VI. HASIL DAN PEMBAHASAN A. Segmentasi
Warna merupakan ciri dominan yang bisa dibedakan secara visual untuk mendapatkan informasi dari basisdata citra. Segmentasi warna adalah proses mengelompokkan citra berdasarkan distribusi warna dengan menggunakan bin warna referensi. Penggunaan model warna HSV untuk proses segmentasi ciri warna berhubungan dengan proses penentuan warna referensi untuk representasi warna citra. Kelebihan model warna HSV adalah lebih seragam secara persepsi dan lebih mudah dalam menentukan sebaran jenis warna dari merah sampai biru karena keragaman warna direpresentasikan dalam besar sudut hue dari 0 - 360ο. Representasi warna menggunakan histogram dalam sistem temukembali memiliki kelebihan karena kecepatan dan kemudahannya dalam proses komputasi.
Citra asli Citra Segmentasi Citra asli Citra Segmentasi
(a) Daisy Merah Muda (b) Morning Glory
(c) Iris (d) Lily Putih
(e) Cymbidium (f) Ascocentrum Gambar 26. Citra Hasil Proses Segmentasi Warna
Gambar 26 merupakan hasil proses segmentasi warna pada citra bunga daisy merah muda, morning glory, iris, lily putih, cymbidium dan ascocentrum, dimana citra asli dengan kedalaman warna 24 bit direduksi menjadi citra dengan 43 bin warna referensi. Hasil proses segmentasi 60 citra yang digunakan untuk melakukan query, rata-rata citra dikelompokkan menjadi 49,11 % atau 21 bin warna (Gambar 27). 55, 35 48 ,8 4 54,4 2 56 ,2 8 55 ,8 1 43 ,7 2 36 ,2 8 43 ,2 6 57, 67 42 ,3 3 50 ,7 0 44 ,6 5 0 5 10 15 20 25 30
DMM DAF LCK DPT MKN ASC CYM MGM LKC IRS LPT LKH JENIS BUNGA B IN W A RN A 0 10 20 30 40 50 60 70 P ER SEN T ASE
Gambar 27. Grafik Jumlah Bin Warna
Hasil proses segmentasi ciri warna citra dalam Gambar 28 menunjukkan bahwa dari 43 bin warna yang digunakan terdapat dua bin warna yang tidak digunakan untuk histogram yaitu bin ke-29 (biru bedak) dan ke-30 (biru temaram) (hasil lengkap di Lampiran 5). Seluruh histogram yang dihasilkan oleh proses segmentasi terdapat 14 bin digunakan oleh 100 % bunga, 8 bin digunakan oleh lebih 75 % bunga, 2 bin digunakan oleh lebih 50 % bunga, 10 bin digunakan oleh lebih 25 % bunga serta 7 bin digunakan oleh kurang 25 % bunga. Frekwensi penggunaan bin warna terbesar adalah bin ke-43 (warna putih) dan terkecil adalah bin ke-3 (pink lembut), ke-9 (coklat kemerahan) dan ke-15 (kuning tajam).
100, 00 16, 67 8, 33 100, 00 83, 33 50, 00 91 ,67 41, 67 8, 33 91 ,67 25, 00 100, 00 25, 00 16, 67 8, 33 16, 67 41, 67 41, 67 41, 67 83, 33 41, 67 58, 33 100, 00 16, 67 33, 33 75, 00 100, 00 100, 00 0, 00 100, 00 0, 00 25, 00 100, 00 100, 00 100, 00 91 ,67 100, 00 83, 33 100, 00 100, 00 83, 33 33, 33 100, 00 0 10 20 30 40 50 60 70 80 90 100 110 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 BIN WARNA P E NG G U NA A N DA LA M CI T R A (% )
Gambar 28. Distribusi Bin Warna Referensi
Proses segmentasi bentuk pada citra merupakan proses dimana citra
grayscale dikelompokkan menjadi tujuh vektor momen invarian. Segmentasi bentuk yang dilakukan terhadap citra grayscale ini nilai yang digunakan adalah nilai absolut logaritmik vektor momen invarian. Konversi nilai vektor ini dilakukan karena vektor momen invarian yang dihasilkan bernilai sangat kecil sekali. Nilai rata-rata vektor momen invarian untuk representasi bentuk citra hasil proses segmentasi dari 12 jenis bunga query disajikan pada Tabel 4.
