CONTENT BASED VIDEO RETRIEVAL MENGGUNAKAN METODE HAAR WAVELET TRANSFORM
SKRIPSI
DIAN RAHAYU FEBRIYANTI 141401128
PROGRAM STUDI S-1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2019
CONTENT BASED VIDEO RETRIEVAL MENGGUNAKAN METODE HAAR WAVELET TRANSFORM
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Ilmu Komputer
DIAN RAHAYU FEBRIYANTI 141401128
PROGRAM STUDI S-1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2019
PERNYATAAN
CONTENT BASED VIDEO RETRIEVAL MENGGUNAKAN METODE HAAR WAVELET TRANSFORM
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, Agustus 2019
Dian Rahayu Febriyanti 141401128
UCAPAN TERIMA KASIH
Puji syukur penulis panjatkan hanya kepada Allah Bapa di surga oleh karena kasih dan penyertaanNya, sehingga Penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
Pada pengerjaan skripsi dengan judul Content Based Video Retrieval Menggunakan Haar Wavaelet Transform ini, penulis menyadari bahwa banyak pihak yang turut membantu, baik dari pihak keluarga, sahabat dan orang-orang tercinta yang mendukung dalam pengerjaan skripsi ini. Dalam kesempatan ini, penulis mengucapkan terima kasih kepada:
1. Bapak Prof. Runtung Sitepu, SH, M.Hum selaku Rektor Universitas Sumatera Utara.
2. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
3. Bapak Dr. Poltak Sihombing, M.Kom selaku Ketua Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara dan Dosen Pembimbing I yang telah memberikan arahan, kritik dan saran serta motivasi kepada penulis dalam pengerjaan skripsi ini..
4. Bapak Herriyance S.T., M.Kom selaku Sekretaris Program Studi S1 Ilmu Komputer Universitas Sumatera Utara, sekaligus Dosen Pembimbing II dan Dosen Pembimbing Akademik Penulis selama di bangku perkuliahan yang juga telah memberikan bimbingan dan arahan demi pengerjaan skripsi ini.
5. Ayahanda Johnny Aritonang, Ibunda Asti Pangaribuan, serta adik-adik Rini Aritonang, Ary Gunawan Aritonang, dan Rudy Aritonang yang telah banyak memberikan kasih sayang, semangat, serta dorongan baik materi maupun moral kepada penulis.
6. Keluarga besar Aritonang dan Pangaribuan (Maktua & Paktua Inggrid, Tulang & Nantulang Agnes, Maktua Anita, Bou Ilfriede) yang tanpa jemu- jemu memberi semangat baik berupa moril maupun materil kepada penulis dari awal hingga akhir.
7. Seluruh tenaga pengajar dan pegawai di Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi USU.
8. Teman-teman Stambuk 2014 Terkhusus KOM B 2014 yang senantiasa menjadi pengingat dan motivasi penulis.
9. Sahabat penulis Daniati Marcelina Tambun dan Yulia Citra Sipayung yang selalu menemani, menghibur dan memberi semangat dalam menjalani perkuliahan dari awal hingga selesai.
10. Teman-teman Ely, Reni, Herna, Elvi, Indah, dan Wirda yang senantiasa membantu dan menjawab pertanyaan-pertanyaan penulis seputar penulisan skripsi.
11. Teman-teman Bojack, Kak Lina, Fiza, Bang Dhani, Marihot, dan teman yang lain yang telah memberikan semangat dan dorongan kepada penulis.
12. Abangda Rio Sinulingga, Ramadhan Syahputra dan semua abang dan kakak stambuk 2013, Senior 2011 - 2012 Ilmu Komputer yang telah banyak membagi ilmu dan membantu pengerjaan skripsi ini.
13. Semua pihak yang terlibat langsung maupun tidak langsung yang tidak dapat penulis ucapkan satu demi satu yang telah membantu penyelesaian skripsi ini.
Semoga semua kebaikan, bantuan, perhatian, serta dukungan yang telah diberikan kepada penulis mendapatkan pahala yang melimpah dari Tuhan yang Mahakuasa.
Medan, Agustus 2019
Penulis
ABSTRAK
Pengambilan Video Berbasis Konten (CBVR) digunakan untuk menggambarkan proses pengambilan video yang diinginkan dari koleksi besar berdasarkan fitur yang diekstraksi dari video. Fitur yang diekstraksi digunakan untuk mengindeks, mengklasifikasikan dan mengambil video yang diinginkan dan relevan sambil memfilter yang tidak diinginkan. Haar Wavelet Transform adalah wavelet yang paling tua dan sederhana, algoritma ini digunakan dengan alasan lebih bagus digunakan untuk merepresentasikan ciri tekstur dan bentuk. Citra hasil dekomposisi dengan wavelet Haar berukuran seperempat dari ukuran citra asli.
Hasil pengujian terhadap 20 video dengan format .mp4 dengan query berformat .jpeg yang terbagi menjadi 5 kategori memperoleh nilai rata – rata Recall 100%
dan Precision 90% terhadap Query Bukan Frame yang diberikan. Sedangkan Query Dari Frame memiliki nilai rata – rata Recall 100% dan Precision 73,7%.
Nilai rata – rata Running Time yang diperoleh Query Bukan Frame adalah 271,278 detik dan Query Dari Frame adalah 78,17 detik.
Kata Kunci : Information Retrieval, Sistem temu balik, video retrieval, Haar Wavelet Transform.
ABSTRACT
Content-Based Video Retrieval (CBVR) is used to describe the process of capturing the desired video from a large collection based on features extracted from the video. The extracted feature is used to index, classify and retrieve desired and relevant videos while filtering out unwanted ones. Haar Wavelet Transform is the oldest and simplest wavelet, this algorithm is used for the reason that it is better used to represent the characteristics of texture and shape. The decomposition image with Haar wavelets is a quarter of the size of the original image. The results of testing of 20 videos with the format .mp4 with a query format .jpeg which is divided into 5 categories get an average value of 100%
Recall and Precision 90% of the given Non-Frame Query. Whereas Query From Frame has an average value of Recall 100% and Precision 73.7%. The average Running Time value obtained for Non-Frame Queries is 271,278 seconds and Query From Frame is 78.17 seconds.
