Modifikasi Speed-Up Robust Feature (SURF) dengan Histogram of Oriented Gradient (HOG) pada Klasifikasi Citra Blur Chapter III V

(1)

BAB 3

METODOLOGI PENELITIAN

3.1.Alur Kerja Penelitian

Alur Kerja Penelitian ini di ilustrasikan pada gambar 3.1 :

Mengidentifikasi Masalah Melakukan Studi Pustaka Menentukan Tujuan Penelitian Mengumpulkan Data

Merancang dan Mengimplementasi Metode

Menguji Coba Metode Menganalisa dan Mengevaluasi Metode

Menyimpulkan Penelitian

Gambar 3.1 Diagram Alur Kerja Penelitian

Berdasarkan gambar 3.1 dapat dijelaskan bahwa alur kerja penelitian ini dimulai

dengan tahapan mengidentifikasi sebuah masalah yang akan diteliti, kemudian dilakukan

studi pustaka yang berkaitan dengan masalah yang akan diteliti dilanjutkan dengan

menentukan tujuan penelitian agar penelitian tidak menyebar ke ruang lingkup yang lain,

selanjutnya dilakukan pengumpulan data atau sampel yang akan diteliti khususnya citra

blur berdasarkan jenisnya dilanjutkan dengan merancang dan mengimplementasi motode

menggunakan sampel yang telah dikumpulkan dimana perancangan dan

pengimplementasian sesuai dengan tujuan penelitian yang telah ditentukan. Selanjutnya

dilakukan pengujian terhadap metode yang telah dirancang dan diimplementasikan dan

pada tahapan akhir dilakukan analisa dan evaluasi metode sehingga dapat diambil

(2)

3.2. Data dan Peralatan Penelitian Yang Digunakan

Data yang digunakan dalam penelitian ini berjumlah 392 citra dengan ukuran 640x480

pixel yang diklassifikasikan menjadi 4 kategori, yaitu average blur, motion blur, gaussian

blur dan citra non blur. Data yang digunakan sebagai training set adalah 60 % dari total

imageset yang digunakan dan 40 % imageset sebagai testing set dimana pembagiannya

ditentukan secara acak. Sedangkan alat yang digunakan dalam penelitian ini adalah matlab

versi 2016b, dan file citra yang digunakan yaitu file yang berformat .jpg . Alasan pemilihan

file citra .jpg adalah untuk menjaga keaslian citra yang diperoleh, dimana citra diperoleh

menggunakan kamera.

3.3. TahapanModikifkasi Speed-up Robust Feature Dengan Histogram of Oriented Gradient

Penelitian ini memodifikasi speed-up robust feature sebagai pendeteksi interest point

dengan histogram of oriented gradient sebagai interest deskriptor. Dengan speed-up robust

feature sebagai interest point detector, mendeteksi interest point pada citra yang blur

dengan skala yang berbeda-beda (multiscale). Setelah interest point diperoleh, maka akan

diextract dengan menggunakan histogram of oriented gradient (HOG). Dengan

mendapatkan intesitas histogram pada deskriptor akan diperoleh pola degradasi pada tiap

interest point. Tahapan modifikasi speed-up robust feature dengan histogram of oriented

(3)

23

Input Citra Citra Keabuan (Grayscale) Deteksi Interest Point Speed-Up Robust

Feature

Menyimpan Pola Bag of Visual Words pada Support Vector Machine Deteksi Interest Point Speed-Up Robust

Feature

Ekstraksi Interest Point meggunakan Histogram of Oriented Gradients

Pencocokan Model Pola Pada Support

Vector Machine Output (Klasifikasi Citra Blur)

Gambar 3.2 Tahapan Modifikasi speed-up robust feature dengan histogram of oriented gradient pada skema bag of visual word untuk klassifikasi citra blur.

