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

(1)

TESIS

MAHARDIKA ABDI PRAWIRA TANJUNG NIM: 147038071

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

(2)

TESIS

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika

MAHARDIKA ABDI PRAWIRA TANJUNG NIM: 147038071

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

(3)

PENGESAHAN

Judul : MODIFIKASI SPEED-UP ROBUST FEATURE (SURF)

DENGAN HISTOGRAM OF ORIENTED GRADIENT (HOG) PADA KLASIFIKASI CITRA BLUR

Kategori : Tesis

Nama : Mahardika Abdi Prawira Tanjung

Nomor Induk Mahasiswa : 147038071

Program Studi : Magister (S2) Teknik Informatika

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

Komisi Pembimbing : Pembimbing 2

Drs. Mahyuddin K.M. Nasution, M.IT, Ph.D

Pembimbing 1

Prof. Dr. Opim Salim Sitompul, M.Sc

Diketahui/disetujui oleh

Program Studi S2 Teknik Informatika Ketua,

(4)

PERNYATAAN

MODIFIKASI SPEED-UP ROBUST FEATURE (SURF) DENGAN HISTOGRAM OF ORIENTED GRADIENT (HOG)

PADA KLASIFIKASI CITRA BLUR

TESIS

Saya mengakui bahwa tesis ini asalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing teleh disebutkan sumbernya.

Medan, 15 Juni 2017

(5)

PERSETUJUAN PUBLIKASI

Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan dibawah ini :

Nama : Mahardika Abdi Prawira Tanjung

Nim : 147038071

Program Studi : Magister (S2) Teknik Informatika Jenis Karya Ilmiah : Tesis

Dengan pengembangan ilmu penetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royaliti Non-Eksklusif (Non-Exclusive Royality Free Right) atas tesis saya yang berjudul:

MODIFIKASI SPEED-UP ROBUST FEATURE (SURF) DENGAN HISTOGRAM OF ORIENTED GRADIENT (HOG)

PADA KLASIFIKASI CITRA BLUR

Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royaliti Non-Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan/atau sebagai pemilik hak cipta.

Demikian pernyataan ini dibuat dengan sebenarnya.

Medan, 15 Juni 2017

(6)

Telah diuji pada Tanggal : 15 Juni 2017

PANITIA PENGUJI TESIS

Ketua : Prof. Dr. Opim Salim Sitompul, M.Sc

Anggota : 1. Drs. Mahyuddin K.M. Nasution, M.IT, Ph.D 2. Prof. Dr. Muhammad Zarlis

(7)

RIWAYAT HIDUP

DATA PRIBADI

Nama Lengkap : Mahardika Abdi Prawira Tanjung, S.Kom Tempat dan Tanggal Lahir : Medan, 17-08-1989

Alamat Rumah : Jalan Sidorukun No. 104 Pulo Brayan Darat II Telepon/Faks/Hp : 081370383059/082126787259

E-mail : dika.abdi@gmail.com

Instansi Tempat Bekerja : -

Alamat Kantor : -

DATA PENDIDIKAN

SD : SD IKAL Medan Pindah : 1995

SD : SD N Kedungturi Sidoarjo Jatim Pindah : 1998

SD : SD Pertiwi Medan TAMAT : 2001

SMP : SMP Negeri 11 Medan TAMAT : 2004

SMA : SMA Negeri 3 Medan TAMAT : 2007

(8)

UCAPAN TERIMA KASIH

Puji Syukur kami panjatkan kehadirat Allah SWT, yang telah melimpahkan rahmat dan

hidayahNya, sehingga tesis ini dapat diselesaikan sesuai dengan harapan. Selanjutnya shalawat beserta salam kami kirimkan kepada nabi Muhammad SAW, semoga kelak kita

mendapat syafa’at darinya di yaumil akhir. Dengan selesainya penulisan tesis ini izinkanlah

kami untuk mengucapkan terima kasih kepada :

1. Rektor Universitas Sumatera Utara, Bapak Prof. Dr. Runtung Sitepu, SH, M.Hum atas kesempatan yang telah diberikan kepada penulis untuk dapat mengikuti dan

menyelesaikan pendidikan Program Magister.

2. Dekan Fakultas Ilmu Komputer Universitas Sumatera Utara, Bapak Prof. Dr. Opim Salim Sitompul, M.Sc atas kesempatan yang telah diberikan kepada penulis untuk menjadi mahasiswa Program Magister Teknik Informatika pada Program Pascasarjana

Fasilkom-TI Universitas Sumatera Utara.

3. Ketua Program Studi Magister Teknik Informatika, Bapak Prof. Dr. Muhammad Zarlis. Sekretaris Program Studi Teknik Informatika, Bapak Dr. Syahril Efendi, S.Si., M.IT

Beserta seluruh Staf Pengajar Program Studi Magister Teknik Informatika Program

Pascasarjana Fasilkom-TI Universitas Sumatera Utara.

4. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc, selaku Promotor/Pembimbing Utama dan Bapak Drs. Mahyuddin K.M. Nasution, M.IT, Ph.Dselaku Promotor/Pembimbing

kedua yang dengan penuh ketelitian dalam membimbing penulis hingga selesainya tesis

ini.

5. Bapak Prof. Dr. Muhammad Zarlis dan Dr. Zakarias Situmorang selaku pembanding yang telah memberikan saran dan masukan serta arahan untuk penyelesaian tesis ini.

(9)

7. Staf dan Pegawai Pasca Sarjana S2 Teknik Informatika serta rekan mahasiswa/i Program Studi Magister Teknik Informatika Program Pascasarjana Fasilkom-TI

Universitas Sumatera Utara, khususnya Kom C (2014) yang telah banyak membantu

penulis selama perkuliahan dan penyelesaian tesis. Serta seluruh pihak yang tidak dapat

penulis sebutkan satu persatu dalam tesis ini, sekali lagi terima kasih atas segala bantuan

dan doa yang telah diberikan. Semoga kiranya Allah SWT membalas kebaikan yang

telah diberikan.

Akhir kata, penulis berharap semoga penelitian ini bermanfaat bagi penulis khususnya

dan pembaca pada umumnya serta bagi perkembangan ilmu pengetahuan khususnya dibidang

ilmu komputer.

Medan, 15 Juni 2017

Penulis,

Mahardika Abdi Prawira

(10)

ABSTRAK

Mata manusia dapat secara langsung membedakan objek-objek pada citra. Seperti hewan, tumbuhan ataupun benda-benda mati yang telah dikenali secara langsung oleh manusia. Namun, komputer tidak memiliki kemampuan seperti mata manusia yang dapat langsung mengenali objek pada citra tersebut. Karena komputer hanya mengenali bilangan biner yaitu 0 dan 1. Bag of visual words merupakan suatu metode untuk mempresentasikan citra berdasarkan fitur lokal, dimana sebuah citra dapat diambil karakteristiknya, sehingga dapat membedakan objek-objek pada citra. Dalam prosesnya, Bag of visual words memiliki tahapan penentuan karakteristik yaitu interest point. Dalam penelitian ini, penentuan interest point dimodifikasi menggunakan speed-up robust feature dengan histogram of oriented gradients. Kinerja modifikasi tersebut menghasilkan akurasi yang konsisten

dengan menggunakan 5 skala pendeteksian interest point.

(11)

MODIFICATION OF SPEED-UP ROBUST FEATURE (SURF) METHOD WITH HISTOGRAM OF ORIENTED GRADIENT (HOG) IN IMAGE BLUR

CLASSIFICATION

ABSTRACT

The human eye can directly distinguish objects from images. Such as animals, plants or inanimate objects that have been directly recognized by humans. However, the computer does not have the capability of such a human eye that can instantly recognize objects in the image. Because computers only recognize binary numbers 0 and 1. Bag of visual words is a method to present the image based on local features, where an image can be taken its characteristics, so as to distinguish the objects in the image. In the process, bag of visual words has the stages of determining the characteristics of the interest points. In this study, the determination of the interest point is modified using the speed-up robust feature with histogram of oriented gradients. Performance of these modifications generate consistent accuracy by using 5-scale detection of interest points.

(12)

DAFTAR ISI

2.2. Distribusi pixel (Histogram) ... 5

2.3. Deteksi Tepi (Edge detection) ... 5

2.3.1 Turunan Pertama deteksi tepi (First-order derivative) ... 6

2.3.2 Turunan kedua deteksi tepi (Second-order derivative) ... 8

2.4. Bag of visual words ... 9

2.5. Deteksi skala (scale detection) ... 9

2.6. Deteksi fitur Speed-up Robust Feature (SURF) ... 11

(13)

2.7.1 Konversi Citra Warna ke Citra Greyscale ... 14

BAB III METODOLOGIPENELITIAN ... 21

3.1. Alur Kerja Penelitian ... 21

3.2. Data dan Peralatan Yang Digunakan ... 22

3.3. Tahapan Modifikasi Speed-up Robust Feature dengan Histogram Of Oriented Gradient ... 22

3.4. Modifikasi Speed-up Robust Feature dengan Histogram of Oriented Gradient (HOG) ... 23

3.5 Pembentukan Bag of Visual Words ... 27

3.6 Ukuran Performansi ... 28

BAB IV HASIL DAN PEMBAHASAN ... 29

4.1. Hasil ... 29

4.1.1. Sampel pelatihan dan sampel pengujian ... 29

4.1.2. Hasil bag of feature ... 31

4.1.3. Hasil klasifikasi support vector machine ... 36

4.1.4. Modifikasi Speed-up Robust Feature dengan Histogram of Oriented Gradients ... 37

4.2. Pengujian Dengan Variasi Skala Speed-up Robust Feature ... 40

4.3. Pembahasan ... 47

BAB V KESIMPULAN DAN SARAN ... 48

5.1. Kesimpulan ... 48

(14)