Keywords : Information Retrieval, video retrieval, Haar Wavelet Transform
DAFTAR ISI
Halaman
Persetujuan i
Pernyataan ii
Ucapan Terima Kasih iii
Abstrak v
Abstract vi
Daftar Isi vii
Daftar Tabel x
Daftar Gambar xi
BAB 1 Pendahuluan
1.1 Latar Belakang 1
1.2 Rumusan Masalah 2
1.3 Tujuan Penelitian 2
1.4 Batasan Masalah 2
1.5 Manfaat Penelitian 3
1.6 Metodologi Penelitian 3
1.7 Sistematika Penulisan 4
BAB 2 Tinjauan Pustaka
2.1 Information Retrieval 6
2.2 Content Based Video Retrieval 6
2.3 Haar Wavelet Transform 7
2.4 Ekstraksi Fitur 10
2.5 Penelitian Terdahulu 12
BAB 3 Analisis dan Perancangan Sistem
3.1 Analisis Sistem 15
3.1.1 Analisis Masalah 15
3.1.2 Analisis Kebutuhan 17
3.1.2.1 Kebutuhan Fungsional 17
3.1.2.2 Kebutuhan Non Fungsional 17
3.1.3 Diagram Umum Sistem 18
3.2 Pemodelan Sistem 19
3.2.1 Use Case Diagram 19
3.2.2 Activity Diagram 22
3.2.3 Sequence Diagram 24
3.2.4 Flowchart 25
3.3 Perancangan Antarmuka (Interface) 26
3.3.1 Interface Menu About 26
3.3.2 Halaman Menu Video 27
3.3.3 Halaman Menu Home 29
BAB 4 Implementasi dan Pengujian Sistem
4.1 Implementasi Sistem 31
4.1.1 Tampilan Antarmuka Form Home 31
4.1.2 Tampilan Antarmuka Form Video 32
4.1.3 Tampilan Antarmuka About 32
4.2 Pengujian Sistem 33
4.2.1 Koleksi Video 33
4.2.2 Pengujian Sistem dengan Query bukan Frame 34 4.2.3 Pengujian Sistem dengan Query dari Frame 37
4.3 Hasil Pengujian 42
4.3.1 Hasil Pengujian Sistem dengan Query bukan Frame 42 4.3.2 Hasil Pengujian Sistem dengan Query dari Frame 45
4.4 Parameter Pengujian 53
4.4.1 Parameter Pengujian Sistem dengan Query Bukan Frame 53 4.4.2 Parameter Pengujian Sistem dengan Query dari Frame 53 4.5 Grafik Recall, Precision, dan Running Time 56 4.5.1 Grafik Parameter Recall, Precision, Running Time
terhadap Query Bukan Frame 56
4.5.2 Grafik Parameter Recall, Precision, dan Running Time
terhadap Query dari Frame 57
BAB 5 Penutup
5.1 Kesimpulan 58
5.2 Saran 59
Daftar Pustaka 60
DAFTAR TABEL
Tabel 2.1 Penelitian Terdahulu 13
Tabel 3.1 Dokumentasi Naratif Use-Case Mencari Video Relevan
berdasarkan Query 20
Tabel 3.2 Dokumentasi Naratif Use-Case Segmentasi Video 20 Tabel 3.3 Dokumentasi Naratif Use-Case Ekstraksi Keyframe 21 Tabel 3.4 Dokumentasi Naratif Use-Case Ekstraksi Fitur 21 Tabel 3.5 Dokumentasi Naratif Use-Case Pencocokan Fitur 22
Tabel 4.1 Daftar Koleksi Video 34
Tabel 4.2 Daftar Query Bukan Frame 35
Tabel 4.3 Daftar Query dari Frame 37
Tabel 4.4 Hasil Pengujian Sistem dengan Citra Query Bukan Frame 43 Tabel 4.5 Hasil Pengujian Sistem dengan Citra Query dari Frame 46 Tabel 4.6 Hasil Parameter Pengujian Sistem Dengan Query Bukan
Frame 53
Tabel 4.7 Hasil Parameter Pengujian Sistem Dengan Query Dari Frame 54
DAFTAR GAMBAR
Gambar 3.1 Diagram Ishikawa Masalah Penelitian 16
Gambar 3.2 Diagram Umum Sistem 18
Gambar 3.3 Use Case Diagram pada Sistem 19
Gambar 3.4 Activity Diagram Sistem 23
Gambar 3.5 Sequence Diagram Sistem 24
Gambar 3.6 Flowchart Sistem 25
Gambar 3.7 Rancangan Interface Menu About 27
Gambar 3.8 Rancangan Interface Halaman Video 28
Gambar 3.9 Rancangan Interface Halaman Menu Home 29
Gambar 4.1 Halaman Home 31
Gambar 4.2 Halaman Video 32
Gambar 4.3 Halaman About 33
Gambar 4.4 Grafik Running Time Query Bukan Frame 56 Gambar 4.5 Grafik Running Time Query Dari Frame 57
BAB 1 PENDAHULUAN
1.1 Latar Belakang
Selama dua dekade terakhir, optimasi berkelanjutan dilakukan untuk mendukung efektifitas sistem pencarian informasi atau sistem temu balik (information retrieval) dan mendorong mesin pencari web ke tingkat kualitas baru, dimana kebanyakan orang puas dengan hasilnya, sehingga pencarian web telah menjadi standar dan menjadi pilihan utama untuk mencari informasi (Manning, 2009).
Beragam pilihan informasi kini telah dapat dicari dengan information retrieval (IR), mulai dari teks, citra, suara/musik, hingga video.
Teknik video retrieval ada dua, yang pertama adalah berdasarkan kata kunci yang diberikan pada setiap video. Kekurangan dari teknik ini adalah waktu yang dibutuhkan relatif lama dan ketergantungan pada manusia untuk mendeskripsikan suatu video sehingga pendeskripsian menjadi kurang konsisten.
Teknik yang kedua adalah dengan mengindekskan citra bedasarkan isinya seperti warna, bentuk, tekstur, fitur, dan lain sebagainya. Teknik ini dinamakan dengan Content Based Image Retrieval (CBIR). (Utami, 2011).
Content Based Video Retrieval (CBVR) digunakan untuk menggambarkan proses pengambilan video yang diinginkan dari koleksi besar berdasarkan fitur yang diekstraksi dari video. Fitur yang diekstraksi digunakan untuk mengindeks, mengklasifikasikan dan mengambil video yang diinginkan dan relevan sambil memfilter yang tidak diinginkan. “Content” atau konten dalam konteks ini merujuk pada warna, bentuk, tekstur, atau informasi lain yang dapat diperoleh dari video itu sendiri. Tanpa kemampuan untuk memeriksa konten video, pencarian harus bergantung pada metadata seperti keterangan atau kata kunci, yang mungkin sulit atau mahal untuk diproduksi (Patel, 2012).
Langkah-langkah CBVR terdiri 3, yaitu pertama tahap praproses, kemudian ekstraksi fitur, dan terakhir pencocokan fitur. Hasil pada tahap proses adalah keyframe-keyframe yang mewakili video untuk kemudian dilakukan ekstraksi dan pencocokan fitur dilakukan menggunakan Haar Wavelet Transform.
Transformasi wavelet yang digunakan akan menghasilkan empat sub bidang citra
yaitu komponen kiri atas atau approksimasi (LL), komponen kanan atas atau detil horisontal (LH), komponen kiri bawah atau detil vertikal (HL) dan komponen kanan bawah atau detil diagonal (HH). (Prihartono, 2011).
1.2 Rumusan Masalah
Rumusan permasalahan utama yang di bahas dalam penelitian ini adalah Information Retrieval konten video tidak dapat hanya mengandalkan tag yang diberikan oleh pemilik video. Untuk itu dibutuhkan suatu metode pencarian konten video berdasarkan citra query. Dimana dalam penelitian ini akan dilakukan temu kembali objek menggunakan Haar Wavelet Transform.
1.3 Tujuan Penelitian
Penelitian ini bertujuan untuk mengetahui Precission, Recall, dan Running Time pengujian dari query terhadap masing-masing koleksi video.
1.4 Batasan Masalah
Untuk menghindari beberapa penyimpangan atau perluasan yang tidak diperlukan dalam penelitian, penelitian ini akan dibatasi dengan cakupan sebagai berikut:
1. Video yang akan digunakan sebanyak 20 video, yang terbagi menjadi 5 kategori; alat tulis, benda, boneka, botol, dan buah.
2. Durasi video yang digunakan sepanjang 30-60 detik dengan ukuran file maksimal 100 MB.
3. Ukuran pixel video yang digunakan antara 360-1280 pixel.
4. Query yang diberikan berbasis citra.
5. Parameter dalam keberhasilan penelitian ini adalah tingkat keberhasilan Content Based Video Retrieval (CBVR) menggunakan recall, precision, dan running time.
6. Bahasa pemrograman yang digunakan adalah C#.
1.5 Manfaat Penelitian
Penelitian ini diharapkan dapat memberi gambaran kepada pembaca untuk memahami cara kerja temu balik video berbasis konten atau pencarian video dengan query tertentu menggunakan algoritma Haar Wavelet Transform dan pengaruh algoritma tersebut terhadap temu balik video.
1.6 Metodologi Penelitian
Penelitian ini menerapkan beberapa metode penelitian sebagai berikut : 1. Studi Literatur
Pada tahap ini penelitian dimulai dengan mencari referensi dari berbagai sumber terpercaya dan melakukan peninjauan pustaka melalui buku-buku, artikel ilmiah, dan penelitian-penelitian lainnya dalam bentuk jurnal yang berhubungan dengan Content Based Video Retrievel dan Algoritma Haar Wavelet Transform.
2. Pengumpulan dan Analisi data
Pada tahap ini dilakukan pengumpulan data yang akan digunakan dalam penelitian ini seperti cara kerja Content Based Video Retrieval (CBVR) dan fungsi algortima Haar Wavelet Transform bisa bekerja dalam sebuah aplikasi sistem temu kembali informasi agar penulis mengetahui tingkat kemiripan video dengan query yang diinputkan.