Tabel 4. Momen Invarian Citra
No Nama Bunga ϕ1 ϕ2 ϕ3 ϕ4 ϕ5 ϕ6 ϕ7
1 Daisy Merah Muda 6,576 12,73 24,95 26,35 42,60 21,01 41,06 2 Daffodil 6,646 16,24 25,53 26,91 54,24 35,49 53,34 3 Lily Coklat 6,693 16,12 25,63 27,50 55,46 29,35 54,18 4 Daisy Putih 6,719 17,07 19,75 20,65 53,03 29,55 52,73 5 Mawar Kuning 4,234 16,08 25,44 26,50 54,32 35,75 52,80 6 Ascocentrum 6,638 15,90 25,89 27,03 42,86 35,25 54,14 7 Cymbidium 6,857 13,06 20,25 27,66 54,28 36,09 55,02 8 Morning Glory 4,060 12,92 24,10 19,70 39,04 19,75 39,92 9 Lily Kuning Coklat 6,411 12,39 17,78 20,65 30,27 20,44 51,28 10 Iris 5,321 12,71 14,70 10,38 42,13 28,08 42,13 11 Lily Putih 6,582 12,65 19,06 25,71 41,30 26,67 50,92 12 Lily Kuning Hitam 6,616 12,88 25,27 26,77 53,48 35,50 53,42
B. Parameter Fungsi Keanggotaan
Sistem pakar berbasis kaidah fuzzy terdiri dari dua jenis yaitu fuzzy control
systems dan fuzzy reasoning systems. Meskipun sama-sama memanfaatkan
himpunan fuzzy tapi secara kualitatif terdapat perbedaan dalam metodologinya.
Fuzzy control systems melakukan proses hanya dengan masukan data numerik sedangkan fuzzy reasoning systems dengan data numerik dan non-numerik. Karakteristik fuzzy control systems adalah adanya proses fuzzyfikasi data numerik menjadi peubah linguistik, inferensi setiap kaidah menjadi peubah linguistik keluaran dan defuzzyfikasi peubah linguistik keluaran menjadi data numerik. Sintaksis kaidah dalam model ini sangat sesuai untuk tujuan pengendalian dibandingkan dengan fuzzy reasoning systems yang terbatas kemampuannya jika masukan dan keluarannya berupa data numerik.
Fuzzy control systems merupakan model pertama yang diperkenalkan oleh Mamdani tahun 1976 dan dikenal dengan nama model Mamdani. Penggunaan sistem inferensi fuzzy model Mamdani dalam sistem temukembali citra ini karena adanya kesamaan data masukan, karakteristik proses dan sintaksis kaidah yang digunakan. Menurut Vertran dan Boujeema (2000), metode implikasi yang memberikan kinerja terbaik untuk model ini adalah Mamdani (Min-Max), Aljabar dan Einstein jika dibandingkan dengan metode Hamacher dan Lukasiewiec.
Berdasarkan karakteristik fungsi keanggotaan fuzzy dimana µ mempunyai nilai antara 0 dan 1 dan jarak euclid d selalu bernilai positif, maka pada kurva keanggotaan fuzzy nilai µ = 1 jika nilai d = γ (pusat kurva). Peubah linguistik untuk klasifikasi citra berdasarkan nilai kemiripan fuzzy yang digunakan dalam penelitian ini adalah sama, mirip dan beda dimana setiap peubah linguistik direpresentasikan oleh satu kurva keanggotaan fuzzy.
Percobaan untuk menentukan nilai parameter fuzzyfikasi bertujuan untuk menghasilkan sistem yang mempunyai kinerja optimum. Optimasi nilai parameter fuzzyfikasi ini meliputi penentuan pusat masing-masing kurva kemiripan fuzzy dan pemulus kurva. Perhitungan pusat kurva linguistik dilakukan dengan menggunakan data jarak euclid ciri citra dibagi menjadi tiga partisi dengan lebar partisi yang sama baik untuk ciri warna maupun bentuk.
Data jarak euclid untuk keperluan proses dalam sistem dikonversi menjadi bernilai antara 0 dan 1 menggunakan interpolasi. Penggunaan nilai interpolasi ini bertujuan untuk memudahkan dalam melakukan optimasi nilai parameter sistem. Persamaan interpolasi untuk proses konversi data adalah sebagai berikut :
) min( ) max( ) min( X X X x xkonv − − = ; x ∈ X
dengan xkonv adalah nilai konversi dan x adalah data yang akan dikonversi. Kriteria yang digunakan untuk menentukan lebar partisi (Np) dan pemulus kurva (α) untuk parameter sistem ini adalah nilai Np dan α yang menghasilkan nilai presisi paling tinggi untuk recall = 1. Masing-masing nilai parameter yang digunakan untuk percobaan adalah Np= {10, 15, 20, 25} dan α = {1, 2}. Definisi citra relevan adalah citra basisdata yang sama jenis dan warnanya dengan query.
