Content-Based Image Retrieval Berdasarkan Warna dan Tekstur dengan Menggunakan Histogram Warna dan Gray-Level Co-Occurrence Matrix.

(1)

v

ABSTRAK

Content-Based Image Retrieval (CBIR) adalah proses untuk mendapatkan suatu citra berdasarkan konten-konten tertentu, konten yang dimaksud dapat berupa tekstur, warna, bentuk. CBIR pada dasarnya melakukan perbandingan antara citra masukan dengan citra yang ada pada basis data. Pada penelitian ini, metode yang digunakan adalah dengan gray-level co-occurrence matrix (GLCM) dan histogram warna. GLCM adalah sebuah matriks dimana jumlah baris dan kolom sama dengan jumlah tingkat abu-abu dalam gambar. Histogram warna adalah pemetaan frekuensi bilangan dari deret observasi. Untuk melakukan proses GLCM dan histogram warna sebelumnya dilakukan proses kuantisasi. Kuantisasi adalah proses yang dilakukan untuk membagi piksel pada citra kedalam bentuk yang lebih sederhana. Jarak fitur antar citra masukan dan basis data dibandingkan dengan menggunakan euclidean distance. Ketika nilai Euclidean distance diketahui maka proses normalisasi dapat dilakukan. Normalisasi adalah suatu proses untuk menyamakan skala dari nilai-nilai yang telah didapatkan dari setiap proses perhitungan fitur. Dalam penelitian ini, aplikasi CBIR dibuat untuk mengambil citra yang serupa dengan citra basis data. Pengujian aplikasi dilakukan dengan menguji citra dengan metode histogram warna saja, GLCM saja dan juga dengan menggabungkan kedua metode tersebut. Berdasarkan hasil pengujian, dengan menggabungkan kedua metode akan mendapatkan hasil yang lebih baik.

(2)

vi

ABSTRACT

Content-Based Image Retrieval (CBIR) is the process to obtain an image based on certain content, the content in question can be texture, color, shape. CBIR basically do a comparison between the input image with the existing image in the database. In this study, the method used is the gray-level co-occurrence matrix (GLCM) and color histogram. GLCM is a matrix in which the number of rows and columns equal to the number of gray levels in the image. Color histogram is the number of rows frequency mapping observations. To make the process GLCM and color histogram previously done quantization process. Quantization is the process undertaken to divide the pixels in the image into a simpler form. The distance between the features of the input image and the database compared to using the euclidean distance. When the value of the Euclidean distance is known, the process of normalization can be done. Normalization is a process to match the scale of values that have been obtained from any feature calculation process. In this study, CBIR application is made to take a similar image to the image database. Testing was conducted using only the color histogram, GLCM alone and also combining the two methods. Based on test results, by combining the two methods will get better results.

(3)

vii

DAFTAR ISI

LEMBAR PENGESAHAN ... i

PERNYATAAN ORISINALITAS LAPORAN PENILITIAN ... ii

PERNYATAAN PUBLIKASI LAPORAN PENELITIAN ... iii

PRAKATA ... iv

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 2

1.3 Tujuan ... 2

1.4 Batasan Masalah... 2

1.5 Sistematika Pembahasan ... 3

BAB II ... 4

LANDASAN TEORI ... 4

2.1 Citra Digital ... 4

2.2 Tekstur dan Warna ... 5

2.3 Content-Based Image Retrieval ... 5

2.4 Portable Network Graphics ... 6

2.5 Metode Image Retrieval ... 6

2.5.1 Color Histogram ... 6

2.5.2 Gray Level Co-occurrence Matrix ... 7

2.5.2.1 Contrast ... 8

(4)

viii

2.5.2.3 Homogenity ... 8

2.5.2.4 Angular Second Moment dan Energy ... 8

2.5.2.5 Entropy ... 9

2.5.3 Kuantisasi ... 9

2.5.4 Euclidean Distance ... 9

2.5.5 Normalisasi ... 10

BAB III ... 11

ANALISIS DAN DESAIN ... 11

3.1 Analisis ... 11

3.1.1 Color Histogram ... 11

3.1.1.1 Ambil Nilai RGB Histogram ... 12

3.1.1.2 Kuantisasi Histogram ... 12

3.1.1.3 Histogram RGB ... 13

3.1.1.4 Euclidean Distance ... 13

3.1.2 Flowchart GLCM ... 15

3.1.2.1 Grayscale ... 16

3.1.2.2 Kuantisasi GLCM ... 16

3.1.2.3 Co-occurrence Matrix ... 17

3.1.2.4 Tranpose Matrix ... 17

3.1.2.5 Feature Extraction ... 18

3.1.2.6 Euclidean Distance GLCM ... 20

3.2 Gambaran Keseluruhan ... 20

3.2.1 Antarmuka Perangkat Keras ... 20

3.2.2 Antarmuka Perangkat Lunak ... 20

3.2.3 Fitur Produk Perangkat Lunak ... 21

(5)