3. Perancangan Sistem
Merancang sistem berdasarkan pada batasan masalah dari penelitian ini, meliputi perancangan desain awal, perancangan sistem dengan UML, flowchart dan perancangan user interface.
4. Implementasi
Pada tahap ini pembuatan sistem temu kembali video berbasis konten telah selesai dilaksanakan dan menambahkan data hasil algoritma Haar Wavelet Transform kedalam sistem.
5. Pengujian Sistem
Menguji sistem yang telah dikembangkan.
6. Dokumentasi Sistem
Melakukan pembuatan dokumentasi sistem mulai dari tahap awal hingga pengujian sistem, untuk selanjutnya dibuat dalam bentuk laporan penelitian (skripsi).
1.7 Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari bagian-bagian utama sebagai berikut:
BAB 1. PENDAHULUAN
Dalam bab ini akan dijelaskan latar belakang dari penelitian yang akan dilakukan, rumusan masalah penelitian, tujuan melakukan penelitian, ruang lingkup penelitian, manfaat penelitian, metodologi penelitian, dan sistematika dalam penulisan skripsi ini.
BAB 2. LANDASAN TEORI
Bab ini berisi tentang penjelasan singkat mengenai Content Based Video Retrieval (CBVR), teori-teori dan studi literature terdahulu mengenai Information Retrieval, algoritma Haar Wavelet Transform, Recall, Precision dan beberapa penelitian terdahulu yang relevan.
BAB 3. ANALISIS DAN PERANCANGAN SISTEM
Bab ini secara garis besar menjelaskan tentang hasil penelitian yang telah dilakukan. Menjelaskan implementasi sistem CBVR menggunakan algoritm Haar Wavelet berdasarkan analisis masalah dan kebutuhan sistem, dilanjutkan tahapan perancangan sistem berupa perancangan antar muka sistem dan pembahasan hasil pengujian sistem.
BAB 4. IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab ini membahas hasil penelitian yang dilakukan. Menjelaskan implementasi sistem berdasarkan analisis dan perancangan sistem, skenario pengujian terhadap sistem yang telah dibangun, serta pembahasan hasil pengujian.
BAB 5. KESIMPULAN DAN SARAN
Bab ini merupakan bab terakhir yang menguraikan mengenai kesimpulan yang penulis ambil dari pembahasan pada bab-bab sebelumnya dan saran sebagai masukan terhadap permasalahan yang muncul yang diharapkan dapat bermanfaat bagi pemecahan masalah tersebut.
BAB 2
LANDASAN TEORI
2.1 Information Retrieval
Information Retrieval adalah suatu proses untuk mengidentifikasi, kemudian memanggil (retrieval) suatu dokumen dari suatu simpanan (file), sebagai jawaban atas permintaan informasi (Hasugian, 2003).
Temu kembali citra berbasis konten merupakan proses temu kembali citra dari database yang berisi sekumpulan fitur citra (Yang, 2004).
Secara sederhana, sistem temu kembali (IR) adalah proses mencari dari sebuah kumpulan data kemudian mendapatkan hasil pencarian. Jika ditelusuri prosesnya maka akan terungkap bagaimana perjalanan informasi yang diminta, menjadi informasi yang diberikan.
Tujuan dari sistem IR ini adalah memenuhi kebutuhan informasi pengguna dengan hasil yang paling relevan dalam waktu yang singkat, dengan kata lain tingkat keefektifan yang tinggi.
Berdasarkan jenis data yang dicari, information retrieval terbagi atas 4 bagian, yaitu text retrieval (pencarian teks), image retrieval (pencarian citra/gambar), video retrieval (pencarian video) dan audio retrieval (pencarian suara).
2.2 Content Based Video Retrieval
Temu kembali konten video atau Content Based Video Retrieval (CBVR) merupakan metode temu kembali berkas video berbasis konten berdasarkan fitur visual dari video (Asha & Sreeraj, 2013, dalam Marpaung, 2017). Content Based Video Retrieval membantu pengguna dalam menemukan video yang paling sesuai berdasarkan informasi konten. Pendekatan-pendekatan yang digunakan untuk mengolah informasi konten pada video antara lain histogram warna, bentuk/fitur objek, tekstur, dan analisa teks.
Secara umum, proses dari Content Based Video Retrieval terdiri dari 3 tahap, pertama tahap praproses, kedua ekstraksi fitur, dan yang terakhir pencocokan fitur. Hasil pada tahap proses berupa kumpulan keyframe-keyframe
yang mewakili video untuk kemudian dilakukan ekstraksi dan pencocokan fitur dilakukan menggunakan Haar Wavelet Transform.
2.3 Haar Wavelet Transform
Haar Wavelet adalah wavelet yang paling tua dan sederhana (Subanar, 2009), dan merupakan wavelet pertama yang ditemukan oleh Alfred Haar. Alasan dipilihnya Haar Wavelet karena merupakan metode ini merupakan metode yang lebih bagus digunakan untuk merepresentasikan ciri tekstur dan bentuk (Arora, 2014). Di samping itu Haar Wavelet memerlukan waktu perhitungan yang lebih kecil dari pada transformasi wavelet lainnya, ciri didapat dari citra yang telah melewati proses dekomposisi. Citra hasil dekomposisi tadi akan berukuran 1/4 dari ukuran citra sebenarnya. Keempat subcitra tersebut adalah komponen kiri atas atau approksimasi (LL), komponen kanan atas atau detil horisontal (LH), komponen kiri bawah atau detil vertikal (HL) dan komponen kanan bawah atau detil diagonal (HH).
Haar Wavelet itu ortogonal, dan transformasi maju terbalik hanya membutuhkan penambahan dan pengurangan. Sehingga bisa diimplementasikan dengan mudah komputer.
HT memecah setiap sinyal menjadi dua komponen, satu disebut rata-rata atau trend dan yang lain dikenal sebagai perbedaan atau fluktuasi. Rumus tepat untuk nilai rata-rata sub pertama sinyal, ) pada satu level sinyal, panjang N misalnya f=( ) adalah
√ ,n = 1,2,3,…N/2 dan detail pertama dari sub sinyal, pada level yang sama senilai
√ , n = 1,2,3,…N/2.
Contoh sederhana cara kerja Haar Wavelet. Misalnya gambar 1 dimensi dengan resolusi empat piksel, memiliki nilai-nilai
[6 12 8 6]
Dasar wavelet Haar dapat digunakan untuk mewakili ini gambar dengan menghitung transformasi wavelet. Lihat pasangan piksel (6, 12) dan (8,6), ambil rata-rata setiap pasangan, yaitu 9 dan 7, lalu rekam ini di baris berikutnya.
Kemudian rekam perbedaan rata-rata dari nilai pertama pasangan. Proses ini kemudian diterapkan pada yang baru ini string menghasilkan garis, di mana perbedaannya hanya dibawa turun. Sebagai berikut:
[ 6 12 8 6]
[ 9 7 -3 1 ]
Perbedaan dicatat ke sisi kanan dikenal sebagai koefisien detail. Jadi, gambar asli diuraikan menjadi lebih rendah versi resolusi (dua-pixel) dan sepasang detail koefisien. Proses rekursif rata-rata dan differencing disebut bank filter. Gambar asli dapat direkonstruksi oleh menambahkan dan mengurangkan detail secara rekursif koefisien dari versi resolusi yang lebih rendah.
Sebelum dekomposisi citra, dimensi citra harus berukuran 256x256 pixel dalam format RGB untuk mengurangi kompleksitas proses temu kembali citra.
Dimensi lebar dan tinggi citra harus sama karena proses dekomposisi citra dalam perhitungannya membutuhkan square matrix atau persegi. Langkah-langkah pengambilan nilai RGB pada citra adalah sebagai berikut:
1. Masukkan citra berdimensi 256 x 256 pixel.
2. Lakukan proses pengulangan sebanyak ukuran luas x tinggi citra untuk menentukan nilai warna dari setiap pixel.
3. Ambil nilai red, green, dan blue pada suatu nilai warna RBG di tiap pixel citra dan simpan pada masing-masing array warna yang sesuai.
Hitung transformasi Haar Wavelet dari berbagai sampel n : (Arora, 2014) 1. Menghitung hasil rata-rata dari setiap pasangan sampel (n/2 avarage).
