatalaksana dan rancangan proses merupakan deskripsi dan spesifikasi dari proses utama yang terjadi dalam sistem temukembali citra. Tatalaksana dan rancangan proses terdiri dari tiga bagian yaitu praproses dan segmentasi untuk pengindeksan citra serta implementasi logika fuzzy untuk temukembali citra.

1. Pra Proses

Praproses dalam sistem temukembali terdiri dari dua bagian setelah pembacaan data warna citra RGB yaitu reduksi dimensi citra dan transformasi warna. Reduksi dimensi citra dilakukan jika dimensi citra RGB lebih besar dari jumlah piksel maksimum yaitu 86 x 65 = 5.590 piksel. Reduksi dimensi citra bertujuan untuk mempercepat proses segmentasi warna dan bentuk citra.

65 x 86 x 3 untuk portrait pada citra HSV dan matriks yang berukuran 86 x 65 untuk landscape atau 65 x 86 untuk portrait pada citra grayscale.

2. Segmentasi

Proses segmentasi warna dilakukan dengan mengelompokkan citra menjadi 43 bin warna referensi dan direpresentasikan dengan histogram. Pengelompokkan seluruh warna piksel citra dengan bin warna referensi dilakukan dengan cara menghitung jarak euclid terkecil dengan persamaan (10) antara warna piksel dengan warna referensi. Histogram citra dihitung dengan persamaan (11) untuk menghasilkan matriks distribusi warna citra.

Proses segmentasi bentuk citra menjadi tujuh vektor momen invarian dilakukan dengan menggunakan persamaan (15) - (21). Citra yang digunakan adalah citra dalam format grayscale. Proses segmentasi bentuk dimulai dengan menghitung momen dan momen pusat citra grayscale menggunakan persamaan (12) dan (13). Selanjutnya momen pusat ini dinormalisasi menggunakan persamaan (14) untuk mendapatkan vektor momen invarian citra.

3. Implementasi Logika Fuzzy

Proses dalam sistem inferensi fuzzy terdiri dari empat tahap yaitu menghitung masukan crisp untuk fuzzyfikasi, melakukan inferensi pada setiap kaidah fuzzy, melakukan defuzzyfikasi terhadap nilai fuzzy hasil inferensi dan pembentukan kaidah fuzzy yang merupakan proses yang berdiri sendiri.

a. Masukan Crisp

(

B

)

12 1

j

2 Q j D j

w H H

d =

∑

₌ ( − ) (28)

dengan dw = jarak euclid warna H = histogram normalisasi B = jumlah bin warna j = 1 ... B

Masukan crisp ciri bentuk adalah jarak euclid db tujuh vektor momen invarian ϕ_v antara citra D dan Q dihitung dengan persamaan (5) yaitu :

(

7

)

12

1 v

2 Q v D v b

d =

∑

₌ (ϕ −ϕ ) (29)

dengan db = jarak euclid bentuk

ϕ = vektor momen invarian

b. Fuzzyfikasi

Proses fuzzyfikasi pada masukan crisp warna dan bentuk adalah proses mengubah masukan crisp menjadi nilai yang bersifat fuzzy oleh fungsi keanggotaan. Masing-masing masukan yaitu peubah warna dan bentuk serta peubah keluaran yaitu kemiripan citra dinyatakan dengan peubah linguistik yaitu sama, mirip dan beda. Masing-masing peubah linguistik ini kemudian direpresentasikan oleh kurva cauchy. Parameter yang digunakan untuk kurva cauchy adalah pemulus dan pusat kurva.

c. Basis Kaidah Fuzzy

Pembentukan basis kaidah fuzzy memerlukan adanya peubah linguistik yang berfungsi untuk merepresentasikan citra dari nilai yang bersifat fuzzy. Peubah linguistik yang digunakan untuk membangun kaidah fuzzy dalam rangka pengukuran kemiripan ciri citra terdiri dari tiga kategori yaitu sama, mirip dan beda. Ketiga peubah linguistik ini digunakan untuk anteseden yaitu

Perancangan basis kaidah fuzzy dilakukan dengan cara menghitung jumlah kemungkinan kombinasi keluaran dari masing-masing peubah linguistik masukan dengan metode pengklasifikasian citra secara menurun. Misalnya jika terdapat ciri warna sama dan bentuk mirip diklasifikasikan menjadi mirip, maka untuk ciri warna sama dan bentuk beda klasifikasi maksimum citra adalah mirip.

