Pengklasifikasian Motif Keramik Berdasarkan Koefisien Korelasi Dan Koefisien Bhattacharya
Miftahuddin, 50407552
Skripsi Jurusan S1 Teknik Informatika, Fakultas Teknologi Industri, Universitas Gunadarma, 2011.
ABSRAK
Dari hasil observasi yang penulis dapat di P.T. KIA, pengerjaan untuk pengklasifikasian motif keramik saat ini masih menggunakan operator manusia, dimana untuk setiap mesin penyetakan keramik ditempatkan satu operator. Operator tersebut dibantu dengan pencahayaan menggunakan 2 buah lampu neon panjang dan cairan penanda bewarna yang berguna sebagai penanda sementara untuk pemisahan keramik. Hal inilah yang melatarbelakangi dilakukannya penelitian dengan memanfaatkan bidang pengolahan citra untuk mengklasifikasikan jenis keramik berdasarkan motif sebagai bagian dari penelitian tentang pemanfaatan bidang pengolahan citra pada perindustrian keramik. Pendekatan berbasis ekstraksi fitur warna dan pendekatan berbasis template digunakan dalam proses pencocokan. Penerapan fitur warna yang dimaksud termasuk dalam kategori metode untuk CBIR(Content Based Image Retrieval), yaitu dengan menggunakan histogram warna yang didapat dari ekstraksi piksel RGB 8x8x8 pada citra. Kemudian histogram tersebut
dinormalisasi agar piksel yang didalamnya memiliki batasan nilai 0-1. Proses pengklasifikasian dilakukan dengan membandingkan histogram yang telah dinormalisasi antara citra uji dan referensi menggunakan koefisien Bhattacharya. Pendekatan berbasis template dilakukan dengan cara mengambil 1/4 bagian dari citra
yang dijadikan referensi untuk selanjutnya dibandingkan dengan citra uji mengunakan perhitungan koefisien korelasi untuk dicari nilai maksimalnya.
2.1. Diagram Blok Proses Pengklasifikasian Keramik
2.2. Pengambilan Template Citra Referensi Citra template yang dipakai adalah
potongan ±1/4 bagian dari citra referensi
karena penulis mengamati bahwa motif yang
berada pada suatu keramik akan berulang di
keramik lainnya jadi cukup menggunkan
beberapa bagian dari suatu motif saja, penulis
mengkondisikan bahwa kemungkinan
keragaman motif yang ada menyebabkan
penggunaan banyak template pada
masing-masing referensi untuk mewakili suatu motif
keramik, karena jika perbandingan citra uji
dgn citra referensi hanya 1:1, maka objek
yang berbeda sedikit saja dengan template
tidak akan dikenali. Oleh karena itu,
penggunaan beberapa template yang spesifik
perlu dibuat agar cocok dengan berbagai
bentuk motif yang ada.
2.3.Perhitungan Koefisien Korelasi
Setelah proses pemilihan template dari citra
referensi telah selesai dilakukan, langkah
selanjutnya yaitu mengecek keterhubungan
antara citra uji dan citra template referensi
dengan menggunakan koefisien korelasi. Hal
tersebut digunakan untuk mengetahui suatu
korelasi dengan rentan angka antara -1 dan +1
untuk mengukur derajat hubungan antara dua
variabel (yakni matriks piksel citra uji(X) dan
citra template referensi(Y)). Sebuah nilai
positif untuk korelasi menyiratkan hubungan
positif (nilai yang besar dari X cenderung
berhubungan dengan nilai-nilai besar Y dan
nilai-nilai kecil dari X cenderung
berhubungan dengan nilai-nilai kecil Y).
Sebuah korelasi nilai negatif untuk
menyiratkan hubungan negatif atau terbalik
(nilai yang besar dari X cenderung
berhubungan dengan nilai-nilai kecil Y dan
sebaliknya). Rumus korelasi koefisien yang
Dengan :
r = nilai korelasi koefisien
stdevX = Standar deviasi citra sumber, citra
keabuan.
stdevY = Standar deviasi template berupa
citra keabuan.
covarXY = nilai rata-rata dari semua
pasangan, perbedaan dari mean citra sumber
dikalikan dengan perbedaan dari mean citra
template.