3.4. Modifikasi Speed-up Robust Feature (SURF) Dengan Histogram of Oriented Gradient (HOG)

Skala pendeteksian interest point pada speed-up robust feature mempengaruhi

klassifikasi citra blur jika dimodifikasikan dengan histogram of oriented gradien sebagai

ekstraksi fiturnya. Hal ini disebabkan oleh proses ekraksi fitur yang berbeda pada kedua

metode ini. Speed-up robust feature mengintegralkan citra dalam proses pendeteksian

keypoint, sedangkan histogram menggunakan cell blok pada citra secara satu per satu atau

single detector. Seperti pada Gambar 3.3, speed-up robust feature sebagai deteksi fitur

menggunakan pengintegralan citra, dengan menggunakan skala invarian pada citra. Proses

ini mendeteksi fitur pada citra dengan membentuk bulatan-bulatan sebagai deteksi fitur

(4)

Gambar 3.3 Pendeteksian interest point dengan speed-up robust feature

Bulatan pada citra pada Gambar 3.3 dihasilkan dari integral grid speed-up robust feature

dengan menggunakan fast hessian matrix. Gambar 3.4 akan menunjukkan grid yang telah

dibentuk oleh speed-up robust feature. Pengintegralan grid tersebut dapat mengurangi

waktu komputasi dalam pendeteksian fitur yang diperoleh pada citra. Sedangkan

Histogram of oriented gradient, membentuk Cell block yang menghasilkan gradient

sebagai fitur citra. Gambar 3.5, menunjukkan penggunakan grid oleh Histogram of oriented

gradient yang berbeda dengan speed-up robust feature dalam proses pendeteksian fitur.

Proses pendeteksian Hitogram of oriented gradient, lebih lama waktu komputasinya

dibandingkan dengan speed-up robust feature, hal ini dikarenakan Histogram of oriented

gradient membentuk cell blok terhadap keseluruhan citra dan menghitung gradien sebagai

(5)

25

Gambar 3.4 Grid x dan y pada speed-up robust feature mendeteksi fitur dengan membentuk bulatan kecil (blob) terhadap citra.

(6)

Dengan memodifikasi Speed-up robust feature dengan Histogram of oriented gradient

menghasilkan pendeteksian fitur seperti yang ditunjukkan pada Gambar 3.6. Dengan

modifikasi ini dapat mengklasifikasikan citra blur berdasarkan tipe blur pada skema bag of

visual word dengan lebih akurat.

Gambar 3.6 Modifikasi Speed-up robust feature dengan Histogram of oriented gradient

3.5. Pembentukan Bag Of Visual Words

Setelah di dapat fitur dengan menggunakan modifikasi speed-up robust feature dengan histogram of oriented gradients maka fitur-fitur dibentuk bag visual words atau codebook

fitur dari citra blur yang telah diinputkan. Fitur-fitur yang telah didapatkan akan di cluster

menggunakan k-means algorithm, untuk membedakan kelas fitur-fitur tersebut dengan k =

500. Dimana feature vector yang telah di clusterkan ini akan menjadi bag of visual words

atau codebook fitur untuk mengklasifikasikan citra pada training set maupun test set

(7)

27

Gambar 3.7 Histogram Feature Vector bag1 dengan K= 500 atau disebut dengan

codebook

3.6. Ukuran Performansi

Pada penelitian ini, pengukuran performansi klassifikasi menggunakan confusion matrix.

Confusion matrix adalah sebuah array 2 dimensi berukuran K x K (dimana K adalah total

jumlah kelas) yang digunakan untuk melaporkan hasil mentah dari eksperimen klasifikasi

(Marques, 2011). Nilai pada baris i, kolom j mengindikasikan berapa kali sebuah objek

yang tergolong benar pada kelas I yang berlabel kelas j. Tabel confusion matrix berisikan

empat kemungkinan keluaran sebagai bahan acuan dalam membandingkan antara kejadian

yang sebenarnya (aktual) dengan kejadian yang terprediksi. Berikut adalah ilustrasinya:

Tabel 3.1 Tabel Confusion Matrix

Prediksi

Average Blur Motion Blur

Aktual Average Blur True Positive (TP) False Negative (FN)