Tabel 1. Kombinasi Kaidah Fuzzy 1) Bagian Ciri Sama

Kombinasi Ciri Citra

1 2 3 4 5 6

sama sama sama sama sama sama sama sama sama mirip sama sama sama mirip mirip beda sama beda sama mirip beda mirip beda beda

2) Bagian Ciri Mirip

Kombinasi Ciri Citra

1 2 3 4

mirip sama sama sama mirip mirip mirip mirip mirip mirip mirip mirip mirip beda mirip beda mirip beda

3) Bagian Ciri Beda

Kombinasi Ciri Citra

1 2 3 4 5 6

beda sama sama sama sama mirip mirip beda beda mirip sama mirip beda mirip beda beda beda beda beda beda beda beda beda beda

d. Inferensi Basis Kaidah Fuzzy

Pada proses inferensi, perhitungan nilai fuzzy implikasi pada masing-masing kaidah fuzzy menggunakan persamaan (24), (25) dan (26). Nilai fuzzy implikasi kemudian diproyeksikan pada kurva segitiga untuk memperoleh nilai keluaran fuzzy. Akhir proses inferensi adalah melakukan agregasi semua nilai keluaran fuzzy untuk mendapatkan himpunan keluaran fuzzy. Kurva segitiga untuk keluaran sistem adalah sebagai berikut :

0,0 0,5 1,0

0,0 0,5 1,0

z

µ

sama mirip beda

Gambar 9. Kurva Segitiga Keluaran Sistem

e. Defuzzyfikasi

Proses defuzzyfikasi yaitu proses untuk mengubah nilai keluaran fuzzy menjadi crisp. Metode yang digunakan untuk defuzzyfikasi adalah metode centroid yaitu dengan melakukan penghitungan nilai Center Of Gravity

C. Analisis Kebutuhan Sistem

Sebelum melakukan perancangan suatu sistem pakar terlebih dahulu harus menganalisis dan mendefinisikan faktor-faktor yang menjadi kebutuhan perancangan sistem. Tahapan untuk menganalisis dan mendefinisikan kebutuhan perancangan sistem terdiri dari tahapan deskripsi dan fungsi sistem, data dan sumber data, klasifikasi pengguna, antarmuka pengguna dan lingkungan perancangan.

1. Deskripsi dan Fungsi Sistem

Sistem temukembali citra adalah perangkat lunak yang mengintegrasikan antara aplikasi temukembali citra (image retrieval) dan pemrosesan citra (digital image processing). Sistem ini digunakan untuk melakukan pencarian dan

pengklasifikasian citra dalam basisdata yang relevan dengan citra query. Fungsi-fungsi yang terdapat dalam sistem temukembali citra yaitu :

− Ekstraksi ciri citra berfungsi untuk melakukan pengindeksan ciri warna dan bentuk citra basisdata. Hasil proses pengindeksan ciri ini adalah file indeks warna dan bentuk citra yang akan digunakan dalam proses query.

− Query berfungsi untuk melakukan identifikasi dan klasifikasi citra basisdata yang relevan dengan citra masukan.

− Antarmuka pengguna berfungsi sebagai media perantara interaksi antara sistem dengan pengguna.

2. Data dan Sumber Data

Citra yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari website www.flowers.vg. Secara keseluruhan citra bunga yang terdapat dalam basisdata berjumlah 417 dan yang digunakan untuk obyek penelitian adalah 12 jenis bunga (Tabel 2).

Tabel 2. Nama dan Kode Bunga

No. Nama Bunga Kode

1 Daisy Merah Muda DMM 2 Daffodil DAF 3 Lily Coklat LCK 4 Daisy Putih DPT 5 Mawar Kuning MKN 6 Ascocentrum ASC 7 Cymbidium CYM 8 Morning Glory MGM 9 Lily Kuning Coklat LKC

10 Iris IRS

11 Lily Putih LPT 12 Lily Kuning Hitam LKH

3. Klasifikasi Pengguna

Terdapat dua jenis pengguna sistem temukembali citra yaitu pengguna biasa dan pengembang sistem (knowledged engineer). Pengguna biasa adalah orang yang menggunakan sistem untuk melakukan pencarian (mengidentifikasi) dan mengklasifikasikan citra dalam basis data yang relevan dengan citra query. Pengguna ini mempunyai hak akses terbatas yaitu :

− Melakukan ekstraksi ciri citra basisdata.