2. Hitung perbedaan antara masing-masing rata-rata dan sampel itu dihitung dari (n/2 differences).
3. Tulis bagian dari array dengan rata-rata (averages).
4. Tulis paruh kedua array dengan perbedaan (differences).
5. Ulangi proses pada paruh pertama dari array. Sementara melakukan proses ini ukuran array harus dibagi dua.
Untuk Haar Transform [5] prosedur tetap sama. Misalnya, terapkan HT 2D ke sinyal 2D terbatas berikut.
I = [
]
Dengan HT 1 dimensi di sepanjang baris pertama, aproksimasi koefisien adalah:
√ dan
√
Transformasi yang sama diterapkan ke baris I lainnya. Dengan mengatur bagian perkiraan masing-masing transformasi baris dalam dua kolom pertama dan bagian detail yang sesuai dalam dua kolom terakhir maka akan mendapatkan hasil sebagai berikut:
√ [
]
Di mana bagian perkiraan dan detail dipisahkan oleh titik-titik di setiap baris. Dengan menerapkan langkah berikut dari HT 1 dimensi ke kolom dari matriks yang dihasilkan, maka akan ditemukan bahwa matriks yang dihasilkan di tingkat pertama adalah:
Maka hasilnya adalah :
Setiap bagian yang ditunjukkan dalam contoh memiliki dimensi (jumlah baris/2) × (jumlah kolom/2) dan masing-masing disebut A, H, V, dan D. A (area perkiraan) termasuk informasi tentang sifat global dari gambar yang dianalisis.
Pemindahan koefisien spektral dari daerah ini mengarah ke distorsi terbesar dalam gambar asli. H (horisontal area) termasuk informasi tentang garis vertikal tersembunyi di gambar. Penghapusan koefisien spektral dari area ini tidak termasuk detail horizontal dari gambar asli. V (area vertikal) berisi informasi tentang garis horizontal yang disembunyikan di gambar. Penghapusan koefisien spektral dari ini area menghilangkan detail vertikal dari aslinya gambar. D (area diagonal) mencakup informasi tentang detail diagonal yang tersembunyi dalam gambar. Penghapusan koefisien spektral dari area ini mengarah ke distorsi minimum pada gambar asli. Untuk mendapatkan nilai di level berikutnya, sekali lagi HT diterapkan seperti sebelumnya pada A. Dengan demikian HT cocok untuk aplikasi ketika matriks gambar memiliki jumlah baris dan kolom sebagai kelipatan dari 2.
Keuntungan dari Haar Wavelet Transform:
Dalam hal waktu komputasi, metode ini menghasilkan kinerja terbaik.
Kecepatan komputasi sangat tinggi.
Haar Wavelet Transform berkaitan dengan kesederhanaan dalam bekerja.
Ini adalah metode yang efisien untuk kompresi gambar.
2.4 Ekstraksi Fitur
Tujuan utama dari metode ini adalah untuk menunjukkan dampak dari Haar Wavelet Transform pada gambar sebagai fitur ekstraksi. Ini adalah kombinasi dari suatu urutan filter low-pass dan high-pass, yang dikenal sebagai a filter bank. Low pass filter melakukan operasi rata-rata/kabur, dan ditulis sebagai berikut:
H=√
Dan operasi pembedaan dilakukan oleh high-pass filter : √
Pada pasangan filter yang berdekatan.
Setelah melakukan transformasi, gambar tersusun dalam empat sub-gambar baru.
Ini mengarah ke gambar kabur danakan menghapus detail, tetapi dalam tiga gambar tersisa yang diwakili secara terpisah. Dengan menggunakan teknik ini kita dapat dengan mudah menyimpan dan mengirimkan gambar. Berikut adalah
contoh transformasi wavelet gambar mendefinisikan empat sub-gambar seperti yang sudah ada dijelaskan.
Gambar 2.1 Sebelum Transformasi
Gambar 2.2 Sesudah transformasi
2.5 Penelitian Terdahulu
Beberapa penelitian yang relevan dengan penelitian yang akan dilakukan oleh penulis adalah sebagai berikut:
Tabel 2.1 Penelitian Terdahulu
Tabel 2.1 di bawah merupakan tabel dari penelitian-penelitian terdahulu.
No Nama Judul Hasil Penelitian
1 Manurung, Widya Mayesti (2018)
Implementasi Content Based Video Retrieval Menggunakan Scale Invariant Feature Transform (SIFT)
Hasil temu kembali video dengan menggunakan algoritma SIFT (Scale Invariant Feature Transform) memperoleh hasil yang cukup baik dan berhasil menampilkan video relevan terhadap citra query.
2 Marpaung, Evi (2017)
Implementasi Content Base Video Retrieval Menggunakan Speeded-Up Robust Features
Mengimplementasikan penggunaan algoritma Speeded-Up Robust Features (SURF) pada ekstraksi fitur dengan diperoleh hasil temu balik video yang berhasil menampilkan video yang relevan dengan query yang diberikan.
3 Putri, Aulia Tarindah (2016)
Implementasi Content Base Image Retrieval Menggunakan Speeded-Up Robust Features
Hasil temu balik citra menggunakan algoritma Speeded Up Robust Features (SURF) dan perbandingan kemiripan citra dengan Euclidean Distance hasil cukup baik dan dapat menampilkan citra yang relevan.
Nilai Threshold serta fitur dari citra yang dicari menentukan hasil temu balik citra.
4 Eriq
Muhammad Adams J dan Denny Sagita R.
Sistem Temu Kembali Citra Berbasis Konten Menggunakan Haar Wavelet
Sistem temu kembali citra dengan menambahkan klasterisasi citra menggunakan algoritma K-Means Clustering dikombinasikan dengan Haar Wavelet Transform dan
(2016) Transform Dan K- Means Clustering
progressive retrieval strategy dapat menambah kecepatan proses temu kembali citra sampai 2,7 kali lipat dan tingkat akurasi (precision) 1,4 kali lipat lebih akurat dari padametode temu kembali citra sebelumnya (Latha, 2007).
5 Teguh Dwi Prihartono, R. Rizal Isnanto, dan Imam
Santoso (2011)
Identifikasi Iris Mata
Menggunakan Alihragam Wavelet Haar
Tingkat pengenalan wavelet Haar aras 1 sebesar 65,27%, aras 2 74,15%, aras 3 76,50%, dan aras 4 81,20% untuk
jumlah satu citra tersimpan pada basis data 1.
BAB 3
ANALISIS DAN PERANCANGAN
3.1 Analisis Sistem
Tahap pertama dalam melakukan perancangan sistem adalah analisis sistem.
Tujuan dari analisis sistem adalah untuk menganalisis persoalan-persoalan yang akan muncul dalam perancangan sistem dan sebagai gambaran hal-hal yang harus dilakukan pada saat proses perancangan sistem. Analisis sistem menjadi langkah awal yang menentukan keberhasilan sistem yang akan dibangun. Jadi, jika terjadi kesalahan pada tahap analisis ini maka akan menyebabkan kesalahan pada tahap- tahap selanjutnya. Terdapat beberapa tahapan dalam tahap analisis sistem yaitu analisis masalah, analisis kebutuhan dan analisis proses. Tujuan analisis masalah adalah untuk mengidentifikasi penyebab-penyebab dari masalah serta memahami kelayakan masalah. Analisis kebutuhan bertujuan untuk mencari tahu dan menjelaskan fungsi-fungsi yang telah disediakan sistem baik kebutuhan fungsional dan non-fungsional. Analisis proses bertujuan untuk mengetahui alur suatu sistem dan tools yang digunakan untuk merancang sebuah sistem.
3.1.1 Analisis Masalah
Analisis masalah memiliki tujuan untuk mengidentifikasi penyebab dari masalah dan memahami lebih lanjut tentang kelayakan masalah yang akan diselesaikan oleh sistem. Seperti yang telah dibahas pada Bab 1 bahwa masalah yang akan dibahas adalah mengenai kemanan dari file yang berisi informasi-informasi yang tidak ingin diketahui oleh pihak ketiga. Masalah tersebut diidentifikasi dengan diagram Ishikawa (fishbone diagram). Diagram Ishikawa adalah alat visual untuk mengidentifikasi, mengeksplorasi, dan secara diagram menggambarkan semua penyebab yang berhubungan dengan suatu permasalahan. Diagram ini menunjukkan sebuah akibat dari permasalahan dengan berbagai penyebabnya.