(8)

dimana :

True Positive (TP) adalah jumlah data average blur yang diprediksi average blur

False Negative (FN) adalah jumlah data average blur yang diprediksi motion blur

False Positive (FP) adalah jumlah data motion blur yang diprediksi average blur

True Negative (TN) adalah jumlah data motion yang diprediksi motion blur

Untuk menghitung akurasi menggunakan confusion matrix dapat dirumuskan sebagai

berikut:

� � � = (_{� � �}�� + � _{� �)}

Sedangkan untuk menghitung tingkat kesalahan klassifikasi adalah sebagai berikut:

(9)

BAB 4

HASIL DAN PEMBAHASAN

4.1.Hasil

Hasil yang dibahas meliputi modifikasi speed-up robust feature dengan histogram of

oriented gradients, pengujian dengan variasi skala speed-up robust feature, perbandingan

modifikasi metode dengan penelitian sebelumnya dan pembahasan.

4.1.1.Sampel pelatihan dan sampel pengujian

Imageset pada penelitian ini terbagi menjadi sampel pelatihan dan sampel pengujian.

Sampel pelatihan yang digunakan dalam penelitian ini berjumlah 236 citra, sedangkan

sampel pengujian terdiri dari 156 citra, yang terdiri dari 4 kategori citra. Yaitu kategori

average blur, citra non blur, gaussian blur dan motion blur, dimana penentuannya dilakukan

secara acak dan ukuran citra pada imageset penelitian ini sebesar 640 width x 480 height

pixel. Berikut adalah 4 contoh citra yang digunakan dalam sampel pelatihan:

(10)

Gambar 4.2 Citra 8.jpg pada kategori citra non blur

Gambar 4.3 Citra 8.jpg pada kategori gaussian blur

(11)

31

4.1.2.Hasil bag of feature

Setelah menginput training set dan testing set, selanjutnya citra-citra pada training set akan

dideteksi interest pointnya menggunakan speed-up robust feature dan di ekstrak fiturnya

menggunakan histogram of oriented gradients. Bag of feature yang dibentuk pada

trainingSet1 adalah sebagai berikut:

Gambar 4.5 Bag of Feature TrainingSet1

Nilai masing-masing index pada gambar 4.5 menjadi acuan terhadap nilai fitur citra

lainnya. Dimana nilai index diatas merupakan nilai fitur yang telah sudah melalui tahapan

deteksi dan ekstraksi fitur, serta clustering nilai fitur-fitur, yang dikelompokkan menjadi

nilai visual word index. Nilai index tersebut, dapat dilihat pada nilai index masing-masing

citra, dimana nilai index pada gambar 4.1, gambar 4.2, gambar 4.3 dan gambar 4.4 tidak

lebih dari 200. Hal ini sesuai dengan penetapan jumlah index pada bag of feature yang

dibentuk, yaitu K=200. Berikut adalah nilai index gambar 4.1, gambar 4.2, gambar 4.3 dan

(12)

Tabel 4.1 Nilai index gambar 4.1

Histogram index pada citra gambar 4.1

(13)

33

(14)

(15)

35

116 113 153 16 95 113

(16)

177 140 152 167 54 140

37 28 15 163 13 66

180 122 47 111 101 172

166 31 147

13 95 103 102 1 103

Histogram index citra pada gambar 4.4

4.1.3.Hasil klasifikasi support vector machine

Setelah masing-masing citra didapatkan nilai visual word indexnya, maka akan

diklasifikasikan menggunakan support vector machine. Support vector machine yang

(17)

37

16.jpg, citra 18.jpg, citra 19.jpg, dan citra 20.jpg pada kategori average blur merupakan

citra yang termasuk ke dalam testingSet1. Sebelum diklasifikasikan, citra-citra tersebut

merupakan citra yang tergolong ke dalam average blur, namun hasil prediksi klasifikasi

menggunakan support vector machine tidaklah sama. Hasil prediksi klasifikasinya adalah

sebagai berikut:

Tabel 4.5 Hasil Klasifikasi Support Vector Machine

No.

average blur. Support vector machine yang menggunakan fungsi kernel gaussian

menghitung skor terhadap data training, yang menghasilkan skor pada tiap-tiap kategori.