ix

3.3 Disain Perangkat Lunak ... 21

3.3.1 Class Diagram ... 21

3.3.2 Activity Diagram ... 22

3.3.3 User Interface ... 23

BAB IV ... 24

PENGEMBANGAN PERANGKAT LUNAK ... 24

4.1 Halaman Utama ... 24

4.2 Kode Program ... 25

BAB V ... 32

TESTING DAN EVALUASI SISTEM ... 32

5.1 Black Box Testing ... 32

5.1.1 Halaman Utama ... 32

5.2 White Box Testing ... 32

5.3 Pengujian Aplikasi ... 33

5.3.1 Pengujian GLCM ... 33

5.3.2 Pengujian Histogram Warna ... 37

5.3.3 Pengujian GLCM dan Histogram Warna ... 41

BAB VI ... 46

KESIMPULAN DAN SARAN ... 46

6.1 Kesimpulan ... 46

6.2 Saran ... 46

DAFTAR PUSTAKA ... 47

(6)

x

DAFTAR GAMBAR

Gambar 2.1 Koordinat Citra Digital (Putra, 2010) ... 4

Gambar 2.2 Diagram Proses CBIR ... 6

(P.S.Suhasini, 2005-2009)... 6

Gambar 3.1 Flowchart Proses Color Histogram ... 11

Gambar 3.2 Flowchart Texture ... 16

Gambar 3.3 Class Diagram ... 22

Gambar 3.4 Activity Diagram ... 22

Gambar 3.5 User Interface ... 23

Gambar 4.1 Tampilan Halaman Utama ... 24

Gambar 4.2 Implementasi Kode Program GLCM ... 25

Gambar 4.3 Kode Program Mendapatkan Nilai Grayscale ... 25

Gambar 4.4 Kode Program Quantization ... 26

Gambar 4.5 Kode Program Co-occurrence Matrix ... 26

Gambar 4.6 Kode Program Transpose Matrix ... 27

Gambar 4.7 Kode Program Extraksi Fitur Contrast ... 27

Gambar 4.8 Kode Program Extraksi Fitur Dissimilarity ... 27

Gambar 4.9 Kode Program Extraksi Fitur Homogenity ... 28

Gambar 4.10 Kode Program Extraksi Fitur ASM ... 28

Gambar 4.11 Kode Program Extraksi Fitur Energy ... 28

Gambar 4.12 Kode Program Extraksi Fitur Entropy ... 29

Gambar 4.13 Kode Program Euclidean Distance GLCM ... 29

Gambar 4.14 Implementasi Kode Program Color Histogram ... 30

Gambar 4.15 Kode Program Mendapatkan Nilai Red ... 30

(7)

xi

Gambar 4.17 Kode Program Mendapatkan Nilai Blue ... 31

Gambar 4.18 Kode Program Mendapatkan Histogram ... 31

Gambar 5.1 Citra Basis Data ... 33

Gambar 5.2 Citra Masukan ... 33

Gambar 5.3 Hasil Pengujian 1 GLCM ... 34

Gambar 5.7 Hasil Pengujian 1 Histogram Warna ... 38

Gambar 5.11 Hasil Pengujian 1 GLCM & Histogram Warna ... 42

(8)

xii

DAFTAR TABEL

Tabel 2.1 GLCM Calculation ... 7

Tabel 3.1 Contoh Nilai RGB ... 12

Tabel 3.2 Hasil Proses Kuantisasi ... 12

Tabel 3.3 Skala Kuantisasi ... 12

Tabel 3.4 Hasil Histogram ... 13

Tabel 3.5 Hasil Histogram Basis Data Citra 1 ... 13

Tabel 3.6 Hasil Histogram Basis Data Citra 2 ... 14

Tabel 3.7 SSD Warna Merah ... 14

Tabel 3.8 SSD Warna Hijau ... 14

Tabel 3.9 SSD Warna Biru... 15

Tabel 3.10 Grayscale Citra Masukan ... 16

Tabel 3.11 Kuantisasi Grayscale ... 17

Tabe; 3.12 Co-occurrence Matrix ... 17

Tabel 3.13 Transpose Co-occurrence ... 17

Tabel 3.14 Penjumlahan Co-occurrence dan Transpose ... 18

Tabel 3.15 Contoh Nilai Fitur ... 20

Tabel 5.1 Black Box Testing Halaman Utama... 32

(9)