Selanjutnya masalah yang telah diidentifikasi tersebut digambarkan dengan diagram Ishikawa. Analisi masalah ini secara umum diilustrasikan pada gambar 3.1 yang telah dirancang dalam diagram Ishikawa.
Gambar 3.1 Diagram Ishikawa Masalah Penelitian
Pada gambar 3.1 dapat dilihat bagaimana sistem akan memproses suatu aktifitas pencarian video. Diagram diatas terbagi atas dua bagian yaitu head dan bone. Bone terdiri dari empat segi yaitu material, metode, manusia dan mesin.
Material adalah bahan-bahan yang diperlukan dalam menjalankan sistem, yaitu citra query dan juga koleksi video dengan format .mp4. Metode adalah kebutuhan spesifik dari proses yang berupa ekstraksi fitur menggunakan metode Haar Wavelet Transform. Manusia adalah pengguna yang melakukan proses interaksi dengan sistem yaitu menentukan koleksi video dan citra query yang akan diinputkan. Mesin adalah hal yang dilakukan oleh sistem guna memberikan solusi permasalahan yaitu memecah video menjadi frame lalu memilih frame kunci, ekstraksi fitur dengan algoritma Speeded-Up Robust Features, pencocokan fitur query dengan keyframe pada setiap video serta menampilkan hasil temu balik video.
3.1.2 Analisis Kebutuhan
Analisis kebutuhan ada dua bagian, pertama kebutuhan fungsional dan yang kedua kebutuhan nonfungsional. Kebutuhan fungsional menjelaskan aktivitas yang disediakan suatu sistem. Sedangkan kebutuhan nonfungsional menjelaskan fitur, karakteristik dan batasan lainnya yang dimiliki oleh sistem.
3.1.2.1 Kebutuhan Fungsional
Kebutuhan ini adalah fungsi-fungsi yang harus dipenuhi pada aplikasi yang dirancang. Kebutuhan fungsional yang harus dipenuhi dalam membangun sistem Content Video Based Retrievel menggunakan Metode Haar Wavelet Transform adalah sebagai berikut:
1. Video yang digunakan berformat .mp4 dengan durasi sekitar 10-60 detik dan ukuran file 1-100 MB serta ukuran pixel antara 360 – 1280 pixel.
2. Video yang akan digunakan dibagi menjadi lima kategori yaitu Buah, Botol Minum, Boneka, Alat Tulis, dan Benda.
3. Penelitian dilakukan dengan dua jenis query yang berbeda, jenis query pertama adalah 20 query dari frame pada setiap koleksi video. Sedangkan jenis query kedua adalah query yang diambil dari luar frame yang ada pada setiap koleksi video sebanyak 5 query sesuai dengan kategori yang ada.
4. Parameter untuk menguji hasil temu balik citra adalah waktu proses atau running time dan tingkat keberhasilan sistem temu kembali video (CBVR) dengan metode recall dan precision.
5. Bahasa yang akan digunakan adalah bahasa pemrograman C#.
3.1.2.2 Kebutuhan Non Fungsional
Kebutuhan non-fungsional memiliki karakteristik berikut ini : 1. Performa
Sistem yang akan dibangun harus dapat menunjukkan hasil yang baik dalam proses video retrieval.
2. Interface yang baik
Sistem harus memiliki Interface yang user friendly, artinya sistem ini mudah digunakan serta dimengerti oleh user atau pengguna.
3. Manajemen Kualitas
Sistem atau yang dibangun harus memiliki kualitas yaitu memiliki hasil nilai recall dan precision yang cukup baik dari proses temu balik video serta dapat menghitung nilai running time terhadap tahap penemuan kembali video (Content Based Video Retrieval) yang relevan berdasarkan query yang diberikan oleh pengguna.
3.1.3 Diagram Umum Sistem
Diagram umum sistem CBVR ini dapat dilihat pada gambar 3.2 di bawah ini.
Gambar 3.2 Diagram Umum Sistem
Gambar 3.2 menjelaskan diagram umum sistem. Sistem akan memiliki 4 tahapan proses, yaitu proses memecah video menjadi frame-frame, pemilihan frame kunci yang dapat merepresentasikan koleksi video, melakukan tahap ekstraksi fitur dengan metode Haar Wavelet Transform dan mencocokan fitur yang ada pada query dengan setiap keyframe pada koleksi video yang ada. Sistem
temu kembali video tersebut akan mengembalikan video yang dianggap relevan dengan query yang diberikan oleh pengguna. Waktu proses atau running time selama proses ekstraksi fitur dan proses pengembalian video akan ditampilkan di Label dalam sistem beserta jumlah video yang dikembalikan.
3.2 Pemodelan Sistem
Pemodelan aplikasi bertujuan untuk menggambarkan semua kondisi dan bagian- bagian yang berperan dalam sistem yang dirancang. Pemodelan sistem menekankan pada implementasi sistem secara teknis. Pemodelan sistem merupakan tahap yang digunakan untuk menggambarkan kerja sistem yang akan dibuat. Pemodelan yang akan dibuat menggunakan diagram UML (Unified Modelling Language). Diagram UML yang akan dibuat dalam penelitian ini adalah Use Case Diagram, Activity Diagram, dan Sequence Diagram.
3.2.1 Use-Case Diagram
Untuk menganalisa komponen-komponen yang berperan dalam sistem yang dirancang, penulis menggunakan use-case diagram agar penganalisaan komponen dapat dilakukan dengan mudah. Use case diagram menggambarkan hal yang berhubungan dengan sistem, seperti aktor yang terlibat dan apa saja yang dapat dilakukan oleh sistem. Use-case diagram sistem pada aplikasi yang dirancang dapat dilihat pada Gambar 3.3.
Dokumentasi naratif use-case Mencari Video Relevan berdasarkan Query dapat dilihat pada Tabel 3.1.
Tabel 3.1. Dokumentasi Naratif Use-case Mencari Video Relevan berdasarkan Query
Dokumentasi naratif use-case mencari video relevan berdasarkan query dapat dilihat di tabel 3.1 di bawah ini.
Name Mencari Video Relevan berdasarkan Query.
Actor Pengguna.
Description Mendeskripsikan jalannya proses pencarian video relevan berdasarkan query yang diberikan..
Basic Flow Pengguna memilih menu Mencari Citra Relevan berdasarkan Query untuk mencocokan query yang telah dipilih dengan keyframe yang ada pada setiap koleksi video.
Alternate Flow
- Pre
Condition
Pengguna mengakses menu Mencari Video Relevan berdasarkan Query.
Pre Condition
Sistem akan menampilkan 4 menu pilihan yaitu pilihan Segmentasi Video, Ekstraksi Keyframe, Ekstraksi Fitur dengan Haar Wavelet Transform serta Pencocokan Fitur untuk menampilkan hasil video yang relevan.
Tabel 3.2. Dokumentasi Naratif Use-case Segmentasi Video Berikut adalah tabel dokumentasi naratif use-case segmentasi video.
Name Segmentasi Video
Actor Pengguna
Description Mendeskripsikan jalannya proses memecah video menjadi frame - frame
Basic Flow Pengguna memilih menu Mencari Video Relevan berdasarkan Query lalu memilih video yang akan dipecah menjadi frame Alternate
Flow
- Pre
Condition
Pengguna mengakses menu Segmentasi Video Post
Condition
Sistem akan menampilkan jumlah frame dari video yang telah dipecah
Tabel 3.3. Dokumentasi Naratif Use-case Ekstraksi Keyframe Tabel di 3.3 di bawah ini adalah dokumentasi naratif use-case ekstraksi keyframe.
