Volume VIII tahun 2016 ISSN: 1907-3526
SRITI
2 0 1 6
Proceeding
Seminar Nasional
Riset Teknologi Informasi 2016
Peluang Riset dan Inovasi Bisnis Menggunakan Internet of Things
Yogyakarta, 30 Juli 2016
Cloud Computing Data Mining dan Data Warehouse Kecerdasan Buatan Komputasi Komunikasi Data dan Jaringan Komputer Mobile Computing Multimedia dan Grafika Pemodelan dan Aplikasi Sistem Informasi Pengolahan Citra Pengolahan Sinyal Teknologi Basis Data Simulasi dan Permainan Komputer Sistem Kendali dan Robotika
Diselenggarakan Oleh:
YAYASAN PENDIDIKAN WIDYA BAKTI
SRITI
2 0 1 6
Proceeding
Seminar Nasional
Riset Teknologi Informasi 2016
Peluang Riset dan Inovasi Bisnis Menggunakan Internet of Things
Yogyakarta, 30 Juli 2016
Diselenggarakan Oleh:
YAYASAN PENDIDIKAN WIDYA BAKTI STMIK
A K AKOM
Y O G Y A K A R T A Steady, Advancing, Respectable
SUSUNAN PANITIA SRITI 2016
PROGRAM COMMITEE
Prof. H. Adhi Susanto, M.Sc., Ph.D. (STMIK AKAKOM) Ir. P. Insap Santosa, M.Sc., Ph.D. (Universitas Gadjah Mada) Drs. Agus Harjoko, M.Sc., Ph.D. (Universitas Gadjah Mada)
Dr. L.T. Handoko (Lembaga Ilmu Pengetahuan Indonesia) Dr. Sri Kusumadewi (Universitas Islam Indonesia) Dr. Enny Itje Sela, S.Si., M.Kom. (STMIK AKAKOM)
Dr. Anastasia Widiarti (Universitas Sanata Dharma)
Dr. Bambang Purnomosidi D.P., SE., Ak., S.Kom., MMSI (STMIK AKAKOM) Dr. Edy Winarno, S.T., M.Eng. (Universitas Stikubank)
PELAKSANA SEMINAR Pelindung
Ketua STMIK AKAKOM Yogyakarta Penanggungjawab
Kepala Pusat Penelitian Pengembangan dan Pengabdian pada Masyarakat
PANITIA Ketua
Aloysius Agus Subagyo, S.E., M.Si.
Bendahara C. Sri Hastiwi, S.E.
Sekretariat, Publikasi dan Kerjasama Lucia Nugraheni Harnaningrum, S.Si., M.T.
Agung Budi Prasetyo, S.Kom., M.Kom.
Sumiyatun, S.Kom.
Materi dan Acara
Deborah Kurniawati, S.Kom., M.Cs.
Indra Yatini Buryadi S., S.Kom., M.Kom.
Pius Dian Widi Anggoro, S.Si., M.Cs.
Sutrisna
Perlengkapan dan Dokumentasi Totok Budioko, S.T., M.T.
Adiyuda Prayitna, S.T., M.Eng.
KATA PENGANTAR
Puji syukur kehadirat Tuhan Yang Maha Esa, atas berkat Anugerah dan Kasih-Nya, kami dapat menyelesaikan penyusunan proceeding SRITI 2016 ini. Buku ini memuat naskah hasil penelitian dari berbagai bidang kajian yang telah dipresentasikan pada Seminar Riset Teknologi Informasi (SRITI) 2016. Seminar Riset Teknologi Informasi (SRITI) ini merupakan agenda Pusat Penlitian dan PPM STMIK AKAKOM Yogyakarta dan sekaligus sebagai rangkaian dari peringatan 37 tahun STMIK AKAKOM.
Naskah-naskah yang dikirim kepada panitia merupakan naskah yang sudah siap dipublikasikan. Selanjutnya, naskah tersebut direview oleh para pakar dibidangnya. Naskah yang sudah direview ini kemudian dipresentasikan oleh masing-masing pemakalah. Atas beberapa catatan yang ada pada saat presentasi, para pemakalah kemudian melakukan perbaikan, dan naskah hasil perbaikan inilah yang kemudian kami sajikan dalam proceeding SRITI 2016.
Meskipun kegiatan seminar dan pendokumentasian naskah dalam proceeding ini telah dipersiapkan dengan baik, namun kami menyadari masih terdapat banyak kekurangan. Untuk itu, panitia mohon maaf yang sebesar-besarnya. Panitia mengucapkan terima kasih atas kepercayaan dan kerjasamanya dalam kegiatan SRITI 2016 ini. Kritik dan saran perbaikan untuk penyempurnaan di masa mendatang dapat dikirimkan melalui e-mail [email protected].
Kepada semua pihak yang terlibat, baik secara langsung maupun tidak langsung dalam penyusunan proceeding SRITI 2016, panitia mengucapkan terimakasih.
Yogyakarta, Agustus 2016 Panitia SRITI 2016
Ketua Pelaksana
Al. Agus Subagyo, S.E., M.Si.