Support vector machine memutuskan klasifikasi kategori citra tersebut berdasarkan nilai

skor yang terbesar. Seperti pada citra nomor 2, skor terbesarnya adalah -0.20611589 pada

kategori gaussian blur, maka support vector machine mengkategorikan citra nomor 2 ke

dalam gaussian blur. Hal ini merupakan klasifikasi yang salah, dimana citra nomor 2

merupakan citra yang tergolong ke dalam average blur. Kesalahan klasifikasi ini

disebabkan oleh tipisnya perbedaan skor antara average blur dan gaussian blur. Support

vector machine sendiri mempunyai 3 fungsi kernel yang sering digunakan dalam

penelitian-penelitan sebelumnya. Kekurangan ini dapat dikembangkan dengan

menggunakan fungsi kernel yang berbeda, ataupun memakai fungsi clustering yang

berbeda. Hal ini dikarenakan bag of feature menggunakan visual word index yang terbentuk

(18)

4.1.4.Modifikasi Speed-Up Robust Feature dengan Histogram of Oriented Gradients

Modifikasi speed-up robust feature dengan histogram of oriented gradients dimulai dengan

pembentukan grid untuk menentukan lokasi pendeteksian interest point. Grid Step yang

digunakan ialah 8, grid step ini berfungsi sebagai jarak antara pixel x (width) dan y (height).

Dimana untuk setiap x selanjutnya akan berjarak 8 pixel, pada ukuran citra 480 height dan

640 width akan menghasilkan grid x = 80 dan grid y = 60. Berikut adalah tabel koordinat

(19)

39

Pada tabel 4.1 dan tabel 4.2 menampilkan koordinat gridX (1x80) dan gridY (1x60)

yang akan digunakan dalam pendeteksian interest point pada citra. Sehingga menghasilkan

koordinat deteksi interest point dengan ukuran matriks 4800x2, koordinat deteksi interest

point ini diilustrasikan pada Gambar 4.1.

Gambar 4.6 Koordinat deteksi interest point

Kemudian dengan menggunakan koordinat deteksi pada gambar 4.6 akan dilakukan

deteksi interest point menggunakan speed-up robust feature dengan menggunakan 3 skala

pendeteksian pada citra yaitu skala 1.6, 3.2 dan 4.8. Gambar 4.2 adalah hasil pendeteksian

interest point speed-up robust feature dengan menggunakan 3 skala pendeteksian pada citra

(20)

Setelah interest point di dapatkan, maka di ekstrak menggunakan hitogram of

oriented gradients, yang menghasilkan ekstraksi seperti pada gambar 4.8 .

Gambar 4.8 Ekstraksi Histogram of Oriented Gradients

Dengan menerapkan modifikasi metode ini, maka di peroleh fitur 83x36 atau 2.988

fitur pada citra 1.jpg. Selanjutnya metode di uji dengan membentuk bag of visual words,

dimana menghasilkan 41.987 fitur pada trainingSet1. Angka fitur ini tidak tetap, mengingat

penentuan training set dan testing set dilakukan secara acak. Sehingga fitur yang ditemukan

berbeda-beda pada tiap citra, hal ini juga dipengaruhi oleh objek yang berbeda pada citra

dan tipe blur yang berbeda pada masing-masing citra.