− Melakukan query.

− Melakukan pengubahan parameter sistem.

4. Antarmuka Pengguna

Antarmuka pengguna sistem temukembali citra berfungsi sebagai media perantara antara pengguna dengan sistem. Interaksi antara pengguna dan sistem terjadi jika pengguna melakukan akses terhadap salah satu dari fungsi-fungsi sistem yaitu ekstraksi ciri, query dan pengaturan parameter. Adanya antarmuka ini akan memudahkan pengguna untuk berinteraksi dengan semua fungsi yang terdapat dalam sistem. Rancangan antarmuka pengguna dalam sistem temukembali citra terdapat dalam Gambar 10.

Gambar 10. Rancangan Antarmuka Sistem Temukembali Citra

Antarmuka sistem (menu sistem) merupakan antarmuka pembuka jika sistem dieksekusi. Menu sistem ini terdiri dari empat submenu untuk mengeksekusi fungsi sistem temukembali citra yaitu ekstraksi ciri, query citra, pengaturan dan keluar sistem.

a. Submenu Query Citra yaitu perintah untuk melakukan query citra ke dalam basisdata. Submenu Query Citra terdiri dari dua antarmuka yaitu :

− Antarmuka keluaran yang berfungsi sebagai umpanbalik sistem ke pengguna yaitu berupa citra hasil proses query.

b. Submenu Ekstraksi Ciri yaitu perintah untuk melakukan pembuatan file indeks citra dalam basisdata.

c. Submenu Pengaturan yaitu perintah untuk melakukan pengubahan parameter yang akan digunakan dalam sistem dan untuk mengubah direktori basisdata untuk query dan ekstraksi ciri citra. Informasi yang terdapat dalam antarmuka pengaturan parameter ini adalah nilai default parameter fuzzyfikasi, metode implikasi dan direktori citra yang bisa diubah oleh pengguna.

d. Submenu Keluar Sistem yaitu perintah untuk keluar dari sistem.

5. Rancangan Model Sistem

Rancangan model logis sistem untuk menganalisis struktur dan fungsi sistem digambarkan dengan menggunakan Diagram Aliran Data (DAD) dalam Gambar 11 dalam bentuk diagram konteks. Terdapat dua entitas dalam diagram konteks yang terlibat dalam sistem temukembali citra yaitu pengguna dan basisdata. Pengguna memberikan masukan yaitu berupa perintah melakukan query, ekstraksi ciri atau pengaturan parameter dan basisdata memberikan feedback citra yang relevan.

Eksekusi perintah query, sistem melakukan pencarian citra relevan dalam basisdata dan memberikan feedback ke pengguna yaitu berupa citra hasil pencarian. Perintah ekstraksi ciri, sistem akan melakukan pembuatan file metadata, indeks warna dan bentuk citra basisdata. Perintah pengaturan parameter sistem menampilkan antarmuka yang menampilkan default parameter sistem yang akan diubah oleh pengguna.

6. Lingkungan Perancangan

Lingkungan yang digunakan untuk melaksanakan perancangan dan pengujian sistem temukembali citra ini dibagi menjadi dua yaitu :

a. Perangkat keras, berupa satu unit komputer personal dengan spesifikasi teknis sebagai berikut :

− Prosesor Utama : Pentium IV 2,4 GHz

− Memori Utama : 512 MBytes

− Memori Video : 128 MBytes

− Media Simpan : 80 GBytes (50 % free spaces) b. Perangkat Lunak, perangkat lunak yang digunakan ada dua jenis yaitu :

− Sistem Operasi : Microsoft Windows XP

− Perancangan dan Pengujian : Matlab 7.0 Release 14 SP1

D. Penilaian Kinerja

1. Recall (R)

∑

∑

= data alam basis relevan d citra yang asil query relevan h citra yang R q

1 ₍₃₀₎

2. Presisi (P):

∑

∑

= ) ( : 1 q an ditampilk citra yang asil query relevan h citra yang P q (31)

E. Kompleksitas Algoritma

Algoritma adalah prosedur komputasi yang mengubah masukan menjadi keluaran. Algoritma dapat dipandang sebagai alat untuk memecahkan masalah secara komputasi yang dinyatakan dalam bentuk hubungan masukan-keluaran. Menganalisis suatu algoritma berarti menduga sumberdaya yang dibutuhkan oleh algoritma tersebut. Sumberdaya tersebut dapat berupa memori, bandwidth komunikasi dan waktu-komputasi (Cormen et al., 1990).