DAFTAR ISI
HALAMAN JUDUL ... i
SUSUNAN PANITIA SRITI 2016 ... ii
KATA PENGANTAR ... iii
DAFTAR ISI ... iv
MAKALAH: ALGORITMA GENETIKA UNTUK OPTIMASI STRUKTUR ANFIS ... 1
Ariesta Damayanti, Rudy Cahyadi ANALISA PENGARUH LOY ALITAS DAN STRES KERJA TERHADAP MOTIVASI KERJA TENAGA KEPENDIDIKAN DI BAGIAN AKADEMIK STMIK AKAKOM YOGYAKARTA ... 8
Heru Agus Triyanto, Dara Kusumawati ANALISIS ALOKASI MEMORI CITRA BITMAP 24 BIT ... 15
Thomas Edyson Tarigan ANALISIS ASPEK EMOSIONAL PADA ELEMEN DESAIN WARNA DAN BENTUK 22 Efrans Christian, Djoko Budiyanto S., Y. Sigit Purnomo W. P. ANALISIS DAN PERANCANGAN SISTEM INFORMASI PEMBAYARAN BIAYA STUDI MAHASISWA DI STMIK AKAKOM YOGYAKARTA MENGGUNAKAN PIECES FRAMEWORK ... 30
Cosmas Haryawan, Aloysius Agus S. ANALISIS KUALITAS SISTEM INFORMASI AKADEMIK BERDASARKAN PERSEPSI MAHASISWA STMIK AKAKOM YOGYAKARTA ... 38
Hera Wasiati, Sudarmanto ANALISIS PELACAKAN OBJEK MOBIL DENGAN OPTICAL FLOW PADA KAMERA DIAM DAN BERGERAK ... 48
Wahyu Supriyatin, Winda Widya Ariestya ANALISIS PERBANDINGAN KECEPATAN DOWNLOAD FILE PADA BERBAGAI PROTOKOL JARINGAN ... 57
Wagito APLIKASI AR-RECONSTRUCTION SEBAGAI PENDUKUNG REKONSTRUKSI BANGUNAN KOLONIAL ... 64
Veronika Widi Prabawasari, Sarifuddin Madenda, Adang Suhendra APLIKASI ASISTEN PRAKTIKUM MENGGUNAKAN NODEJS DAN DATABASE MONGODB (STUDI KASUS LAB STMIK AKAKOM) ... 73
Ahmad Rohman, Indra Yatini B APLIKASI PENGELOLAAN SKRIPSI DI STMIK AKAKOM YOGYAKARTA MENGGUNAKAN ARSITEKTUR MICROSERVICE DENGAN Node.js ... 83
Heri Purnama, Indra Yatini B
ARSITEKTUR INFORMASI PENYELENGGARAAN URUSAN INDUSTRI DAN
PERDAGANGAN PEMERINTAH PROVINSI ... 89
Indri Koesnadi
DESAIN DAN IMPLEMENT ASI SMART HOME SYSTEM PENGENDALI LAMPU RUMAH BERBASIS ARDUINO MEGA ... 99 Soleh, Andi Susilo
EVALUASI USABILITAS PADA APLIKASI VIRTUAL REALITY UNTUK
PENDIDIKAN: STUDI KASUS BIOTA LAUT VR ... 107 Erick Paulus, Mira Suryani, Riva Farabi
FAKTOR-FAKTOR YANG MEMPENGARUHI PENERIMAAN MOBILE BANKING STUDI KASUS : BRI CABANG BAJAWA ... 114 Yasinta Oktaviana L.Rema, Djoko Budianto Setyohadi
IMPLEMENTASI KONSEP APPRECIATIVE INQUIRY DALAM MODEL GAMIFIKASI PADA E-MARKETPLACE ... 122 Acun Kardianawati, Hanny Haryanto, Umi Rosyidah
IMPLEMENTASI PENGOLAHAN CITRA UNTUK PENGENALAN CITRA BENDERA NEGARA BERDASARKAN WARNA ... 128 Margi Cahyanti, Ravi A. Salim, Moch. Wisuda S.
INTEGRASI DAN AKSES DATA MULTI DATABASE MENGGUNAKAN
FRAMEWORK YII ... 138 Badiyanto
INTEGRASI DATA MORBIDITAS PASIEN RAWAT JALAN DI DINAS KESEHATAN KABUTEN BANTUL ... 148 Totok Suprawoto, Enny Itje Sela, Syamsu Windarti
KAJIAN THINNING AKSARA SUNDA MENGGUNAKAN ALGORITMA KWON-GI- KANG ... 158 Michael Kevin, Anastasia Rita Widiarti
KOMUNIKASI DATA MOBILE DEVICE DENGAN NEAR FIELD
COMMUNICATION ... 164 LN Harnaningrum, F Wiwiek Nurwiyati
MEMBANGUN SISTEM INFORMASI PELAYANAN PERIZINAN TERPADU BPMPPT KABUPATEN BELU ... 170 Yapie Yosafat Biredoko, Landung Sudarmana
MEMBANGUN SISTEM PENUNJANG KEPUTUSAN UNTUK INVESTASI SAHAM DENGAN METODE SAW ... 178 Ignatius Joko Dewanto, MF. Arrozi
MENINGKATKAN KEAMANAN PORT KNOCKING DENGAN KOMBINASI SPECIAL FEATURES ICMP, SOURCE PORT, DAN TUNNELING ... 187 Edy Haryanto, Widyawan, Dani Adhipta
OPTIMASI PENJADWALAN KOAS DENGAN METODE BRANCH AND PRICE ... 195 Pulut Suryati, Subanar
PEMINATAN JURUSAN SMA MENGGUNAKAN LEARNING VECTOR
QUANTIZATION ... 204 Edy Prayitno, Achmad Lukman
PEMODELAN ALGORITMA GAXPY PADA SISTEM MULTIPROSESOR ... 213
Tri Prabawa
PENENTUAN REKOMENDASI PRODUK DENGAN METODE DATA MINING
ASOSIASI GENERALIZED SEQUENCE PATTERN (GSP) ... 218 Elly Muningsih
PENERAPAN SWRL (SEMANTIC WEB RULE LANGUAGE) PADA DOMAIN
ONTOLOGI UNIVERSITAS ... 225 Lasmedi Afuan, Khabib Mustofa