4.2.Pengujian Dengan Variasi Skala Speed-Up Robust Feature

Pada Pengujian ini skala variasi speed-up robust feature akan di uji cobakan pada 3

model skala level, model pertama menggunakan 3 skala, model kedua dengan

menggunakan 4 skala dan model terakhir menggunakan 5 skala. Berikut adalah hasil

(21)

41

Tabel 4.8 Pengujian klassifikasi pada trainingSet1 dengan menggunakan 3 skala deteksi

Average Blur Citra non Blur Gaussian Blur Motion Blur

Average Blur 97 % 0% 3% 0%

Tabel 4.9 Pengujian klassifikasi pada testingSet1 dengan menggunakan 3 skala deteksi

Average Blur 44% 3% 46% 7%

Citra non Blur 0% 90% 2% 8%

Gaussian Blur 69% 0% 26% 5%

Motion Blur 13% 3% 2% 82%

Rata-rata Akurasi 60%

(22)

Tabel 4.8 menunjukkan klasifikasi dengan akurasi yang cukup tinggi yaitu 98%, namun

pada tabel 4.9 menunjukkan akurasi klasifikasi yang rendah yaitu 60%. Hal ini

menunjukkan diperlukan pengujian lebih lanjut terhadap skala yang digunakan pada

pendeteksian interest point. Dimana pendeteksian pola blur pada citra kurang dikenali

dengan menggunakan hanya 3 skala pendeteksian interest point. Hal ini juga ditunjukkan

pada bag of feature yang terbentuk, dimana bag of feature yang dihasilkan memiliki rentang

(23)

43

Gambar 4.9 Bag of Visual Word yang dibentuk

Pada pengujian yang telah dilakukan pada tabel 4.11 ditemukan peningkatan akurasi

klasifikasi citra blur sebesar 7% dari sebelumnya yaitu pada tabel 4.9. Dimana pada tabel

4.11 menggunakan 4 skala deteksi dan pada tabel 4.9 menggunakan 3 skala deteksi.

Sedangkan pada tabel 4.13 ditemukan peningkatan akurasi klasifikasi citra blur sebesar 3

% dari sebelumnya yaitu pada tabel 4.11. Dimana pada tabel 4.13 menggunakan 5 skala

deteksi dan pada tabel 4.11 menggunakan 4 skala deteksi. Untuk itu diperlukan pengujian

lebih lanjut dengan melakukan 10 kali pengujian terhadap 3, 4 dan 5 skala pendeteksian

pada metode speed-up robust feature sebelum dimodifikasi dengan metode speed-up robust

feature setelah dimodifikasi. Hal ini berfungsi untuk menemukan akurasi yang konsisten

terhadap klasifikasi citra blur sebelum dan sesudah modifikasi, mengingat penentuan

trainingSet dan testingSet dilakukan secara acak. Selain itu pengujian akan dilakukan

dengan mengubah nilai K pada clustering k-means. Hal ini dikarenakan bag of visul words

yang dihasilkan pada pengujian pada tabel 4.10, tabel 4.11, tabel 4.12 dan tabel 4.13 tidak

mencapai 500 index, seperti terlihat pada gambar 4.9. Untuk itu akan dilakukan

(24)

Tabel 4.14 Percobaan 1 Menggunakan 3 Skala Pendeteksian Interest Point

Pada percobaan 1 menggunakan 3 skala pendeteksian interest point pada testingSet1

sebelum dimodifikasi speed-up robust feature, menghasilkan nilai akurasi average blur

sebesar 33%, citra non blur sebesar 74 %, gaussian blur sebesar 18 %, motion blur sebesar

77 % dengan rata-rata akurasi sebesar 51 %, seperti terlihat pada tabel 4.9. Selain itu terjadi

banyak miss classification, seperti klasifikasi average blur yang diklasifikasikan ke dalam

citra non blur sebesar 15 %, yang diklasifikasikan ke dalam gaussian blur sebesar 21 %,

dan diklasifikasikan ke dalam motion blur sebesar 31 %. Sedangkan pengujian pada

testingSet1 menggunakan speed-up robust feature yang telah dimodifikasi mengalami

peningkatan nilai akurasi average blur sebesar 44 %. Namun masih terjadi miss

classification terhadap 3 kelas lainnya, untuk itu akan dilakukan 10 kali pengujian menggunakan speed-up robust feature yang belum dimodifikasi dengan speed-up robust

feature yang telah dimodifikasi, untuk mendapatkan nilai akurasi yang konsisten. Hasil

pengujiannya ditunjukkan pada tabel 4.15 dan tabel 4.16.