Name Ekstraksi Keyframe
Actor Pengguna
Description Mendeskripsikan jalannya proses pemilihan frame kunci (keyframe) yang dapat mewakili koleksi video
Basic Flow Pengguna memilih menu Mencari Video Relevan berdasarkan Query lalu menu Segemntasi Video dan sistem akan memilih keyframe atau frame kunci dari frame yang sudah dipecah sebelumnya
Alternate Flow
-
Pre Condition Pengguna mengakses menu Ekstraksi Keyframe Post
Condition
Sistem melakukan pemilihan keyframe dari frame frame yang telah disegmentasi
Tabel 3.4. Dokumentasi Naratif Use-case Ekstraksi Fitur Tabel di 3.4 di bawah ini adalah dokumentasi naratif use-case ekstraksi fitur.
Name Ekstraksi Fitur
Actor Pengguna
Description Mendeskripsikan jalannya proses mengekstrak fitur pada keyframe
Basic Flow Penguna memilih menu Mencari Video Relevan berdasarkan Query lalu sistem akan mengambil nilai nilai fitur yang terdapat pada keyframe
Alternate Flow
- Pre
Condition
Pengguna mengakses menu Ekstraksi Fitur Post
Condition
Sistem akan mengekstrak fitur pada keyframe dan menyimpan nilai fitur yang ada pada keyframe tersebut
Tabel 3.5. Dokumentasi Naratif Use-case Pencocokan Fitur
Tabel di 3.5 di bawah ini adalah dokumentasi naratif use-case pencocokan fitur.
Name Pencocokan Fitur
Actor Pengguna
Description Mendeskripsikan jalannya proses membandingkan dan mencocokan nilai fitur pada keyframe dan query
Basic Flow Penguna memilih menu Mencari Video Relevan berdasarkan Query lalu sistem akan membandingkan dan mencocokkan nilai fitur yang ada pada query dengan setiap keyframe yang ada pada koleksi video
Alternate Flow
-
Pre Condition Pengguna mengakses menu Pencocokan Fitur Post
Condition
Sistem akan membandingkan nilai fitur yang didapatkan dan mengembalikan video dengan nilai kemiripan fitur yang paling besar
3.2.2 Activity Diagram
Activity diagram adalah diagram aktivitas yang mendeskripsikan proses kerja dalam sebuah sistem yang sedang berjalan. Activity diagram terdiri dari dua buah kotak aktivitas, yang mana kotak disebelah kiri menunjukkan aktivitas user, sedangkan kotak disebelah kanan meunjukkan aktivitas sistem. Dalam diagram aktivitas ini dijelaskan proses kerja dari sistem pembangkit kunci, enkripsi, dan dekripsi yang dilakukan oleh pengguna. Activity Diagram dari sistem yang akan dibuat dapat dilihat pada Gambar 3.3.
Gambar 3.4. Activity Diagram Sistem
3.2.3 Sequence Diagram
Sequence Diagram adalah bentuk pemodelan sistem yang menggambarkan hubungan antar objek atau objek yang saling berinteraksi melalui pesan dalam eksekusi atau dengan kata lain menampilkan perilaku software. Diagram ini menggambarkan bagaimana message dikirim dan diterima di antara objek dalam eksekusi operation. Sequence Diagram untuk sistem yang dirancang pada penelitian ini dapat dilihat pada Gambar 3.5.
Gambar 3.5 Sequence Diagram Sistem
Gambar 3.5 menjelaskan user atau objek saling berinteraksi dengan objek lain dalam sistem yang memperlihatkan bagaimana masing-masing objek mengirimkan message untuk perintah yang akan dieksekusi.
3.2.4 Flowchart
Flowchart adalah bagan yang menggambarkan urutan suatu proses secara rinci menggunakan simbol-simbol tertentu dan menggambarkan hubungan satu proses dengan proses lainnya dengan menggunakan tanda panah. Flowchart sistem temu kembali video bisa dilihat pada Gambar 3.6. di bawah ini.
Gambar 3.6 Flowchart Sistem Content Based Video Retrieval menggunakan Haar Wavelet Transform
Keterangan Gambar 3.6 : 1. Mulai
2. Pengguna menentukan/input koleksi video 3. Memecah video menjadi frame frame
5. Pengguna menentukan/input citra query
6. Lakukan proses ekstraksi fitur citra query dan keyframe
7. Lakukan proses pencocokan fitur antara fitur citra query dan fitur keyframe (Frame kunci)
8. Tampilkan hasil temu balik video dan tampilkan jumlah video yang dikembalikan serta running time proses pencocokan citra query dan keyframe 9. Selesai
3.3 Perancangan Antarmuka (Interface)
Perancangan Antarmuka (Interface) merupakan sarana interaksi antara pengguna dan sistem. Hal ini berfungsi untuk membantu pengguna dalam menjalankan proses sistem.
Perancangan antarmuka (interface) dilakukan dengan menggunakan bahasa pemrograman C#. Merancang interface sangatlah penting dalam merancang sebuah sistem untuk mempermudah user dalam memahami dan menggunakan sistem. Sistem yang dirancang akan memiliki 3 buah interface, yaitu Menu About, Menu Video dan Menu Home.
3.3.1 Interface Menu About
Menu About adalah halaman yang pertama kali muncul saat sistem atau program dijalankan. Rancangan Menu About dapat dilihat pada Gambar 3.7.
Gambar 3.7 Rancangan Interface Menu About
Pada Gambar 3.7 ditampilkan rancangan dari Menu About. Pada halaman Menu juga terdapat informasi judul, nama, NIM, logo fakultas, dan Program Studi.
Keterangan gambar:
1. Label : Digunakan untuk menampilkan judul sistem 2. Label : Digunakan untuk menampilkan nama penulis 3. Label : Digunakan untuk menampilkan NIM penulis 4. PictureBox : Digunakan untuk menampilkan logo Universitas 5. Label : Digunakan untuk menampilkan Program Studi 3.3.2 Halaman Menu Video
Halaman Menu Video adalah halaman yang tampil saat user memilih Menu Video. Pada halaman ini user dapat menambahkan video, memutar video, menyimpan video, dan melihat koleksi video. Rancangan halaman Video terdapat pada Gambar 3.8.
JUDUL SKRIPSI
NAMA
NIM
LOGO UNIVERSITAS
PROGRAM STUDI 1
2
3
4
5
Gambar 3.8 Rancangan Interface Halaman Video Keterangan gambar:
1. Textbox : Digunakan untuk menampilkan pencarian video 2. Button : Digunakan untuk memproses pencarian video 3. Button : Digunakan untuk memutar video
4. Label : Digunakan untuk menulis Jumlah Frame
5. TextBox : Digunakan untuk menampilkan nilai Jumlah Frame 6. Label : Digunakan untuk menulis FPS
7. TextBox : Digunakan untuk menampilkan nilai FPS 8. Label : Digunakan untuk menulis Durasi
9. TextBox : Digunakan untuk menampilkan nilai Durasi 10. Button : Digunakan untuk memproses penyimpanan 11. TextBox : Digunakan untuk menampilkan pencarian 12. TextBox : Digunakan untuk menampilkan koleksi video 13. Button : Digunakan untuk memproses Reload
Tambah Video
Info Video
Jumlah Frame : FPS : Durasi :
Cari
Koleksi Video 1
2
3
4 5 6 7 8 9
10
11
12
13
3.3.3 Halaman Menu Home
Gambar 3.9 Rancangan Interface Halaman Menu Home
Keterangan gambar:
1. Picture Box : Digunakan untuk menampilkan citra/gambar
2. TextBox : Digunakan untuk menampilkan nama pencarian gambar 3. Button : Digunakan untuk memproses pencarian gambar
4. Picture Box : Digunakan untuk menampilkan gambar 5. Label : Digunakan untuk menulis Nama
6. TextBox : Digunakan untuk menampilkan Nama 7. Label : Digunakan untuk menulis Panjang 8. TextBox : Digunakan untuk menampilkan Panjang
Citra
Info Nama Panjang
Lebar
Bro
Pencocokan
Res Pros
Info Video Yang Relevan
Waktu Proses
Hasil yang
- Key Frame Nama Lokasi
1 2
3 4
5 6
7 8
9 1
1 1 1
1 1
1 1
1
9. Label : Digunakan untuk menulis Lebar 10. TextBox : Digunakan untuk menampilkan Lebar 11. TextBox : Digunakan untuk menampilkan Hasil 12. Button : Digunakan untuk memproses Reset 13. Button : Digunakan untuk Memproses
14. Label : Digunakan untuk menulis Video Yang Relevan
15. TextBox : Digunakan untuk menampilkan nilai Video yang Relevan 16. Label : Digunakan untuk menulis Waktu Proses
17. TextBox : Digunakan untuk menampilkan nilai Waktu Proses 18. TextBox : Digunakan untuk menampilkan result/hasil yang Relevan
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1. Implementasi Sistem
Tahap implementasi sistem merupakan langkah lanjutan dari tahapan analisis dan perancangan sistem yang dirangkum di bab tiga. Pada tahapan ini, segala hal yang telah di bahas pada tahapan analisis dan perancangan akan diimplementasikan ke dalam bahasa pemrograman C#. Proses dari sistem dan tampilan antarmuka keduanya ditangani menggunakan bahasa C# dengan perangkat lunak yang digunakan adalah Visual Studio dan Library Emgu Cv 2.4.0.1717. Aplikasi ini terdiri dari tiga form utama, yaitu form Home, form Video, dan form About.