PENGEMBANGAN E-GOVERNMENT (STUDI KASUS DI BAPPEDA KABUPATEN BANTUL) ... 231 Robby Cokro Buwono
PENINGKATAN KUALITAS CITRA X-RAY PARU-PARU MENGGUNAKAN
CONTRAST LIMITED ADAPTIVE HISTOGRAM EQUALIZATION DAN GAUSSIAN FILTER ... 241 Maria Mediatrix Sebatubun
PERANCANGAN ARSITEKTUR SISTEM INFORMASI ENTERPRISE MENG-
GUNAKAN KERANGKA ZACHMAN PADA PT. SUMBER BUANA MOTOR ... 248 Erik Setiawan
PERANCANGAN MEDIA EDUKASI PENCEGAHAN PENYAKIT DIARE
PADA ANAK ... 255 Sari Setyaning Tyas, Nur Salamah
PERANCANGAN SISTEM INFORMASI PENENTUAN BIAYA PRODUKSI MELALUI SATU DEPARTEMEN PRODUKSI MENGGUNAKAN METODE JOB ORDER
COSTING PADA INDUSTRI MIKRO DAN KECIL ... 260 Sur Yanti
PERANCANGAN VLAN PADA LAB. TI UNIVERSITAS XYZ ... 266 Johanes Fernandes Andry, Honni
PERBANDINGAN AHP DAN SAW UNTUK PEMILIHAN PEGAWAI TERBAIK (STUDI KASUS: STMIK AKAKOM Yogyakarta) ... 274 Teguh Bambang Sunardi, Danny Kriestanto
PEREKAYASAAN MODEL SISTEM INFORMASI E-LEARNING MENGGUNAKAN MODIFIKASI TECHNOLOGI ACCEPTANCE MODEL UNTUK PEMBELAJARAN SISWA SEKOLAH MENENGAH KEJURUAN ... 283 Y.Yohakim Marwanta
PERENCANAAN STRATEGIS SISTEM INFORMASI MENGGUNAKAN TOGAF
(STUDI KASUS : UNIVERSITAS SATRIA MAKASSAR) ... 294 Ardhyansyah Mualo, A. Djoko Budiyanto
PRINCIPLE COMPONENT ANALYSIS PADA EKSTRAKSI CIRI BAHAN BAKAR MINYAK ... 305 Dini Fakta Sari
PROTOTYPE PENGEMBANGAN APLIKASI EINFORMATION MENGGUNAKAN
METODE USER CENTERED DESIGN DI STIKOM DINAMIKA BANGSA JAMBI
... 311
Ibnu Sani Wijaya, Agus Siswanto
RANCANG BANGUN PEMELIHARA LELE OTOMATIS DENGAN PENGATURAN WAKTU MAKAN DAN PENJAGAAN KUALITAS AIR MENGGUNAKAN
ATMEGA328 ... 316 Priadhana Edikresnha, Hardiansyah, Eka Budhy Prasetya
REKAYASA APLIKASI PENCARI RUTE LOKASI INDUSTRI MENGGUNAKAN
ALGORITMA ANT COLONY SYSTEM ... 324 Anwar Hidayat , Agung Budi Prasetyo
SELEKSI CIRI SUARA JANTUNG PADA DOMAIN WAKTU DAN FREKUENSI ... 332 Domy Kristomo, Achmad Rizal, Adi Kusjani
SISTEM INFORMASI AKADEMIK STMIK PGRI TANGERANG MENGGUNAKAN ENTERPRISE ARCHITECTURE PLANNING (EAP) ... 338 Didi Kurnaedi
SISTEM INFORMASI GEOGRAFIS PERTUMBUHAN HOTEL DI KABUPATEN
BANTUL ... 347 Ridwan, Ridi Ferdiana, Silmi Fauziati
SISTEM MONITORING SUHU JARAK JAUH BERBASIS INTERNET OF THINGS MENGGUNAKAN PROTOKOL MQTT ... 353 Totok Budioko
SISTEM PEMEROLEHAN INFORMASI KARYA ILMIAH BERBASIS CLUSTER
DENGAN G-MEANS CLUSTERING ... 359 Agustinus Agri Ardyan, J.B. Budi Darmawan
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN MAKALAH SEMINAR
TERBAIK ... 362 Deborah Kurniawati, Azhari S.N.
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN JURUSAN BAGI CALON
MAHASISW A BARU STMIK AKAKOM ... 369 Sari Iswanti, Ari Lutfiani
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA KARYAWAN
MENGGUNAKAN METODE ANALYTICAL HIERARCHY PROCESS (AHP) .... 378 Endang Wahyuningsih
TINGKAT KEMATANGAN BUAH PEPAYA DENGAN JARINGAN SYARAF LVQ 388
Hidayat Wahyu Prahara , Enny Itje Sela
IMPLEMENTASI PENGOLAHAN CITRA
UNTUK PENGENALAN CITRA BENDERA NEGARA BERDASARKAN WARNA
Margi Cahyanti
1), Ravi A. Salim
2), dan Moch. Wisuda S
3)1, 2)Sistem Informasi Universitas Gunadarma Jalan Margonda Raya no.100
e-mail: [email protected]1), [email protected]12), [email protected]13)
ABSTRAK
Citra merupakan gambar yang dapat dihasilkan melalui beberapa perangkat keras seperti komputer (webcam), camera, bahkan telepon selular (handphone). Citra yang dihasilkan dapat diolah menggunakan perangkat lunak yang umum digunakan yaitu Adobe Photoshop dan Photoscape. Proses pengolahan citra melalui perangkat lunak tersebut dapat mengubah citra secara warna, bentuk, dan ukuran. Salah satu bentuk citra yang umum adalah citra digital, dimana citra tersebut sering diunggah untuk keperluan program yang bersifat online.