Tipe kaidah yang digunakan untuk menentukan parameter sistem ini ditentukan dengan menguji kaidah Tipe 1 dan 104 di Lampiran 4. Hasil uji coba menunjukkan bahwa kaidah Tipe 1 mempunyai kinerja lebih baik daripada Tipe 104 dan digunakan untuk pengujian dengan rancangan percobaan yaitu :
Jumlah Percobaan = Jenis Bunga x Citra Query x Jumlah Npx Jumlah α = 12 x 3 x 4 x 2
Ηasil percobaan yang diperoleh pada Gambar 29 menunjukkan bahwa nilai
α = 2 dan nilai Np = {10, 15, 20} mempunyai nilai presisi lebih besar dibandingkan dengan α = 1, dan sama untuk Np = 25. Hasil percobaan yang memberikan nilai presisi terbesar untuk masing-masing nilai α adalah Np = 20 dan 25 untuk α = 1 yaitu 82,78 % dan Np = 20 untuk α = 2 yaitu 83,89 %. Berdasarkan hasil percobaan tersebut maka pemilihan nilai pemulus kurva dan lebar partisi untuk parameter fuzzyfikasi adalah α = 2 dan Np = 20. Hasil lengkap percobaan ini di Lampiran 6.
70
75
80
85
10
15
20
25
LEBAR PARTISI
PR
ESI
SI
(%
)
α = 1
α = 2
Gambar 29. Grafik Nilai Presisi Optimasi Parameter Fuzzyfikasi
Optimasi kurva linguistik untuk proses agregasi - defuzzyfikasi dilakukan dengan menggunakan fungsi Gaussian sebagai bahan perbandingan dengan segitiga. Optimasi menggunakan kurva Gaussian dilakukan dengan dua tahap percobaan yaitu untuk mencari lebar kurva yang optimum dan menggunakan lebar
kurva yang optimum tersebut untuk optimasi pusat kurva mirip. Berdasarkan hasil kedua tahap percobaan tersebut, proses agregasi - defuzzyfikasi yang optimum adalah menggunakan Gaussian dengan lebar kurva σ = 0,1.
80 81 82 83 84 85 0,3 0,4 0,5 0,6 PUSAT KURVA PR ESI SI ( % ) Segitiga Gaussian
Gambar 30. Grafik Nilai Presisi Optimasi Agregasi - Defuzzyfikasi
Hasil percobaan dalam Gambar 30 menunjukkan bahwa pusat kurva linguistik optimum untuk kurva segitiga adalah γsama = 0, γmirip = 0,5 dan γbeda = 1 dan untuk kurva Gaussian adalah γsama = 0, γmirip = 0,4 dan γbeda = 1. Nilai presisi yang dihasilkan dengan menggunakan kurva segitiga dan Gaussian berturut-turut adalah 84,67 % dan 84,33 %. Berdasarkan hasil tersebut diatas maka untuk proses agregasi - defuzzyfikasi penggunaan kurva segitiga menghasilkan kinerja lebih baik dibandingkan dengan Gaussian. Hasil lengkap percobaan dengan kurva segitiga dan Gaussian terdapat di Lampiran 7 dan 8.
C. Penilaian Kinerja
1. Kinerja Basis Kaidah Fuzzy
Perancangan basis kaidah fuzzy dalam penelitian ini adalah menggunakan pendekatan logis terhadap klasifikasi ciri warna dan bentuk citra bunga. Citra bunga merupakan hasil proses konversi data analog menjadi dijital oleh peralatan akuisisi citra. Faktor utama yang berpengaruh terhadap warna dan bentuk citra bunga adalah pencahayaan dan sudut pandang pada saat akuisisi citra. Faktor pencahayaan menyebabkan citra bunga (jenis yang sama) mempunyai warna yang bervariasi nilainya pada sistem koordinat R-G-B walaupun secara visual terlihat sama karena keterbatasan mata manusia. Faktor sudut pandang menyebabkan citra bunga mempunyai bentuk yang bervariasi pada ruang dua dimensi.