4.1.1. Tampilan Antarmuka Form Home
Halaman interface ini merupakan halaman awal saat sistem pertama kali dijalankan, seperti yang ditunjukkan pada gambar 4.1. Pada halaman ini sistem akan melakukan tahap Ekstraksi Fitur pada query yang diberikan dan Keyframe pada koleksi video dengan mengambil nilai fitur dan membandingkan nilai fitur video dengan query yang diplih oleh user. Halaman Home memiliki dua label yang menampilkan informasi waktu yang digunakan dalam proses pencarian (Running Time) dan jumlah hasil dari video yang ditemukan.
4.1.2 Tampilan Antarmuka Form Video
Pada tampilan form Video, sistem akan menampilkan halaman Video. Data koleksi video yang berisi informasi nama video, durasi video, jumlah keyframe dan lokasi video akan ditampilkan pada Data Grid. Pengguna dapat mencari video dalam koleksi video dengan mengetik di Text Box untuk mencari video dari koleksi video yang diinginkan. Pada halaman Video pengguna dapat memutar video yang telah dipilih. Tombol Browse pada halaman Video akan membuka halaman Penambahan Video agar menambah koleksi data video. Gambar 4.2 berikut ini adalah tampilan form Video.
Gambar 4.2 Halaman Video
4.1.3. Tampilan Antarmuka About
Halaman antarmuka ini merupakan halaman yang menunjukkan judul penelitian, data penulis, logo Universitas dan 3 buah menu yaitu : menu Home, menu Video, dan menu About. Halaman ini ditunjukkan pada Gambar 4.3 dibawah ini.
Gambar 4.3 Halaman About
4.2. Pengujian Sistem
Pengujian terhadap sistem dilakukan untuk membuktikan sistem yang telah selesai dibangun berjalan dengan baik serta sesuai dengan analisis serta perancangan sistem yang telah dibuat sebelumnya.
4.2.1. Koleksi Video
Untuk melalukan pengujian terhadap proses pencarian video relevan menggunakan algoritma Haar Wavelet Transform dengan query yang akan terdiri dari 2 jenis yaitu query yang tidak diambil dari frame koleksi video dan query yang dimbil dari frame koleksi video. Koleksi video terdiri dari 20 video yang akan dibagi menjadi 4 kategori. Daftar koleksi video yang digunakan dapat dilihat pada tabel 4.1.
Tabel 4.1 Daftar Koleksi Video Tabel 4.1 di bawah adalah daftar koleksi video.
Kategori Nama Video Durasi (sekon)
Total Frame
Jumlah
Keyframe Keterangan
Alat Tulis
Alat Tulis 1 16 321 21 Pulpen Kuning Alat Tulis 2 18 363 21 Pulpen Ungu Alat Tulis 3 16 323 21 Pulpen Merah
Alat Tulis 4 16 337 20 Pensil
Benda
Benda 1 24 463 18 Gelas Keramik
Benda 2 21 302 21 Teko Keramik
Benda 3 21 367 21 Teko Persegi
Benda 4 22 315 20
Gelas
Boneka
Boneka 1 15 379 16 Boneka Kuda
Boneka 2 16 396 20 Boneka burung
Boneka 3 16 387 20 Boneka Bebek
Boneka 4 16 396 20 Boneka Ayam
Botol
Botol 1 17 416 20 Botol Pink
Botol2 18 438 20 Botol Orange
Botol 3 16 402 21 Tupperware
Botol 4 16 388 21 Botol Hijau
Buah
Buah 1 15 380 20 Apel Merah
Buah 2 16 398 20 Pir
Buah 3 16 399 20 Jeruk
Buah 4 17 408 21 Apel Fuji
Tabel 4.1 berisi koleksi video yang akan diuji, terdiri dari 20 video dengan empat kategori yaitu Alat Tulis, Benda, Boneka, Botol, dan Buah. Setiap video memiliki durasi yang berbeda. Video yang memiliki durasi dan ukuran file yng sama akan memiliki banyak frame dan keyframe yang juga sama. Semakin besar durasi dan ukuran file yang sama maka akan semakin banyak pula jumlah frame dan keyframe yang diperoleh. Setiap kategori dalam koleksi video pada tabel 4.1 memiliki beberapa video dengan informasi yang sama.
4.2.2. Pengujian Sistem dengan Query Bukan Frame
Untuk melakukan pengujian terhadap sistem temu kembali video dengan algoritma Haar Wavelet Transform diberikan query bukan dari frame. Query bukan frame diambil secara acak dan bebas diluar frame - frame hasil segmentasi
koleksi video dengan format .jpg. Query bukan frame terdiri dari empat citra yang mewakili setiap kategori dari data koleksi video. Daftar koleksi Query Bukan Frame dapat dilihat pada tabel 4.2.
Tabel 4.2 Daftar Query Bukan Frame Tabel 4.2 di bawah merupakan tabel daftar query bukan frame.
No Nama Query Kategori Gambar
1 Query 1 Alat Tulis
2 Query 2 Benda
3 Query 3 Boneka
4 Query 4 Botol
5 Query 5 Buah
Query 1 adalah gambar pulpen yang mewakili kategori Alat Tulis, Query 2 adalah gambar gelas keramik yang mewakili kategori Benda, Query 3 adalah gambar boneka kuda yang mewakili kategori Boneka, Query 4 adalah gambar botol orange yang meawakili kategori Botol, dan Query 5 adalah gambar apel
merah yang mewakili kategori Buah. Query Bukan Frame yang dipilih mewakili video dengan informasi terbanyak dalam data koleksi video yang ada.
4.2.3. Pengujian Sistem dengan Query dari Frame
Selain dengan Query Bukan Frame, pengujian terhadap sistem temu kembali video dengan algoritma Haar Wavelet Transform diberikan query yang diambil dari frame koleksi data video. Query dari frame diambil dari setiap video pada semua kategori koleksi video. Pada tabel 4.3 dapat dilihat daftar koleksi Query Dari Frame setiap kategori.
Tabel 4.3 Daftar Query Dari Frame Tabel 4.3 di bawah merupakan daftar query dari frame.
Kategori Nama Query Gambar
Alat Tulis
Alat Tulis 1-144
Alat Tulis 2-180
Alat Tulis 3-240
Alat Tulis 4-119
Benda
Benda 1-230
Benda 2-90
Benda 3-198
Benda 4-304
Boneka
Boneka 1-209
Boneka 2-260
Boneka 3-95
Boneka 4-360
Botol
Botol 1-231
Botol 2-176
Botol 3-200
Botol 4-133
Buah
Buah 1-171
Buah 2-220
Buah 3-280
Buah 4-380
Data Query Dari Frame yang dapat dilihat pada tabel 4.3 yang berasal dari setiap frame hasil tahap segmentasi video pada koleksi video semua kategori.
Frame yang dipilih secara acak akan digunakan sebagai query yang akan diuji.\
4.3. Hasil Pengujian
Pengujian terhadap data koleksi video sebanyak 20 video yang dibagi menjadi empat kategori dilakukan dengan membandingkan dua jenis query, Query Bukan Frame sebanyak empat gambar yang mewakili setiap kategori dan Query Dari Frame sebanyak 20 gambar yang mewakili setiap koleksi video.