Dalam pencarian sebuah citra yang diinginkan dalam jejaring internet telah menjadi sulit dikarenakan penamaan file citra yang beragam tetapi hasil yang sama. Setiap citra yang akan diperoleh akan menghasilkan nilai RGB yang berbeda bagi setiap citra. Teknik yang digunakan untuk mencocokkan nilai RGB dari setiap citra yang di- peroleh adalah similarity.
Dari permasalahan diatas, penulis bermaksud membuat sebuah aplikasi yang menerapkan teknik similarity Manhattan City, untuk mencocokan citra yang dicari dengan citra yang terdapat dalam database. Pencocokan citra dilakukan berdasarkan nilai selisih antara nilai RGB dari citra inputan dengan nilai RGB dari citra data- base. Metode tersebut diterapkan dalam program untuk mendapatkan hasil kemiripan yang sesuai bagi tiap citra sehingga memperoleh informasi nama citra yang di input.
Kata Kunci: citra digital, database, RGB,similarity
I. P
ENDAHULUANitra terdiri dari dua jenis, yaitu citra kontinu dan citra diskrit. Citra kontinu dihasilkan dari sistem optik yang menerima sinyal analog, misalnya mata manusia dan kamera analog. Citra diskrit dihasilkan melalui proses digitalisasi terhadap citra kontinu. Beberapa sistem optik dilengkapi dengan fungsi digitalisasi se- hingga mampu menghasilkan citra diskrit, misalnya kamera digital dan scanner. Citra diskrit disebut juga citra digital. Komputer yang umum dipakai saat ini dapat digunakan untuk mengolah citra digital. [6]
Setiap citra yang akan diperoleh akan menghasilkan nilai RGB yang berbeda bagi setiap citra. Teknik yang digunakan untuk memcocokkan nilai RGB dari setiap citra yang diperoleh disebut similarity.
Dalam tulisan ini mengimplementasikan metode Manhattan City pada pengolahan citra dengan 188 data citra bendera negara sebagai database, 188 sampel data merupakan citra berobjek bendera negara di dunia. Setiap citra dalam database tersebut berukuran sama yaitu, 120x80 piksel.
Menerapkan metode Manhattan City untuk pencocokan citra. Pencocokkan citra dilakukan berdasarkan nilai selisih antara nilai RGB dari citra inputan dengan nilai RGB dari citra database. Metode tersebut diterapkan dalam program untuk mendapatkan hasil kemiripan yang sesuai bagi tiap citra sehingga memperoleh informasi nama citra yang di input.
Agar dapat diolah dengan komputer, maka suatu citra harus direpresentasikan secara numerik dengan nilai- nilai diskrit. Representasi citra dari fungsi kontinu menjadi nilai-nilai diskrit disebut digitalisasi. Citra yang dihasilkan inilah yang disebut citra digital (digital image). Pada umumnya citra digital berbentuk empat persegi panjang, dan dimensi ukurannya dinyatakan sebagai tinggi * lebar. [8]
Citra digital yang tingginya N, lebarnya M, dan memiliki L derajat kebuan dapat dianggap sebagai fungsi [9]:
L f
N y
M x y x f
0 0 0 ) ,
( (1)
Citra digital yang berukuran N x M lazim dinyatakan dengan matriks yang berukuran N baris dan M kolom sebagai berikut [8] :
C
) 1 , 1 ( ...
) 1 , 1 ( ) 0 , 1 (
) . 1 ( ...
) 1 , 1 ( )
0 , 1 ) (
, (
M N f N
f N
f
M f f
y f x
f
(2)
Indeks baris (i) dan indeks kolom (j) menyatakan suatu koordinat titik pada citra,sedangkan f(i, j) merupakan intensitas derajat keabuan pada titik (i, j). [8]
Masing-masing elemen pada citra digital (berarti elemen matriks) disebut image element, picture element atau pixel. Jadi citra yang berukuran N x M mempunyai NM buah pixel. Sebagai contoh, sebuah citra yang beruku- ran 256 x 256 pixel yang memiliki 65536 buah pixel direpresentasikan secara numerik dengan matriks yang terdiri dari 256 baris (diindeks dari 0 sampai 255) dan 256 kolom (diindeks dari 0 sampai 255) seperti contoh berikut [8]
:
156 ...
...
213 219 221
120 ...
...
189 187 220
197 ...
...
201 167 0
231 ...
...
145 134 0
(3)
Pixel pertama pada koordinat (0, 0) mempunyai nilai intensitas 0 yang berarti warna pixel tersebut hitam, pixel kedua pada koordinat (0, 1) mempunyai intensitas 134 yang berarti warnanya antara hitam dan putih, dst. [8]
Proses digitalisasi citra ada 2 tahap, diantaranya [8] : 1. Digitalisasi spasial (x, y), sering disebut sampling 2. Digitalisasi intensitas f (x, y), sering disebut kuantisasi.
Citra digital merupakan representatif dari citra yang diambil oleh mesin dengan bentuk pendekatan berdasar- kan sampling dan kuantisasi. Sampling menyatakan besarnya kotak-kotak yang disusun dalam baris dan kolom.
Dengan kata lain, sampling pada citra menyatakan besar kecilnya ukuran titik (pixel) pada citra, dan kuantisasi menyatakan besarnya nilai tingkat kecerahan yang dinyatakan dalam nilai tingkat keabuan (grayscale) sesuai dengan jumlah bit biner yang digunakan oleh mesin. Dengan kata lain, kuantisasi pada citra menyatakan jumlah warna yang ada pada citra. [8]
Digitalisasi Spasial (Sampling)
Citra kontinu di-sampling pada grid-grid yang berbentuk bujursangkar (kisi-kisi dalam arah horizontal dan vertikal) seperti yang ditampilkan pada gambar 1. [8]
Gambar 1. Digitalisasi secara spasial (sampling)
Terdapat perbedaan antara koordinat gambar yang di-sampling dengan koordinat matriks (hasil digitalisasi).