Berdasarkan kenyataan tersebut di atas, maka perancangan basis kaidah fuzzy untuk pengukuran kemiripan citra menggunakan semua kemungkinan kombinasi klasifikasi ciri warna dan bentuk citra sebagai masukan serta citra keluaran. Walaupun demikian, basis kaidah fuzzy yang dirancang tetap memperhatikan kaidah logis dalam melakukan pengklasifikasian suatu citra. Misalnya dalam satu basis kaidah, jika terdapat masukan ciri warna sama dan bentuk mirip, citra diklasifikasikan menjadi mirip, maka untuk masukan ciri warna sama dan bentuk beda citra harus diklasifikasikan maksimum menjadi
mirip atau tidak boleh diklasifikasikan menjadi sama.
Sistem temukembali citra yang memberikan kinerja optimum adalah yang mempunyai basis pengetahuan terbaik dari 144 tipe basis kaidah fuzzy. Proses penentuan tipe-tipe kaidah terbaik bagi sistem temukembali citra dilakukan dengan dua tahapan percobaan yaitu seleksi kombinasi dan pengujian kinerja
menggunakan metode implikasi Mamdani (Gambar 31). Seleksi kombinasi adalah proses untuk mengeliminasi kombinasi masing-masing blok yang secara visual mudah dinilai kinerjanya tanpa melakukan query pada seluruh jenis bunga.
Gambar 31. Tahapan Seleksi Tipe Kaidah
Proses seleksi kombinasi dimulai dengan membagi basis kaidah fuzzy menjadi tiga blok yaitu blok A, B dan C. Blok A adalah kaidah yang mempunyai ciri warna sama dengan 6 kombinasi keluaran, blok B mempunyai ciri warna
mirip dengan 4 kombinasi keluaran dan blok C kaidah yang mempunyai ciri warna beda dengan 6 kombinasi keluaran. Tipe kaidah yang digunakan untuk melakukan seleksi kombinasi adalah Tipe 1. Hasil yang diperoleh dalam tahapan ini adalah kombinasi masukan masing-masing blok yaitu blok A mempunyai 6 kombinasi, blok B dan C masing-masing mempunyai 2 kombinasi atau sama dengan 6 x 2 x 2 = 24 tipe kaidah (Lampiran 9).
Proses selanjutnya adalah pengujian kinerja terhadap 24 tipe kaidah yang telah dihasilkan oleh tahapan seleksi kombinasi. Tahapan ini seleksi dilakukan dengan percobaan terhadap seluruh tipe kaidah dan kriteria yang digunakan untuk penilaian adalah nilai presisi untuk recall = 1. Rancangan percobaan untuk seleksi tipe kaidah ini adalah sebagai berikut :
Jumlah Percobaan = Tipe Kaidah x Jenis Bunga x Citra Query = 24 x 12 x 5
= 1.440
Gambar 32 adalah grafik hasil percobaan yaitu 6 tipe kaidah terbaik yang mempunyai nilai presisi berdekatan (hasil lengkap di Lampiran 10). Nilai presisi terbesar percobaan ini dihasilkan oleh kaidah Tipe 8 dan 9 yaitu sebesar 84,67 % dan kemudian diikuti oleh kaidah Tipe 7, 2, 3 dan 1 yaitu berturut-turut sebesar 84,44 %, 84,11 %, 84,11 % dan 83,11 %. 83,11 84,11 84,11 84,44 84,67 84,67 80 81 82 83 84 85 86
Tipe 1 Tipe 2 Tipe 3 Tipe 7 Tipe 8 Tipe 9 TIPE KAIDAH PR ESI SI (% )
Berdasarkan hasil percobaan ini tipe kaidah yang dihasilkan merupakan hasil 3 kombinasi blok A, 2 kombinasi blok B dan 1 kombinasi blok C (Tabel 5). Perbedaan masing-masing tipe kaidah dalam satu blok terletak pada masukan ciri warna sama dan bentuk beda. Perbedaan masing-masing blok terletak pada masukan ciri warna mirip dan bentuk beda.