xiii

DAFTAR RUMUS

Rumus 2.1 Color Histogram ... 6

(http://www.fp.ucalgary.ca/mhallbey/Rumuss.htm, 2008) ... 6

Rumus 2.2 Contrast ... 8

Rumus 2.3 Dissimilarity ... 8

Rumus 2.4 Homogenity ... 8

Rumus 2.5 ASM ... 9

Rumus 2.6 Energy ... 9

Rumus 2.7 Entropy ... 9

Rumus 2.8 Sum of Squared Differences ... 9

(10)

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Saat ini teknologi komputer dapat kita jumpai dimana-mana, hampir semua orang bisa dikatakan memiliki komputer. Komputer sangat diperlukan oleh setiap orang mulai dari menyelesaikan pekerjaan, berjualan, bersekolah, dll. Tidak sedikit pula orang yang menggunakan Windows sebagai sistem operasi nya, hal ini dikarenakan pengoperasian Windows yang terbilang cukup mudah dengan tampilan yang menarik. Salah satu fitur yang sering digunakan adalah pencarian data (searching) baik file, citra. Pada Windows sistem pencarian data, khususnya citra dapat dilakukan dengan parameter teks dari nama file yang ingin di cari.

Sistem temu kembali konten citra (CBIR - Content-based Image Retrieval) saat ini merupakan bagian penting dalam teknologi temu kembali informasi citra dan diaplikasikan dalam beberapa bidang seperti industri, forensik, remote sensing dan aplikasi kedokteran. Pencarian citra secara tradisional menggunakan teks untuk melakukan pencarian citra ternyata kurang memadai untuk mendapatkan citra dalam bentuk data visual. Konsekuensinya harus dilakukan pencarian citra berdasarkan fitur bentuk, fitur tekstur dan fitur warna dalam pencarian dan pengindeksan data citra. Penelitian-penelitian sebelumnya menunjukkan bahwa CBIR menggunakan pendekatan fitur warna merupakan salah satu yang terpopuler dan mudah untuk dipergunakan dalam pencarian citra tersebut. Beberapa metoda yang didasarkan pada ekstraksi fitur warna diantaranya adalah histogram, warna dan temperatur dominan warna.

(11)

2

CBIR telah banyak dikembangkan, namun demikian dalam menerapkan sistem CBIR tersebut masih banyak mengalami kendala. Masalah ini muncul karena adanya pemisah yang bersifat tingkat rendah (low level) di satu sisi dan tingkat tinggi (high level) pada sisi lain yang sulit diselesaikan dalam sistem CBIR. Pemisah ini muncul akibat dari proses ekstraksi fitur citra, pengindeksan, dan query dalam sistem CBIR akan diinterpretasikan secara berbeda oleh pengguna yang melakukan pencarian citra dalam fitur tingkat tinggi yang disebut sebagai kesenjangan semantik.

Pada tugas akhir ini dilakukan penelitian yang membahas tentang CBIR, metode yang digunakan adalah metode Gray-Level Co-occurrence Matrix. GLCM adalah tabulasi seberapa sering kombinasi yang berbeda dari piksel nilai kecerahan (tingkat abu-abu) terjadi pada gambar. GLCM menganggap hubungan antar dua piksel pada suatu waktu.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, maka permasalahan yang dapat dirumuskan adalah sebagai berikut:

1. Bagaimana membuat sebuah aplikasi CBIR berdasarkan kemiripan warna? 2. Bagaimana membuat sebuah aplikasi CBIR berdasarkan kemiripan

tekstur?

1.3 Tujuan

Berdasarkan rumusan masalah diatas maka penelitian ini memiliki beberapa tujuan sebagai berikut :

1. Menerapkan aplikasi yang dapat melakukan pencarian citra dengan parameter yang berupa citra.

2. Mengimplementasikan metode Gray-Level Co-Ocurrence Matrix dan histogram warna ke dalam aplikasi.

1.4 Batasan Masalah

(12)

3

1. Citra yang digunakan hanya citra dengan format PNG, karena PNG merupakan jenis file yang belum mengalami kompresi data.