Titik asal (0, 0) pada citra dan elemen (0, 0) pada matriks tidak sama. Koordinat x dan y pada citra dimulai dari sudut kiri bawah, sedangkan penomoran pixel pada matriks dimulai dari sudut kiri atas seperti yang ditunjukkan pada gambar 2. [8]
Gambar 2. Hubungan antara elemen gambar dan elemen matriks
Dalam hal ini :
i = (N-y) , 0 ≤ i ≤ N-1 j = x, 0 ≤ j ≤ M-1 x = Dx/M increment y = Dy/N increment
dimana M = jumlah maksimum pixel dalam satu baris, N = jumlah maksimum pixel dalam satu kolom, Dx = lebar gambar (dalam satuan inchi) dan Dy = tinggi gambar (dalam satuan inchi)
Elemen (i, j) dalam matriks menyatakan rata-rata intensitas cahaya pada area citra yang direpresentasikan oleh pixel. Sebagai contoh, tinjau citra biner yang hanya mempunyai 2 derajat keabuan yaitu 0 (hitam) dan 1 (putih).
Misalnya, sebuah gambar yang berukuran 10 x 10 inchi dinyatakan dalam matriks yang berukuran 5 x 5, yaitu 5 baris dan 5 kolom. Tiap elemen gambar lebarnya 2 inchi dan tingginya 2 inchi akan diisi dengan sebuah nilai bergantung pada rata-rata intensitas cahaya pada area tersebut. [8]
Area 2 x 2 inchi pada sudut kiri atas gambar dinyatakan dengan lokasi (0,0) pada matriks 5 x 5 yang bernilai 0 (yang berarti tidak ada intensitas cahaya). Area 2 x 2 inchi pada sudut kanan bawah gambar dinyatakan dengan lokasi (5,5) pada matriks 5 x 5 yang bernilai 1 (yang berarti iluminasi maksimum). [8]
Gambar 3. (a) Gambar yang di-sampling, (b) Matriks yang merepresentasikan gambar
Untuk memudahkan implementasi, jumlah sampling diasumsikan dengan perpangkatan dari dua :
N = 2n (4)
yang dalam hal ini :
N = jumlah sampling pada suatu baris/kolom n = bilangan bulat positif
Contoh ukuran sampling : 256 x 256 pixel, 128 x 128 pixel, dsb.
Pembagian citra menjadi ukuran tertentu menentukan resolusi (derajat rincian yang dapat dilihat) spasial yang diperoleh. Semakin tinggi resolusinya, berarti semakin kecil ukuran pixel (semakin banyak jumlah pixelnya), dan semakin halus hasil citra yang diperoleh karena informasi yang hilang akibat pengelompokan derajat keabuan pada proses sampling semakin kecil. [8]
Misalnya terdapat empat buah citra yang masing-masing di-sampling sebesar 256 x 256, 128 x 128, 64 x 64, dan 32 x 32. Keempat citra tersebut mempunyai derajat keabuan yang sama, yaitu 256 buah dengan area tampilan yang juga sama, yaitu 256 x 256 pixel. Maka pixel-pixel citra yang beresolusi rendah diduplikasi untuk mengisi seluruh bidang tampilan. Hal ini menghasilkan efek blok-blok yang sering diamati pada citra beresolusi rendah pada umumnya. Ukuran sampling yang berbeda-beda menghasilkan kualitas citra yang berbeda pada proses kuantisasi. [8]
Digitalisasi Intensitas (Kuantisasi)
Langkah selanjutnya setelah proses sampling adalah kuantisasi. Proses kuantisasi membagi skala keabuan (0, L) menjadi G buah level yang dinyatakan dengan suatu harga bilangan bulat (integer). Biasanya G diambil dari perpangkatan dua, G = 2m, yang dalam hal ini,
G = derajat keabuan m = bilangan bulat positif
Hitam dinyatakan dengan nilai derajat keabuan terendah, yaitu 0, sedangkan putih dinyatakan dengan nilai derajat keabuan tertinggi, misalnya 15 untuk 16 level. Jumlah bit yang dibutuhkan untuk merepresentasikan nilai keabuan pixel disebut dengan kedalaman pixel (pixel depth). Citra sering diasosiasikan dengan kedalaman pixel- nya. Jadi citra dengan kedalaman 8-bit disebut juga citra 8-bit (citra 256 warna). [8]
Pada kebanyakan aplikasi, citra hitam-putih dikuantisasi pada 256 level dan membutuhkan 1 byte (8 bit) untuk
Skala Keabuan Rentang Nilai Keabuan Pixel Depth
21 (2 nilai) 0 dan 1 1 bit
22 (4 nilai) 0 sampai 3 2 bit 23 (8 nilai) 0 sampai 7 3 bit 24 (16 nilai) 0 sampai 15 4 bit 28 (256 nilai) 0 sampai 255 8 bit
Besarnya daerah derajat keabuan yang digunakan menentukan resolusi kecerahan dari gambar yang diperoleh.