Gambar Diagram Blok Proses Perhitungan
Koefisien Korelasi
2.4. Ekstraksi Fitur
Contoh ekstraksi warna RGB citra :
R : 212 213 213 212 211 210 209 206 202 201 205 G : 191 192 192 191 190 189 188 185 181 180 184 B :160 161 161 160 159 158 157 154 150 149 153…… [H]
Pseudokode kuantisasi warna :
bins ← 8; f ← 1; for i ← 1 to z go kuantisasi ← kuantisasi + f*floor(Warna indeks i * bins/256); f← f*bins; end for
2.5. Perhitungan Koefisien Bhattacharya Setelah melakukan proses penghitung
histogram warna dari citra uji dan citra
referensi dan menempatkan mereka ke dalam
dua vektor yang berbeda, langkah selanjutnya
yaitu membandingkan kedua vector tersebut
Koefisien Bhattacharya adalah perkiraan
pengukuran jumlah tumpang tindih antara dua
sampel statistik. Koefisien dapat digunakan
untuk menentukan kedekatan relatif dari
kedua sampel yang dipertimbangkan.
Menghitung koefisien Bhattacharya
melibatkan dasar bentuk integrasi dari
tumpang tindih dua sampel. Interval
nilai-nilai dari dua sampel dibagi menjadi sejumlah
partisi yang dipilih, dan jumlah anggota
masing-masing sampel dalam setiap partisi
digunakan dalam rumus berikut:
Mempertimbangkan di mana sampel a dan b,
n adalah Jumlah partisi, dan ai, bi adalah
jumlah anggota sampel a dan b di partisi
sampai jumlah ke i. Koefisien Bhattacharya
akan berkisar dari 0 sampai dengan 1, di mana
1 mewakili gambar benar-benar sama dan 0
menunjukkan bahwa tidak ada kesamaan
dalam dua gambar. Gambar 3.4.
menggambarkan gambaran proses
perhitungan koefisien Bhattacharya.
Gambar Aktifitas Diagram Proses
Perhitungan Koefisien Bhattacharya
3.1. Hasil Koefisien Korelasi
ELB
SBDF HBDF
0.76091 5 0.82626 4 0.60095 6 0.76094 6 0.82425 3 0.59431 4 0.77261 8 0.84049 4 0.59944 9Pada proses pengujian diatas,
dilakukan 500 masukan citra uji dengan
keterangan sebagai berikut : untuk keramik
ukuran 20×25 dipakai sebanyak 10 jenis motif
dengan jumlah masukan 392 citra. Kemudian
dibandingkan dengan citra referensi sebanyak
10 buah. Untuk keramik ukuran 40×40
dipakai sebanyak 3 jenis motif dengan jumlah
masukan 108 citra. Kemudian dibandingkan
dengan citra referensi sebanyak 3 buah.
Pada table pengujian diatas, dilakukan klasifikasi motif keramik jenis Star Biege DF. Dimana terdapat 10 buah citra uji masukan yang di bandingkan dengan 3 buah jenis motif. Pembandingan hanya 3 motif karena 10 motif lainnya berbeda ukuran keramiknya, jadi keterhubungan antara keduanya mengacu pada nilai 0(nol). Pada baris ke-1 terlihat bahwa citra uji masukan memiliki nilai koefisien korelasi sebesar 0.760915 dengan motf Elmira Biege(ELB), 0.826264
dengan motif Star Biege DF(SBDF), dan 0.600956 dengan motif Hero Med Biege DF(HBDF). Dari hasil tersebut citra uji masukan memiliki koefisien korelasi yang tinggi dengan jenis motif Star Biege DF dengan nilai 0.826264 yang juga menandakan nilai koefisien tersebut memiliki tingkat
keterhubungan yang tinggi (< 0.8). tetapi untuk memastikan lebih pasti nilai koefisien Bhattacharya yang diperoleh akan ditambahkan dengan nilai koefisien Bhattacharya.
3.2. Hasil Perbandingan Histogram Warna Dengan Koefisien Bhattacharya
AB BG BO DMB 100 0.00396 1 84.3751 8 31.1055 99.5437 3 0.00560 2 85.3784 6 29.5465 3 99.6800 3 0.00792 3 83.5247 3 31.0214
Pada table pengujian diatas, dilakukan
klasifikasi motif keramik jenis Athena Brown.