Percobaan 1 Menggunakan 3 Skala Pendeteksian Interest Point testingSet1 (sebelum modifikasi speed-up robust feature)

Average Blur Citra Non Blur Gaussian Blur Motion Blur

testingSet1 (setelah modifikasi speed-up robust feature )

(25)

45

Tabel 4.15 Hasil Keseluruhan 10 Kali Pengujian Pada testingSet1 Sebelum di Modifikasi

Testing Skala yang digunakan 3 Skala 4 Skala 5 Skala

Tabel 4.16 Hasil Keseluruhan 10 Kali Pengujian Pada testingSet1 Setelah di Modifikasi

Testing Skala yang digunakan 3 Skala 4 Skala 5 Skala

Rata-rata Akurasi 64.50% 70.80% 72.30%

Setelah dilakukan 10 kali pengujian pada testingSet1 menggunakan speed-up robust

feature yang belum dimodifikasi dengan speed-up robust feature yang telah dimodifikasi,

(26)

Gambar 4.10 Hasil Klasifikasi Citra Blur Sebelum Modifikasi

Gambar 4.11 Hasil Klasifikasi Citra Blur Setelah Modifikasi

Dimana rata-rata akurasi tertinggi menggunakan 3 skala pendeteksian interest point

menggunakan speed-up robust feature yang telah dimodifikasi sebesar 64.5 %, sedangkan

nilai akurasi tertinggi mengggunakan speed-up robust feature yang belum dimodifikasi

sebesar 51.0 % . Rata-rata akurasi tertinggi menggunakan 4 skala pendeteksian interest

point menggunakan speed-up robust feature yang telah dimodifikasi sebesar 70.8 %,

51%

Skala yang digunakan 3 Skala Skala yang digunakan 4 Skala

Skala yang digunakan 5 Skala

Skala yang digunakan 3 Skala Skala yang digunakan 4 Skala

(27)

47

sedangkan nilai akurasi tertinggi mengggunakan speed-up robust feature yang belum

dimodifikasi sebesar 49.1 % . Dan rata-rata akurasi tertinggi menggunakan 5 skala

pendeteksian interest point menggunakan speed-up robust feature yang telah dimodifikasi

sebesar 72.3 %, sedangkan nilai akurasi tertinggi mengggunakan speed-up robust feature

yang belum dimodifikasi sebesar 49.6 %. Grafik klasifikasi citra blur sebelum modifikasi

dan sesudah dimodifikasi dapat dilihat pada Gambar 4.10 dan Gambar 4.11.

Setelah dilakukan 10 kali pengujian pada 3 skala yang berbeda yaitu skala 3, 4 dan 5

pendeteksian interest point, maka ditemukan rata-rata akurasi tertinggi klasifikasi citra blur

sebesar 72,3% dengan menggunakan 5 skala pendeteksian seperti yang ditunjukkan pada

tabel 4.16.

4.3.Pembahasan

Hasil keseluruhan pengujian pada tabel 4.15 menunjukkan nilai akurasi terendah dan

tertinggi pada 3 skala pendeteksian interest point sebelum dimodifikasi. Dimana pada tabel

4.15 yaitu hasil keseluruhan 10 kali pengujian pada testingSet1 sebelum dimodifikasi

menunjukkan nilai akurasi terendah menggunakan 3 skala pendeteksian interest point

sebesar 49 % pada percobaan 4 dan percobaan 10, sedangkan akurasi tertinggi

menggunakan 3 skala pendeteksian interest point sebesar 54 % pada percobaan 6. Nilai

akurasi terendah menggunakan 4 skala pendeteksian interest point sebesar 45 % pada

percobaan 6, sedangkan akurasi tertinggi menggunakan 4 skala pendeteksian interest point

sebesar 54 % pada percobaan 9. Nilai akurasi terendah menggunakan 5 skala pendeteksian

interest point sebesar 46 % pada percobaan 2, sedangkan akurasi tertinggi menggunakan 5

skala pendeteksian interest point sebesar 53 % pada percobaan 3, percobaan 8 dan

percobaan 10.