Sebagai contoh, jika digunakan 3 bit untuk menyimpan harga bilangan bulat, maka jumlah derajat keabuan yang diperoleh hanya 8. Jika digunakan 4 bit, maka derajat keabuan yang diperoleh adalah 16 buah. Semakin banyak jumlah derajat keabuan (berarti jumlah bit kuantisasinya semakin banyak), maka akan semakin bagus gambar yang diperoleh karena kemenerusan derajat keabuan akan semakin tinggi sehingga mendekati citra aslinya. [8]
Penyimpanan citra digital yang di-sampling menjadi N x M buah pixel dan dikuantisasi menjadi G = 2m level derajat keabuan membutuhkan memori sebanyak b = N x M x m bit. Sebagai contoh, citra yang berukuran 256 x 256 pixel dengan 256 derajat keabuan membutuhkan memori sebesar :
256 x 256 x 8 bit = 524. 288 bit = 65. 536 byte = ± 66 kilobyte
Secara keseluruhan, resolusi gambar ditentukan oleh N dan m. Makin tinggi nilai N (atau M) dan m, maka citra yang dihasilkan akan semakin bagus kualitasnya. Untuk citra dengan jumlah objek yang sedikit, kualitas citra ditentukan oleh nilai m. Sedangkan untuk citra dengan jumlah objek yang banyak, kualitasnya ditentukan oleh N atau M. [8]
Seluruh tahapan proses digitalisasi (sampling dan kuantisasi) diatas dikenal sebagai konversi analog-ke-digital, dimana hasil prosesnya disimpan ke dalam media penyimpanan digital misalnya harddisk. [8]
Elemen-elemen Sistem Pemrosesan Citra Digital
Secara umum, operasi dari sistem pemrosesan citra digital dapat dibagi menajdi empat kategori prinsip, yaitu digitalisasi, pemrosesan, penayangan, dan penyimpanan. Sedangkan elemen yang terlibat dalam pemrosesan citra digital dapat dibagi menjadi empat komponen, yaitu [8] :
1. Digitizer (digital image acquisition system), merupakan sistem penangkap citra digital yang melakukan pen- jelajahan citra dan mengkonversinya ke representasi numerik sebagai masukan bagi komputer. Hasil dari digitizer adalah matriks yang elemen-elemennya menyatakan nilai intensitas cahaya pada suatu titik. Contoh digitizer adalah kamera digital dan scanner. Digitizer terdiri dari tiga komponen dasar, yaitu [8]:
Sensor citra yang bekerja sebagai pengukur intensitas cahaya,
Perangkat penjelajah yang berfungsi untuk merekam hasil pengukuran intensitas pada seluruh bagian citra, dan
Pengubah analog ke digital yang berfungsi melakukan sampling dan kuantisasi.
2. Komputer, yang digunakan pada sistem pemroses citra. Komputer dapat bervariasi dari komputer mikro sam- pai komputer besar yang mampu melakukan bermacam-macam fungsi pada citra digital beresolusi tinggi. [8]
3. Piranti tampilan peraga, berfungsi mengkonversi matriks intensitas yang merepresentasikan citra ke tampilan yang dapat dinterpretasi oleh matamanusia. Contoh piranti tampilan adalah monitor dan printer. [8]
4. Media penyimpanan, adalah piranti yang mempunyai kapasitas memori besar sehingga gambar dapat disim- pan secara permanen agar dapat diproses lagi pada waktu yang lain. [8]
II. M
ETODEP
ENELITIANPada bab ini akan dibahas mengenai rancangan sistem aplikasi dan implementasi dari aplikasi deteksi citra pada gambar bendera negara-negara dunia. Aplikasi ini menggunakan bahasa pemograman C#
Untuk memudahkan pemahaman setiap program dalam sistem ini, maka dibuatlah diagram alur (flowchart) yang merepresentasikan alur kerja setiap program.
Flowchart Menu Utama
Gambar 4. Flowchart Menu Utama Gambar 5. Flowchart Menu Image Retrieval
Aplikasi ini diawali dengan input data, user memasukkan data citra berupa gambar bendera negara ke dalam aplikasi. Proses selanjutnya adalah prosses RGB, proses ini menunjukkan nilai RGB dari setiap piksel citra warna yang di input user. Jumlah titik pikel tersebut terdiri dari nilai RGB untuk masing-masing titik piksel citra warna, hasil penentuan nilai RGB akan tersimpan di database yang telah disediakan. Pada aplikasi ini, database yang digunakan adalah Microsoft Office Access 2007.
Flowchart Menu Image Retrieval
Proses setelah penyimpanan citra kedalam database, menu yang tersedia pada aplikasi adalah Image Re- trieval. Langkah yang dilakukan sama dengan pada proses penyimpanan data sebelumnya. Dimana user diminta untuk menginput citra yang berupa gambar bendera negara, pada tahap selanjutnya adalah menentukan nilai RGB atau menentukan nilai setiap piksel yang terdapat pada citra input-an. Jika sudah ditemukan nilai RGB, program akan melakukan proses template matching. Template matching menggunakan metode Manhattan City, Pada taha- pan ini, akan dilakukan pencocokan data antara data nilai yang diperoleh dari data citra yang user input, dengan data nilai gambar yang sudah disimpan dalam database. Proses ini akan menghasilkan “output” berupa teks bendera negara yang memiliki jarak nilai RGB sama atau mendekati yang tersimpan pada citra dalam database.
Jarak Manhattan (City Block/Minkowski)
Menurut Andenberg (1973) ukuran jarak dibutuhkan untuk setiap pasang objek yang akan dikelompokkan.
Beberapa metode pengukuran jarak antar dua objek, yaitu Jarak Manhattan (City Block/Minkowski) [1]. Jarak ini merupakan bentuk umum dari jarak Euclidean. Jarak Manhattan digunakan jika peubah yang dia- mati berkorelasi atau tidak saling bebas. Dalam metode ini, pengukuran jarak dilakukan dengan menghitung jumlah absolut perbedaan untuk masing-masing peubah. Jarak Manhattan dapat dirumuskan sebagai berikut [1] :
(5) Keterangan :
dij : jarak antara objek i dengan objek k xik : nilai objek i pada peubah ke - k xjk : nilai objek j pada peubah ke - k p : banyaknya peubah yang diamati
Desain Input dan Output
Dalam sistem ini user dapat berinteraksi dengan program melalui sebuah tampilan user interface yang telah dirancang, untuk mempermudah pengguna dalam mengoperasikan sistem ini. Berikut adalah tampilan dari hala- man utama.