Notasi yang digunakan dalam menganalisis kompleksitas algoritma adalah

Θ (theta), O (big-Oh) dan Ω (omega). Notasi Θ digunakan jika algoritma mempunyai batas atas dan bawah asymptotic, O digunakan jika algoritma hanya mempunyai batas atas asymptotic dan Ω digunakan jika algoritma hanya mempunyai batas bawah asymptotic. Secara matematis definisi masing-masing notasi adalah sebagai berikut :

1. Θ(g(n)) = {f(n) : ada konstanta positif c1,c2 dan n0 yang memenuhi persamaan 0 ≤ c1g(n) ≤ f(n) ≤ c2g(n) untuk n ≥ n0} (32) 2. O(g(n)) = {f(n) : ada konstanta positif c dan n0 yang memenuhi persamaan

0 ≤ f(n) ≤ cg(n) untuk n ≥ n0} (33) 3. Ω(g(n)) = {f(n) : ada konstanta positif c dan n0 yang memenuhi persamaan

IV. PERANCANGAN SISTEM

A. Arsitektur Sistem

Sebagai bagian dari sistem pakar berbasis pengetahuan maka dalam sistem ini terdapat dua proses utama yaitu proses pengindeksan dan temukembali. Proses pengindeksan terdiri dari praproses yaitu transformasi citra RGB ke HSV dan grayscale, serta segmentasi ciri warna menggunakan citra HSV dan segmentasi

ciri bentuk menggunakan citra grayscale.

Proses temukembali merupakan proses implementasi basis kaidah fuzzy dalam sistem temukembali citra untuk pengukuran kemiripan citra query dengan basisdata yang terdiri dari proses fuzzyfikasi, aktivasi sistem inferensi basis pengetahuan, defuzzyfikasi dan visualisasi nominasi citra yang relevan. Rancangan arsitektur sistem temukembali citra terdapat dalam Gambar 12 dan bagan alir selengkapnya terdapat dalam Lampiran 3.

B. Perancangan Masukan/Keluaran Sistem

Diagram aliran data sistem merupakan hasil pengembangan diagram konteks model sistem dan rancangan proses yang digunakan untuk merancang masukan-keluaran (passing parameter) pada masing-masing proses. Berdasarkan Gambar 13 dalam diagram aliran data sistem terdapat empat parameter yang menjadi masukan sistem yaitu citra RGB, jumlah piksel, warna referensi dan basis kaidah fuzzy. Basisdata indeks warna dan bentuk citra merupakan parameter hasil proses pengindeksan dan basisdata parameter sistem merupakan nilai default sistem. Setiap proses dalam sistem temukembali citra ini menghasilkan parameter yang akan menjadi masukan proses selanjutnya.

1. Parameter Sistem

Terdapat dua parameter citra yang digunakan sebagai parameter sistem yaitu jumlah piksel dan citra RGB. Satu parameter tambahan untuk keperluan proses segmentasi warna adalah warna referensi. Parameter jumlah piksel digunakan untuk reduksi dimensi citra jika lebih besar dari dimensi maksimum yaitu 5.590 piksel. Parameter citra RGB digunakan untuk melakukan segmentasi warna dan bentuk citra setelah proses transformasi. Parameter lain yang digunakan untuk proses segmentasi warna adalah warna referensi yaitu warna baku HSV yang digunakan untuk mengelompokkan citra ke dalam bin warna histogram.

a. Jumlah Piksel K = m x n

dengan K = jumlah piksel

[image:50.842.85.737.109.486.2]

b. Citra RGB ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = ) , ( ) , ( ) , ( ) , ( j i j i j i y x b y x g y x r y x crgb

dengan crgb = citra RGB

r, g, b = nilai warna R, G, B x, y = koordinat piksel i = 1 ... m

j = 1 ... n

c. Warna Referensi : w_j =[h_j s_j v_j] dengan w = warna referensi

h = nilai hue s = nilai saturation v = nilai value

j = 1 … B (jumlah bin warna referensi)