Sistem akan menampilkan video yang relevan dengan citra query, sehingga pengguna dapat melihat hasil temu balik video yang relevan serta menilai kualitas video berdasarkan jumlah video relevan maupun jumlah seluruh video yang dikembalikan.
4.3.1. Hasil Pengujian Sistem dengan Query bukan Frame
Query Bukan Frame terdiri dari empat gambar yang mewakili setiap kategori, yaitu kategori Alat Tulis menggunakan citra alattulis2.jpg sebagai query, kategori Benda menggunakan citra benda1.jpg sebagai query, kategori Boneka menggunakan citra boneka1.jpg sebagai query, kategori Botol menggunakan citra botol3.jpg sebagai query,dan kategori Buah menggunakan citra buah1.jpg sebagai query . Hasil pengujian proses pencarian video relevan dengan citra query yang mewakili setiap kategori sepertiyang d pada Tabel 4.4.
Tabel 4.4 Hasil Pengujian Sistem dengan Citra Query Bukan Frame Hasil pengujian sistem dengan citra query bukan frame terdapat dalam tabel 4.4 di bawah ini.
Nama Query
Gambar Hasil Hasil
Pencarian Query
1
Ditemukan
Query 2
Ditemukan
Query 3 Ditemukan
Query 4 Ditemukan
Query 5 Ditemukan
Pada Tabel 4.4 dapat dilihat hasil pencarian dari Query Bukan Frame pada form Home yang berisi informasi waktu proses pengembalian video dan jumlah hasil video yang ditemukan.
4.3.2. Hasil Pengujian Sistem dengan Query dari Frame
Pada Tabel 4.5 dapat dilihat hasil pengujian sistem temu balik video dengan query yang diambil dari frame data koleksi video. Frame yang digunakan berformat .jpg dan dipilih secara acak dari kumpulan frame koleksi video.
Tabel 4.5 Hasil Pengujian Sistem dengan Citra Query dari Frame
Hasil Pengujian Sistem dengan Citra Query dari Frame terdapat dalam tabel 4.5 di bawah ini.
Kategori Nama Query
Gambar Hasil Hasil
Pencarian Alat
Tulis 1
Ditemukan
Alat Tulis 2
Ditemukan
Alat Tulis
Alat Tulis 3
Ditemukan
Alat Tulis 4
Ditemukan
Benda Benda 1 Ditemukan
Benda 2 Ditemukan
Benda 3 Ditemukan
Benda 4 Ditemukan
Boneka
Boneka 1 Ditemukan
Boneka 2 Ditemukan
Boneka 3 Ditemukan
Boneka 4 Ditemukan
Botol Botol 1 Ditemukan
Botol 2 Ditemukan
Botol 3 Ditemukan
Botol 4 Ditemukan
Buah Buah 1 Ditemukan
Buah 2 Ditemukan
Buah 3 Ditemukan
Buah 4 Ditemukan
Pada Tabel 4.5 dapat dilihat hasil pencarian dari Query Dari Frame pada form Home yang berisi informasi waktu proses pengembalian video dan jumlah hasil video yang ditemukan.
4.4. Parameter Pengujian
Parameter pengujian untuk menguji kualitas sistem Content Based Video Retrieval adalah nilai Recall, Precision, dan Running Time (sekon).
𝑅𝑒𝑐 𝑙𝑙 = |{𝑅𝑒𝑙𝑒𝑣 𝑛 𝑜𝑐𝑢𝑚𝑒𝑛𝑡𝑠} ∩ { 𝑜𝑐𝑢𝑚𝑒𝑛𝑡𝑠 𝑟𝑒𝑡𝑟𝑖𝑒𝑣𝑒 }|
|{𝑟𝑒𝑙𝑒𝑣 𝑛𝑡 𝑜𝑐𝑢𝑚𝑒𝑛𝑡𝑠}|
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = |{𝑅𝑒𝑙𝑒𝑣 𝑛 𝑜𝑐𝑢𝑚𝑒𝑛𝑡𝑠} ∩ { 𝑜𝑐𝑢𝑚𝑒𝑛𝑡𝑠 𝑟𝑒𝑡𝑟𝑖𝑒𝑣𝑒 }|
|{ 𝑜𝑐𝑢𝑚𝑒𝑛𝑡𝑠 𝑟𝑒𝑡𝑟𝑖𝑒𝑣𝑒 }|
4.4.1. Parameter Pengujian Sistem dengan Query Bukan Frame
Tabel 4.6 Hasil Parameter Pengujian Sistem Dengan Query Bukan Frame Nama
Query
Jumlah Video Ditemukan
Video Relevan Video
Tidak Relevan
Running Time (Detik)
Recall Precision Ditemukan Database
Query
1 1 1 1 0 69,20
1 (100%)
1 (100%) Query
2 1 1 1 0 205,28
1 (100%)
1 (100%) Query
3 2 1 1 1 339,09
1 (100%)
0,50 (50%) Query
4 1 1 1 0 247,05
1 (100%)
1 (100%) Query
5 1 1 1 0 495,87
1 (100%)
1 (100%)
Pada Tabel 4.6 dapat dilihat hasil pengujian terhadap citra query yang mewakili kategori Alat tulis diperoleh nilai recall 100% dan nilai precision 100%.
Video relevan yang dikembalikan sebanyak 1 video dari 1 video relevan yang terdapat dalam database koleksi video. Jumlah video relevan yang dikembalikan sistem adalah 1 video. Proses penemuan kembali memerlukan waktu / Running Time 69,20 detik. Pada pengujian terhadap citra query yang mewakili kategori Benda diperoleh nilai recall 100% dan nilai precision 100%. Semua video relevan yang terdapat didalam database dikembalikan oleh sistem. Jumlah video relevan yang dikembalikan sistem sebanyak 1 video. Proses penemuan kembali memerlukan waktu / Running Time 205,28 detik. Pada pengujian terhadap citra query yang mewakili kategori Boneka diperoleh nilai recall 100% dan nilai precision 50%. Video relevan yang dikembalikan sebanyak 1 video dari 1 video
relevan yang terdapat dalam database koleksi video. Jumlah video relevan yang dikembalikan sistem sebanyak 2 video. Proses penemuan kembali memerlukan waktu / Running Time 339,09 detik. Pada pengujian terhadap citra query yang mewakili kategori Botol diperoleh nilai recall 100% dan nilai precision 100%.
Video relevan yang dikembalikan sebanyak 1 video dari 1 video relevan yang terdapat dalam database koleksi video. Jumlah video relevan yang dikembalikan sistem sebanyak 1 video. Proses penemuan kembali memerlukan waktu/Running Time 247,05 detik. Pada pengujian terhadap citra query yang mewakili kategori Buah diperoleh nilai recall 100% dan nilai precision 100%. Video relevan yang dikembalikan sebanyak 1 video dari 1 video relevan yang terdapat dalam database koleksi video. Jumlah video relevan yang dikembalikan sistem sebanyak 1 video.
Proses penemuan kembali memerlukan waktu / Running Time 495,87 detik.
4.4.2. Parameter Pengujian Sistem dengan Query dari Frame
Tabel 4.7 Hasil Parameter Pengujian Sistem Dengan Query Dari Frame Tabel 4.7 di bawah ini adalah tabel Hasil Parameter Pengujian Sistem Dengan Query Dari Frame.
Kategori Nama Query
Jumlah Video Ditemukan
Video Relevan
Video Tidak Relevan
Running Time (Detik)
Recall Precision Ditemukan Database
AlatTulis
1-244 1 1 1 0 41,67 1
(100%) 1
(100%) AlatTulis
2-180
1 1 1 0 73,24 1
(100%) 1
(100%)
Alat Tulis
AlatTulis 3-240
1 1 1 0 85,46 1
(100%) 1 (100%)
Alat 1
Tulis 4- 1 1 1 0 112,17 1
(100%) (100%)
Benda 1-
230 1 1 1 0 33,31 1
(100%) 1 (100%) Benda 2-
90 1 1 1 0 66,52 1
(100%) 1 (100%)