Gambar 6. Tampilan Halaman Utama
pada gambar ini juga ditampilkan grid yang berfungsi menampilkan nilai RGB dari gambar bendera negara yang di input dan grid yang berfungsi untuk menampilkan hasil dari proses matching berupa nama negara yang memiliki nilai RGB sama atau mendekati nilai RGB yang tersimpan di dalam database.
Gambar 7. Tampilan Halaman Image Retrieval Proses Input Data
Proses ini merupakan proses dimana pengguna memasukkan citra gambar berupa gambar bendera negara dari folder yang ditentukan oleh pengguna. Pada proses ini diperlukan label, text box, dan button pada aplikasi. Button digunakan untuk mencari lokasi dari data gambar yang dipilih kemudian lokasi dari data citra akan di tampilkan pada text box yang telah ditentukan. Berikut pada gambar 8 adalah tampilan dari button text box yang yang digunakan pada aplikasi
.
Gambar 8. Input Data Gambar 9. Citra Input Data
Gambar 10. Data Grid Input Data Gambar 11. Button Save
Hasil dari input pengambilan gambar ditampilkan ke dalam picture box seperti gambar di bawah ini :
Apabila gambar telah kita input, maka akan muncul nilai tiap piksel dari gambar tersebut berdasarkan nilai warna RGB nya. Nilai RGB tersebut dapat dilihat seperti gambar di bawah ini :
Banyaknya nilai RGB tergantung dari ukuran piksel yang digunakan. Pada grid yang muncul terdapat nilai RGB sebanyak 120 yang merupakan panjang dari citra dan 80 grid yang merupakan lebar dari citra tersebut. Tahap selanjutnya adalah menyimpan data tersebut kedalam database. Berikut adalah tampilan dari button save yang yang digunakan pada aplikasi.
Berikut adalah potongan kode dari button save yang terdapat pada aplikasi Country Flag Image Retrieval ( RGB Based ).
private void btnSaveData_Click(object sender, EventArgs e){
string negara =
GetNegara(txtFileData.Text).ToUpper();
string R = "", G = "", B = "";
for (int i = 1; i < grdRGB.Rows.Count; i++){
for (int j = 1; j < grdRGB.Cols.Count; j++){
string[] data =
grdRGB[i,j].ToString().Split(',');
if (data.Length == 3){
R += data[0] + ",";
G += data[1] + ",";
B += data[2] + ",";
Dengan menggunakan metode penghitungan jarak Manhattan City. Proses ini melakukan pencocokan nilai RGB antara gambar yang di input dengan nilai RGB pada database. Sebelum mencocokkan gambar tersebut, ter- lebih dahulu dilakukan proses input gambar bendera negara. Button browse digunakan untuk mencari lokasi dari data gambar yang dipilih kemudian lokasi dari data citra akan di tampilkan pada text box yang telah ditentukan.
Pada gambar 12 adalah tampilan dari button text box yang yang digunakan pada aplikasi.
Gambar 12. Input Data Pada Image Retrieval
Berikut adalah potongan kode untuk mengambil data gambar dari storage komputer.
Gambar 13. Grid Nilai Jarak RGB
Jika citra yang di input telah muncul pada grid gambar citra, maka akan muncul nilai RGB dari citra tersebut pada grid nilai RGB. Terdapat 120 kolom yang berisikan nilai-nilai RGB dari citra yang di input. 120 kolom yang berupa panjang citra, dan 80 yang merupakan lebar dari citra.
Proses selanjutnya adalah matching atau mencocokkan nilai RGB pada citra yang telah di input. Semakin sedikit selisih nilai RGB pada citra yang di input dengan nilai RGB pada database, maka hasil itu yang akan dipilih sebagai negara dari citra. Untuk menjalankan proses ini, disediakan button matching pada aplikasi
Berikut adalah program yang ada pada tombol matching untuk menjalankan proses template matching :
Pada kode program diatas, MatchData akan memanggil fungsi yang akan melaksanakan kembali proses matching sesuai dengan nilai RGB yang terdapat pada database. Dibawah ini dijelaskan kode program yang ter- dapat dalam fungsi MatchData, untuk mengambil setiap nilai RGB yang ada dalam citra input dan disimpan dalam variabel R, G dan B. Setiap variabel berisi seluruh nilai piksel dalam kolom dan baris citra yang dipisah dengan tanda koma. Kemudian mengambil nilai RGB yang terdapat dalam database, dan menyimpan dalam variabel R_GB, G_GB dan B_DB.
Proses selanjutnya adalah melakukan perhitungan jarak Manhattan City untuk setiap nilai dalam variabel R dengan R_GB disimpan dalam jarak_R, variabel G dengan G_DB disimpan dalam variabel jarak_G dan variabel B dengan B_DB disimpan dalam variabel jarak_B.
for (int i = 1; i < grdRetRGB.Rows.Count; i++) { for (int j = 1; j < grdRetRGB.Cols.Count;
j++) {
string[] data =
grdRetRGB[i,j].ToString().Split(',');
R += data[0] + ",";
G += data[1] + ",";
string negara = grdDB[i,"NEGARA"].ToString();
R_DB = grdDB[i, "R"].ToString();
G_DB = grdDB[i, "G"].ToString();
B_DB = grdDB[i, "B"].ToString();
private void btnMatch_Click(object sender, EventArgs e)
{
if (grdRetRGB.Rows.Count > 0) { if (grdDB.Rows.Count > 0)
{ MatchData(); } }
}
private void btnBrowse_Click_1(object sender, EventArgs e)
{
of.ShowDialog();
if (of.FileName.Length > 0) {
txtMatchRGB.Text = "";
ImageProcessing ip = new ImageProcessing();
txtFile.Text = of.FileName;
Image imgTemp =
ip.Image_Resize_NonProporsional(
Bitmap.FromFile(of.FileName), 120, 80);
picMatch.Image = Bitmap.FromFile(save_image);
DataSet ds =
ip.PixelDataFromImage(save_image);
ip = null;
grdRetRGB.DataSource = ds.Tables["RGB"];
} }
Langkah terakhir adalah mencari nilai rata-rata, setiap jarak yang telah didapat dan menentukan jarak dengan rata-rata terkecil, dan menampilkan negara kedalam textbox txtMatchRGB.