2. Parameter Pengindeksan

Pada tahap pertama ini sistem melakukan pembacaan data citra RGB dan menghasilkan data warna citra dalam bentuk matriks bilangan integer dengan skala 0 – 255 berukuran m x n x 3. Kemudian data citra RGB ini digunakan untuk melakukan praproses yaitu reduksi dimensi citra dan transformasi model warna.

a. Citra HSV ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = ) , ( ) , ( ) , ( ) , ( j i j i j i y x v y x s y x h y x chsv

dengan chsv = citra HSV

h, s, v = nilai warna H, S, V x, y = koordinat piksel i = 1 ... m

j = 1 ... n b. Citra grayscale

) , ( ) ,

(x y f x_i y_j cgray =

dengan cgray = citra grayscale f = nilai intensitas warna i = 1 ... m

j = 1 ... n

3. Parameter Sistem Inferensi Fuzzy

Fuzzyfikasi dalam sistem termukembali ini merupakan proses awal dalam sistem inferensi fuzzy untuk pengukuran kemiripan citra. Proses fuzzyfikasi dilakukan dengan terlebih dahulu membuat kurva keanggotaan fuzzy untuk setiap peubah linguistik. Parameter yang digunakan untuk pembuatan kurva peubah linguistik ini adalah sebagai berikut :

1. Jumlah citra basisdata : N

2. Jumlah bin warna : B

3. Jarak euclid ciri warna :

(

B

)

12 1 j 2 Q j D j

w H H

d =

∑

₌ ( − )

4. Jarak euclid ciri bentuk :

(

7

)

12 1 v 2 Q v D v b

d =

∑

₌ (ϕ −ϕ )

5. Lebar partisi : Np

7. Pusat kurva mirip :

∑

= = p N 2 1 i i p mirip d N 2 1 γ

8. Pusat kurva beda :

∑

= = p p N 3 N i i p beda d N 2 1 γ

9. Pemulus kurva : α

10. Lebar kurva :

2 1 N 1 i 2 i d d 1 N 1 ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ − − =

∑

= ) ( σ

Setelah kurva masing-masing peubah linguistik terbentuk maka proses fuzzyfikasi dilakukan dengan memproyeksikan jarak euclid pada masing-masing kurva peubah linguistik untuk mendapatkan nilai fuzzy masukan dengan menggunakan persamaan sebagai berikut :

1. Nilai fuzzy sama : _α

σ µ ) / ( _i sama d 1 1 + =

2. Nilai fuzzy mirip : _α

σ γ µ ) / | (| _{i mirip}

mirip d 1 1 − + =

3. Nilai fuzzy beda : _α

σ γ µ ) / | (| _{i beda} beda d 1 1 − + =

dengan µsama = nilai fuzzy ciri sama

µmirip = nilai fuzzy ciri mirip

µbeda = nilai fuzzy ciri beda

C. Dekomposisi Sistem

[image:54.842.76.730.133.467.2]

1. Ekstraksi Ciri Citra

Subsistem ekstraksi (1.0.0.0) berfungsi untuk melakukan pengindeksan warna dan bentuk citra basisdata dan query. Proses pengindeksan citra pertama sistem melakukan pencarian seluruh file citra yang berekstensi jpg untuk proses ekstraksi ciri warna dan bentuk citra. Kumpulan file citra hasil pencarian ini kemudian disimpan dalam <direktori citra>\dbfile.mat.

Proses ekstraksi ciri terdiri dari tiga bagian yaitu : praproses mengeksekusi subsistem (1.1.0.0), segmentasi warna mengeksekusi subsistem (1.2.0.0) dan segmentasi bentuk subsistem (1.3.0.0). Ekstraksi ciri citra basisdata merupakan proses yang harus dilakukan terlebih dahulu sebelum sistem melakukan eksekusi subsistem query. Proses di subsistem (1.2.0.0) menghasilkan file indeks warna citra berukuran jumlah citra x jumlah warna referensi (histogram) dan disimpan dengan nama <direktori basisdata> \ idxwarna.mat. Proses di subsistem (1.3.0.0) menghasilkan file indeks warna citra berukuran jumlah citra x jumlah vektor momen invarian dan disimpan dengan nama <direktori basisdata> \

idxbentuk.mat.