(15)

DAFTAR TABEL

Tabel 4.5 Hasil Klasifikasi Support Vector Machine ... 37

Tabel 4.6 Koordinat gridX ... 38

Tabel 4.7 Koordinat gridY ... 38

Tabel 4.8 Pengujian klassifikasi pada trainingSet1 dengan menggunakan 3 skala deteksi ... 41

Tabel 4.9 Pengujian klassifikasi pada testingSet1 dengan menggunakan 3 skala deteksi ... 41

Tabel 4.14 Percobaan 1 Menggunakan 3 Skala Pendeteksian Interest Point ... 44

Tabel 4.15 Hasil Keseluruhan 10 Kali Pengujian Pada testingSet1 Sebelum di Modifikasi ... 45

(16)

DAFTAR GAMBAR

Halaman

Gambar 1.1 Citra mobil dan rumah ... 1

Gambar 1.2 Citra rumah dan tumbuhan ... 1

Gambar 2.1 Ilustrasi tepi ideal dan tepi lereng pada citra (Marques, 2011). ... 6

Gambar 2.2 Turunan pertama deteksi tepi (Nixon & Aguado, 2008) ... 7

Gambar 2.3 Tahapan Bag of visual words (diadoptasi dari Raza et al. (2011) ... 9

Gambar 2.4 Titik karakteristik pada citra (Mikolajczyk & Schmid, 2001). ... 11

Gambar 2.5 Orde kedua gaussian yang terdiskrit dan dikelompokkan secara derivatif parsial dalam arah y dan arah xy, (diambil dari Bay et al. 2006) ... 12

Gambar 2.6 100 Interest point tertinggi yang diwakilkan dengan bulatan (blob) pada citra ... 13

Gambar 2.7 Tahapan Histogram of oriented gradient ... 13

Gambar 2.8 Gradien terpusat pada angka 0 ... 14

Gambar 2.9 Arah orientasi gradien ... 15

Gambar 2.10 Block grid dengan ukuran 2x2 dan overlapping sebesar 50% dari block sebelumnya ... 15

Gambar 2.11 Contoh tahap kuantisasi orientasi biner dengan skala 9 bin (0-180) . 16 Gambar 2.12 Penggabungan histogram dari setiap blok ... 16

Gambar 2.13 Tahapan k-means clustering ... 17

Gambar 2.14 Algoritma k-means (diadoptasi dari Salomon & Breckon, 2011). . ... 18

Gambar 2.15 Support vector machine dan hyperplane (diadoptasi dari Han & Kamber, 2006) ... 19

Gambar 2.16 Tahap pertama klasifikasi ... 20

Gambar 2.17 Tahap kedua klasifikasi ... 20

Gambar 3.1 Diagram Alur Kerja Penelitian ... 21

(17)

Gambar 3.3 Pendeteksian interest point dengan speed-up robust feature ... 24

Gambar 3.4 Grid x dan y pada speed-up robust feature mendeteksi fitur dengan membentuk bulatan kecil (blob) terhadap citra ... 25

Gambar 3.5 Histogram of oriented gradient membentuk cell blok pada citra dan menghitung gradien citra sebagai pendeteksian fitur ... 25

Gambar 3.6 Modifkasi Speed-up robust feature dengan Histogram of oriented gradient ... 26

Gambar 3.7 Histogram Feature Vector bag1 dengan K= 500 atau disebut dengan codebook ... 27

Gambar 4.1 Citra 8.jpg pada kategori average blur ... 29

Gambar 4.2 Citra 8.jpg pada kategori citra non blur ... 30

Gambar 4.3 Citra 8.jpg pada kategori gaussian blur... 30

Gambar 4.4 Citra 8.jpg pada kategori motion blur ... 30

Gambar 4.5 Bag of Feature TrainingSet1 ... 31

Gambar 4.6 Koordinat deteksi interest point ... 39

Gambar 4.7 Hasil pendeteksian speed-up robust feature dengan menggunakan 3 skala ... 39

Gambar 4.8 Ekstraksi Histogram of Oriented Gradients ... 40

Gambar 4.9 Bag of Visual Word yang dibentuk ... 43

Gambar 4.10 Hasil Klasifikasi Citra Blur Sebelum Modifikasi ... 46