Setelah proses matching berhasil, maka akan muncul nilai jarak rata-rata RGB dari gambar bendera yang telah tersimpan pada database. Selain nilai RGB dari negara yang telah di input, terdapat juga nilai jarak kese- luruhan RGB dari setiap negara yang tersimpan pada database. Nilai rata-rata RGB diperoleh dari penjumlahan keseluruhan nilai piksel warna RGB pada gambar bendera tersebut, lalu dibagi 3, maka akan diperoleh nilai rata- ratanya. Berikut adalah contoh tampilan dari grid nilai jarak RGB :
Gambar 14. Grid Nilai Jarak RGB Gambar 15. Hasil dari proses matching
Apabila bendera sudah selesai di-matching, maka akan muncul bendera negara mana yang nilai jarak rata-rata RGB-nya sama atau mendekati dengan bendera negara yang terdapat pada database. Berikut ini adalah hasil dari proses matching tersebut .
III. H
ASILAplikasi ini menggunakan data citra sebanyak 188 sample data berupa gambar bendera negara yang ter- simpan di dalam database. Setiap sample data pada database memiliki ukuran yang sama yaitu, 120x80 piksel.
Pada contoh citra dibawah ini yang digunakan adalah citra yang berasal dari laman atau web yang berbeda dan dengan ukuran yang berbeda juga.
for (int i = 1; i < grdDB.Rows.Count; i++) {
//NILAI R
string[] data = R.Split(',');
string[] db = R_DB.Split(',');
double jarak_R = 0;
int min_iter = Math.Min(data.Length, db.Length);
for (int j = 0; j < min_iter; j++) {
if (data[j].Trim().Length > 0) {
if (db[j].Trim().Length > 0) {
jarak_R += Math.Abs(
Convert.ToDouble(data[j]) - Convert.ToDouble(db[j]));
} } }
double rata_rata = (jarak_R + jarak_G + jarak_B) / 3;
if (min_rata_rata_RGB > rata_rata) {
min_rata_rata_RGB = rata_rata;
min_negara_RGB = negara;
}
txtMatchRGB.Text = min_negara_RGB;
TABEL II. HASIL DARI APLIKASI
Dalam proses similarity dengan menggunakan metode Manhattan City terdapat enam hasil yang tidak sesuai atau terdapat kesalahan dalam mengelompokkan 188 sampel data citra. Persentase kesalahan dari proses similarity dapat dihitung dengan menggunakan rumus dibawah ini :
Rumus Menghitung Kesalahan,
IV. KESIMPULAN DAN SARAN KESIMPULAN
Berdasarkan hasil pembahasan dan pengujian dapat disimpulkan bahwa metode Manhattan City dapat diterap- kan dalam uji coba proses pencocokan pada 188 citra bendera negara yang terdapat didalam database. Tahapan yang dilakukan untuk mendeteksi citra bendera negara adalah meng-input gambar bendera yang didapatkan dari laman atau web dan ukuran yang berbeda dari database. Jika gambar sudah di input maka aplikasi akan menam- pilkan nilai RGB dari gambar negara tersebut. Program akan menyamakan jumlah nilai piksel yang terdapat pada database yaitu 120x80piksel, kemudian melakukan pencocokan dengan data yang terdapat dalam database.
Tingkat keberhasilan uji coba aplikasi ini mencapai 99%, ini didapatkan dari kesamaan nama bendera citra yang di input dengan nama bendera citra yang terdapat didalam database. Terdapat enam hasil yang tidak sesuai atau 0,00101% kesalahan dalam mengelompokkan 188 sampel data citra.
SARAN
Hasil implementasi pada aplikasi menunjukkan adanya tingkat kesalahan pada enam citra. Kesalahan disebabkan karena terdapat pola warna yang sama dalam negara tersebut, untuk itu disarankan agar melakukan proses pencocokan tidak hanya berdasarkan warna, namun juga dengan tekstur atau bentuk citra.
REFERENSI
[1]. Benson, K. Blair, Television Engineering Handbook. McGraw-Hill, Inc., 1986.[2]. Gross, Christian. 2007. “Beginning C# 2008 : From Novice to Professional”, Apress, United States of America : http://www.apress.com
[3]. Kusumo, Ario Suryo, 2005, “Buku Latihan : Asp.net 2.0 Dengan Visual Basic 2005”, Jakarta : Elek Media Koputindo [4]. Madcoms, 2008, “Mahir Dalam 7 Hari : Microsoft Visual Basic 6.0 + Crystal Report 2008”, Yogyakarta : Andi [5]. Nugroho, Bunafit, 2005, “Administrasi Database MySQL”, Yogyakarta : Graha Ilmu.
[6]. Prasetyo, Eko, 2011, “Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab”, Yogyakarta : Andi.
[7]. R.G.W. Hunt, The Reprodiction of Colour, 5th.ed, Fountain Press (1995), ISBN 0-86343-381-2.
[8]. Rinaldi Munir, Pengolahan Citra Digital dengan Pendekatan Algoritmik, Informatika Bandung, Bandung, 2004.
[9]. Sutedjo D. O, Budi, 2002, “Perencanaan dan Pengembangan Sistem Informasi”, Yogyakarta : Andi.
× 100%
% citra = × 100%
% citra = 0,00101%