2. Query Citra

Subsistem query (2.0.0.0) ini berfungsi untuk melakukan pencarian citra dalam basisdata yang relevan dengan citra query. Pengguna melakukan pemilihan citra untuk query, sistem kemudian melakukan melakukan penghitungan jarak euclid masing-masing ciri antara citra query dengan basisdata oleh subsistem

Inferensi kaidah terdiri dari proses perhitungan nilai fuzzy implikasi antara ciri warna dan bentuk dilakukan oleh subsistem (2.2.2.0). Tiga metode yang digunakan untuk menghitung nilai fuzzy implikasi adalah (1) metode Mamdani menggunakan subsistem (2.2.2.1), (2) metode Aljabar menggunakan subsistem (2.2.2.2) dan (3) metode Einstein menggunakan subsistem (2.2.2.3). Agregasi nilai implikasi seluruh kaidah dilakukan oleh subsistem (2.2.3.0) yaitu dengan melibatkan subsistem (2.2.3.1) untuk proyeksi nilai implikasi pada fungsi segitiga.

Data hasil proses inferensi kaidah ini kemudian digunakan oleh subsistem (2.2.4.0) untuk perhitungan nilai center of gravity keluaran sistem. Hasil proses defuzzyfikasi kemudian di sortir secara menaik dan melakukan feedback ke sistem untuk menampilkan citra yang relevan hasil query di antarmuka keluaran.

D. Antarmuka Pengguna

Antarmuka pengguna sistem temukembali citra berfungsi sebagai media perantara antara pengguna dengan sistem. Rancangan antarmuka pengguna yang digunakan dalam sistem ini memanfaatkan fasilitas graphic user interface (GUI) yang dimiliki oleh Matlab dengan sistem operasi Microft Windows XP. Antarmuka pengguna terdiri dari empat kategori yaitu antarmuka sistem, antarmuka masukan, dan antarmuka keluaran dan pengaturan parameter sistem.

1. Antarmuka Sistem

Gambar 15. Antarmuka Sistem

Eksekusi File pada menu sistem layar kemudian menampilkan pilihan perintah pengguna pada sistem yang terdiri dari :

a. Query Citra yaitu perintah untuk melakukan query citra ke dalam basisdata. b. Ekstraksi Ciri yaitu perintah untuk melakukan pembuatan file indeks citra

dalam basisdata.

c. Pengaturan yaitu perintah untuk melakukan pengubahan parameter yang akan digunakan dalam sistem dan untuk mengubah direktori basisdata untuk query dan ekstraksi ciri citra.

d. Keluar Sistem yaitu perintah untuk keluar dari sistem.

2. Antarmuka Masukan

Proses query citra diawali dengan eksekusi File Æ Query Citra dan kemudian sistem menampilkan antarmuka masukan. Fasilitas yang terdapat dalam antarmuka masukan ini adalah pengguna bisa melakukan pengubahan

Menu Sistem Bar Titel Minimisasi Maksimisasi

Tutup Layar

Bar Menu

Desktop

direktori citra query dan pengubahan tampilan citra menjadi lima bentuk yaitu thumbnail, tiles, icons, list dan details. Pembagian antarmuka masukan ini terdapat di Gambar 16.

Gambar 16. Antarmuka Masukan

Keterangan Gambar :

1. Direktori citra dalam bentuk daftar menurun 2. Daftar citra

3. Ke direktori sebelumnya 4. Direktori naik satu tingkat 5. Membuat subdirektori 6. Daftar bentuk tampilan citra

7. Bar menaikkan/menurunkan daftar citra

3. Antarmuka Keluaran

lain-lain. Citra keluaran yang ditampilkan ini berisi informasi tentang citra query yang menjadi masukan sistem serta urutan nominasi, nama file dan citra basisdata yang relevan dengan citra query.

Gambar 17. Antarmuka Keluaran

4. Antarmuka Pengaturan Parameter

Proses pengaturan parameter sistem dilakukan dengan eksekusi File Æ Pengaturan kemudian sistem menampilkan antarmuka pengaturan parameter

sistem (Gambar 18). Fasilitas yang terdapat dalam antarmuka ini adalah pengguna dapat melakukan pengubahan parameter sistem yaitu lebar partisi, pemulus kurva, tipe kaidah fuzzy, metode implikasi, jumlah baris dan kolom keluaran serta direktori basisdata citra.

metode yang akan digunakan. Pengubahan direktori basisdata citra dilakukan dengan cara pengguna memberikan masukan direktori baru berupa teks. Jika ingin menggunakan nilai treshold yaitu untuk eliminasi citra yang tidak relevan, maka pengguna harus mengaktifkan checkbox yang terdapat dalam antarmuka ini.