Dimana terdapat 9 buah citra uji masukan
yang di bandingkan dengan 10 buah jenis
motif. Pembandingan hanya 10 motif karena 3
motif lainnya berbeda ukuran keramiknya,
jadi keterhubungan antara keduanya mengacu
pada nilai 0(nol). Pada baris ke-1 terlihat
bahwa pada saat pengujian citra uji masukan
100 dengan motif Athena Brown(AB),
0.003961 dengan motif Butterfly Green(BG),
84.37518 dengan motif Butterfly
Orange(BO), 31.1055 dengan motif Denton
Med Brown(DMB), 30.69013 dengan motif
Eunice Biege(EB), 13.07365 dengan motif
Fugu Green(FG), 0.702146 dengan motif
Hero Biege(HB), 97.69766 dengan motif
Hero Med Biege(HMB), 89.92489 dengan
motif Sidney Med Brown(SMB), 24.79852
dengan motif Sidney Brown(SB). Dari hasil
tersebut bias terlihat bahwa keramik uji
masukan memiliki koefisien Bhattacharya
paling tinggi dengan jenis motif Athena
Brown, berarti hal tersebut menandakan
bahwa jenis citra uji masukan bermotif
Athena Brown, tetapi untuk memastikan lebih
pasti nilai koefisien Bhattacharya yang
diperoleh akan ditambahkan dengan nilai
koefisien korelasi.
4. Kesimpulan
Proses pengklasifikasian keramik
dengan menggunakan perhitungan koefisien
Bhattacharya dari hasil ekstraksi warna citra
uji dan referensi serta perhitungan koefisien
korelasi antara cita gray pada citra uji dan
citra template referensi menghasilkan tingkat
kecocokan yang cukup tinggi. Untuk keramik
yang bermotif abstrak penggunaan
perhitungan koefisien Bhattacharya sangat
tepat dibandingkan dengan penggunaan
koefisien korelasi dengan citra template,
karena keramik yang berpola abstrak akan
lebih mudah diambil informasinya berupa
warna dibandingkan dengan pengambilan
motifnya. Masalah yang ditemukan pada
penggunaan metode ini mengenai
pencahayaan yang tidak stabil pada
pengambilan citra, hal ini menyebabkan
warna keramik pada motif yang sama terlihat
berbeda. Untuk penggunaan perhitungan
koefisien korelasi antara citra gray uji dan
citra gray template lebih cocok digunakan
untuk motif yang statis, apabila diterapkan
pada motif abstrak perlu menggunakan
motif abstrak tersebut. Dari data yang
diperoleh berdasarkan hasil pengujian
didapatkan bahwa tingkat penggunaan
koefisien Bhattacharya dan koefisien korelasi
untuk proses pengklasifikasian motif keramik
sebesar 78.2 %.
Daftar Pustaka
Astuti, Ambar. 1997. Pengetahuan Keramik, Gajah Mada University Press,. Yugyakarta.
Burdick, Howard E. (1997), Digital Imaging Theory Anal Applications,. McG1"aW — Hill Companies, lnc., New York.
Gonzalez, R.C. & Woods, R.E., 2002. Digital Image Processing Second Edition, Prentice Hall, New Jersey.
Hariyanto, Bambang. 2005. Esensi-Esensi Bahasa Pemrograman Java, Informatika, Bandung.
K. Jain, Fundamentals of Digital Image Processing, Englewood Cliffs, NJ: Prentice Hall, 1989
Mohammad Reza Zare & Woo Chaw Seng. 2004 “Integration of Color, Texture and Shape for Blood Cell Image Retrieval’’, University of Malaya, Kuala Lumpur, Malaysia.
M. Sohail Khalid,. 2006. Bhattacharyya Coefficient in Correlation of Gray-Scale Objects, National University of Sciences and Technology, Pakistan
M.S. SUSSMAN, G.A. WRIGHT. The Correlation Coefficient Technique for Pattern Matching, Department of Medical Biophysics; Sunnybrook and Women’s
College Health Science Centre, Toronto, Canada.
Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekata Algoritma, Informatika, Bandung.
Siallagan, Sariadin. 2009. Pemrograman Java Dasar-Dasar Pengenalan & Pemahaman, Ed.1, Andi, Yogyakarta.
Suarga. 2009. Dasar Pemrograman Komputer dalam Bahasa Java, Ed.1, Andi, Yogyakarta.