2. Pencarian yang dilakukan berdasarkan teksur dan warna.

1.5 Sistematika Pembahasan

Sistematik penulisan yang digunakan dalam laporan Seminar Tugas Akhir ini yaitu :

BAB I PENDAHULUAN

Berisi uraian mengenai latar belakang, rumusan masalah, tujuan pembahasan, ruang lingkup kajian, sumber data dan sistematika penyajian pelaksanaan Tugas Akhir.

BAB II LANDASAN TEORI

Berisi teori-teori yang digunakan dalam menyusun laporan Tugas Akhir ini.

BAB III ANALISIS DAN DESAIN

Berisi tentang analisis dan juga perancangan aplikasi yang dibuat dalam pembutan aplikasi ini

BAB IV PENGEMBANGAN PERANGKAT LUNAK

Berisi tentang implementasi sistem dalam aplikasi, serta menjelaskan bagian-bagian dan fungsi-fungsi yang ada dalam aplikasi.

BAB V TESTING DAN EVALUASI SISTEM

Bab ini menjelaskan tentang masukan dan keluaran dari hasil pengujian aplikasi yang telah dibuat secara keseluruhan, yaitu dari awal hingga akhir proses.

BAB VI KESIMPULAN DAN SARAN

(13)

46

BAB VI

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Berdasarkan hasil pengamatan dalam analisis, perancangan, dan pembuatan aplikasi yang telah dilakukan, didapat beberapa kesimpulan sebagai berikut:

1. Aplikasi dapat melakukan pengambilan citra berdasarkan tekstur dan histogram warna.

2. Metode gray-level co-occurrence matrix dan histogram warna dapat digunakan untuk melakukan pengambilan citra yang serupa dengan citra masukan.

3. Berdasarkan hasil pengujian, dengan menggabungkan ke dua metode maka hasil keluaran akan menjadi lebih akurat. Hal ini dikarenakan citra memiliki tekstur dan warna, apabil kedua unsur ini dihitung maka hasil keluaran akan menjadi lebih baik.

6.2 Saran

Saran-saran menjadikan aplikasi content-based image retrieval ini lebih baik lagi adalah :

1. menggunakan konten lain dalam pengambilan citra seperti membandingkan shape atau bentuk untuk mendapatkan hasil yang lebih akurat.

(14)

47

DAFTAR PUSTAKA

Deza, & Michael, M. (2009). Encyclopedia of Distance. Springer.

Gurendra, W. (2010). http://jurnal.isi-dps.ac.id/index.php/artikel/article/view/323. Retrieved from http://jurnal.isi-dps.ac.id/: http://jurnal.isi-dps.ac.id/index.php/artikel/article/view/323

http://www.fp.ucalgary.ca/mhallbey/Rumuss.htm. (2008). Retrieved from http://www.fp.ucalgary.ca/mhallbey/:

http://www.fp.ucalgary.ca/mhallbey/Rumuss.htm

Mohanaiah, P., Sathyanarayana, P., & Kumar, L. G. (2013). Image Texture Feature Extraction Using GLCM Approach. International Journal of Scientific and Research Publications , 3 (5), 1-4.

Nadler, M., & Smith, E. (1993). Patter Recognition Engineering. New York: Wesley Interscience.

P.S.Suhasini, D. K. (2005-2009). CBIR USING COLOR HISTOGRAM PROCESSING. Journal of Theoretical and Applied Information Technology , vol6, 116-122.

Putra, D. (2010). Pengelolaan Citra Digital. Yogyakarta: Andi.

R.E.Haralick, K.Shanmugam, & I.Dinstein. (1973). Textural Features for Image Classification. IEEE Transactionson Systems, Man and Cybernetics , SMC-3.

Randers-Pehrson, G., Adler, M., Boutell, T., Bowler, J., Brunschen, C., Costello, A. M., et al. (1999). PNG (Portable Network Graphics) Speciﬁcation, Version 1.2. Massachusetts: Massachusetts Institute of Technology.

RD. Kusumanto, A. N. (2011). Pengolahan Citra Digital Untuk Mendeteksi Objek Menggunakan Pengolahan Warna Model Normalisasi RGB. Seminar Nasional Teknologi Informasi & Komunikasi .

Sutoyo, T. (2009). Teori Pengolahan Citra Digital. Yogyakarta: Andi.

Sutton, E. (n.d.). Histograms and the zone system. Retrieved from http://www.illustratedphotography.com/photography-tips/basic/contrast