Gambar 18. Antarmuka Pengaturan Parameter Sistem

E. Pengembangan Basis Pengetahuan

Sistem temukembali citra ini dirancang untuk memudahkan pengguna dalam melakukan penelitian dengan parameter sistem yang berbeda. Fasilitas lain disamping pengaturan parameter, sistem juga menyediakan fasilitas untuk melakukan pengujian menggunakan basis pengetahuan lain yang berbeda dengan basis pengetahuan yang telah ada di dalam sistem.

V. IMPLEMENTASI SISTEM

A. Instalasi Sistem

Instalasi sistem temukembali citra adalah proses menggandakan seluruh file yang dibutuhkan oleh sistem dari media penyimpan program ke dalam media penyimpan komputer. File tersebut berupa modul program dan data parameter sistem yang berada dalam direktori cbir\code. File dalam direktori tersebut berjumlah 35 yang terdiri dari 22 format M-File, 10 format Mat-File, 2 format batchfile dan 1 shortcut untuk eksekusi sistem.

Tahapan untuk melakukan instalasi sistem temukembali citra adalah sebagai berikut (Gambar 19) :

1. Pilih atau klik Start menu bar Microsoft Windows XP. 2. Pilih atau klik Run.

3. Ketik d:\install.bat (d:\ tergantung pada drive media penyimpan sistem). 4. Pilih atau klik OK .

Gambar 19. Instalasi Sistem Menggunakan Batchfile.

Cara lain untuk instalasi sistem adalah dengan menggunakan windows explorer dengan tahapan sebagai berikut :

1. Pilih atau klik Start.

3. Pilih atau klik direktori cbir pada drive media penyimpan sistem (Gambar 20). 4. Klik kanan mouse dan pilih copy.

Gambar 20. Menyalin File ke Memori dari Media Penyimpan Sistem. 5. Pindahkan posisi pointer mouse ke drive C: (Gambar 21)

[image:62.595.130.457.137.373.2]

6. Klik kanan dan pilih paste.

7. Di direktori c:\cbir\code pilih shortcut ’Fuzzy Image Retrieval Systems. 8. Klik kanan dan copy .

9. Pindahkan pointer mouse ke desktop. 10. Klik kanan dan pilih paste.

B. Prosedur Pengoperasian

Pengoperasian sistem temukembali citra ini memerlukan penambahan path untuk melakukan routing modul-modul program yang berada dalam direktori

c:\cbir\code disamping default path yang dimiliki oleh Matlab. Tahapan

untuk melakukan penambahan path yang digunakan oleh sistem dilakukan dengan cara sebagai berikut :

1. Pilih atau klik File di menu bar Matlab (Gambar 22). 2. Di antarmuka pada Gambar 22 pilih atau klik Set Path ...

3. Di antarmuka window Set Path pilih atau klik tombol Add Folder (Gambar 23).

Gambar 23. Antarmuka Penambahan Path.

4. Di antarmuka window Browse For Folder (Gambar 24) :

Gambar 24. Antarmuka Pemilihan Direktori. - Klik tanda plus di kiri CBIR di drive C:

[image:65.595.158.441.143.357.2]

5. Di antarmuka window Set Path terjadi penambahan path c:\cbir\code, klik button Save dan kemudian Close (Gambar 25).

Gambar 25. Antarmuka Penyimpanan Path Sistem

5. Keluar dari Matlab.

6. Di layar desktop tekan Ctrl + Alt + A atau klikganda pada shortcut. 7. Atau jalankan program Matlab.

8. Di antarmuka command window ketik CBIR, kemudian ENTER.

C. Kompleksitas Sistem

Algoritma yang menjadi obyek analisis adalah algoritma ekstraksi ciri dan query citra. Algoritma ekstraksi ciri terdiri dari dua algoritma yaitu ekstraksi ciri warna dan ekstraksi ciri bentuk dan algoritma query merupakan akumulasi dari semua algoritma yang terdapat dalam sistem temukembali. Algoritma ekstraksi ciri dan query yang digunakan dalam rancangan sistem temukembali citra ini adalah sebagai berikut :

1. Ekstraksi Ciri Warna

1. Baca citra RGB

2. chsv Å transformasi citra RGB ke HSV

3. FOR _i Å 1 TO _{jumlah p}