Hasil keseluruhan pengujian pada tabel 4.16 menunjukkan nilai akurasi terendah dan

tertinggi pada 3 skala pendeteksian interest point setelah dimodifikasi. Dimana pada tabel

4.11 yaitu hasil keseluruhan 10 kali pengujian pada testingSet1 setelah dimodifikasi

menunjukkan nilai akurasi terendah menggunakan 3 skala pendeteksian interest point

(28)

menggunakan 4 skala pendeteksian interest point sebesar 67 % pada percobaan 1 dan

percobaan 6, sedangkan akurasi tertinggi menggunakan 4 skala pendeteksian interest point

sebesar 75 % pada percobaan 4. Nilai akurasi terendah menggunakan 5 skala pendeteksian

interest point sebesar 69 % pada percobaan 6 dan percobaan 8, sedangkan akurasi tertinggi

menggunakan 5 skala pendeteksian interest point sebesar 77 % pada percobaan 4.

Berdasarkan hasil penelitian yang telah dilakukan, dengan menggunakan 5 skala

pendeteksian interest point pada modifikasi speed-up robust feature dengan histogram of

oriented gradients dapat mengenali pola blur secara konsisten. Seperti yang ditunjukkan

pada tabel 4.16, dimana dalam 10 kali pengujian dalam 8 kali pengujian menghasilkan nilai

akurasi 70%, hanya 2 pengujian yang menghasilkan nilai akurasi dibawah 70%. Hal ini

berkaitan dengan penentuan skala pada interest point citra, yang dijelaskan pada subbab

2.5 dimana menggunakan skala pendeteksian dapat mengenali pola objek pada citra.

Penelitian ini telah membuktikan dengan menggunakan 5 skala pendeteksian interest point

pada modifikasi speed-up robust feature dan histogram of oriented gradients dapat

mengenali pola blur pada citra yang tidak hanya berfokus pada penentuan prediksi model

degradasi citra untuk mengklasifikasikan daerah blur pada citra seperti

penelitian-penelitian sebelumnya. Namun modifikasi metode ini masih sulit untuk mengklasifikasikan

jenis gaussian blur pada citra, dimana pada semua skala yang digunakan dalam pengujian

(29)

BAB 5

KESIMPULAN DAN SARAN

5.1.Kesimpulan

Tesis ini menghasilkan beberapa kesimpulan sebagai berikut:

1. Modifikasi speed-up robust feature dan histogram of oriented gradient, dapat

mengenali pola blur secara konsisten dengan rata-rata akurasi tertinggi klasifikasi

citra blur sebesar 72,3% dengan menggunakan 5 skala pendeteksian.

2. Modifikasi metode speed-up robust feature dan histogram of oriented gradient sulit

untuk mengklasifikasikan jenis gaussian blur pada citra. Dimana pada semua skala

yang digunakan dalam pengujian, dimana pada semua skala yang digunakan dalam

pengujian hanya menghasilkan akurasi true positif tertinggi testingSet1 sebesar

56%.

3. Ditemukan peningkatan akurasi klasifikasi citra blur, dimana sebelum

memodifikasi pendeteksian interest point pada speed-up robust feature hanya

menghasilkan akurasi tertinggi sebesar 51%. Sedangkan setelah memodifikasi

pendeteksian interest point pada speed-up robust feature menghasilkan akurasi

tertinggi sebesar 72.3%. Hal ini membuktikan bahwasanya dengan memodifikasi

pendeteksian interest point speed-up robust feature dengan histogram of oriented

gradient menghasilkan akurasi klasifikasi yang lebih baik pada citra blur.

5.2.Saran

Modifikasi metode ini dapat dikembangkan untuk mengenali pola gaussian blur pada

citra blur dengan memodifikasi pendeteksian interest point yang lebih baik dalam