Tabel 5. Basis Kaidah Fuzzy Hasil Seleksi a. Tipe 1
1. IF warna IS sama AND bentuk IS sama THEN citra IS sama 2. IF warna IS sama AND bentuk IS mirip THEN citra IS sama 3. IF warna IS sama AND bentuk IS beda THEN citra IS sama 4. IF warna IS mirip AND bentuk IS sama THEN citra IS mirip 5. IF warna IS mirip AND bentuk IS mirip THEN citra IS mirip 6. IF warna IS mirip AND bentuk IS beda THEN citra IS mirip 7. IF warna IS beda AND bentuk IS sama THEN citra IS beda 8. IF warna IS beda AND bentuk IS mirip THEN citra IS beda 9. IF warna IS beda AND bentuk IS beda THEN citra IS beda b. Tipe 2
1. IF warna IS sama AND bentuk IS sama THEN citra IS sama 2. IF warna IS sama AND bentuk IS mirip THEN citra IS sama 3. IF warna IS sama AND bentuk IS beda THEN citra IS mirip 4. IF warna IS mirip AND bentuk IS sama THEN citra IS mirip 5. IF warna IS mirip AND bentuk IS mirip THEN citra IS mirip 6. IF warna IS mirip AND bentuk IS beda THEN citra IS mirip 7. IF warna IS beda AND bentuk IS sama THEN citra IS beda 8. IF warna IS beda AND bentuk IS mirip THEN citra IS beda 9. IF warna IS beda AND bentuk IS beda THEN citra IS beda c. Tipe 3
1. IF warna IS sama AND bentuk IS sama THEN citra IS sama 2. IF warna IS sama AND bentuk IS mirip THEN citra IS sama 3. IF warna IS sama AND bentuk IS beda THEN citra IS beda 4. IF warna IS mirip AND bentuk IS sama THEN citra IS mirip 5. IF warna IS mirip AND bentuk IS mirip THEN citra IS mirip 6. IF warna IS mirip AND bentuk IS beda THEN citra IS mirip 7. IF warna IS beda AND bentuk IS sama THEN citra IS beda 8. IF warna IS beda AND bentuk IS mirip THEN citra IS beda 9. IF warna IS beda AND bentuk IS beda THEN citra IS beda
d. Tipe 7
1. IF warna IS sama AND bentuk IS sama THEN citra IS sama 2. IF warna IS sama AND bentuk IS mirip THEN citra IS sama 3. IF warna IS sama AND bentuk IS beda THEN citra IS sama 4. IF warna IS mirip AND bentuk IS sama THEN citra IS mirip 5. IF warna IS mirip AND bentuk IS mirip THEN citra IS mirip 6. IF warna IS mirip AND bentuk IS beda THEN citra IS beda 7. IF warna IS beda AND bentuk IS sama THEN citra IS beda 8. IF warna IS beda AND bentuk IS mirip THEN citra IS beda 9. IF warna IS beda AND bentuk IS beda THEN citra IS beda e. Tipe 8
1. IF warna IS sama AND bentuk IS sama THEN citra IS sama 2. IF warna IS sama AND bentuk IS mirip THEN citra IS sama 3. IF warna IS sama AND bentuk IS beda THEN citra IS mirip 4. IF warna IS mirip AND bentuk IS sama THEN citra IS mirip 5. IF warna IS mirip AND bentuk IS mirip THEN citra IS mirip 6. IF warna IS mirip AND bentuk IS beda THEN citra IS beda 7. IF warna IS beda AND bentuk IS sama THEN citra IS beda 8. IF warna IS beda AND bentuk IS mirip THEN citra IS beda 9. IF warna IS beda AND bentuk IS beda THEN citra IS beda f. Tipe 9
1. IF warna IS sama AND bentuk IS sama THEN citra IS sama 2. IF warna IS sama AND bentuk IS mirip THEN citra IS sama 3. IF warna IS sama AND bentuk IS beda THEN citra IS beda 4. IF warna IS mirip AND bentuk IS sama THEN citra IS mirip 5. IF warna IS mirip AND bentuk IS mirip THEN citra IS mirip 6. IF warna IS mirip AND bentuk IS beda THEN citra IS beda 7. IF warna IS beda AND bentuk IS sama THEN citra IS beda 8. IF warna IS beda AND bentuk IS mirip THEN citra IS beda 9. IF warna IS beda AND bentuk IS beda THEN citra IS beda
Hasil yang diperoleh untuk masukan ciri warna sama dan bentuk beda (kaidah nomor 3) pengklasifikasian citra menjadi mirip atau beda mempunyai nilai presisi lebih besar dibandingkan dengan sama, sehingga kinerja kaidah Tipe 2 dan 3 lebih besar dibandingkan dengan Tipe 1 dan kaidah Tipe 8 dan 9 lebih besar dibandingkan dengan Tipe 7. Pengklasifikasian masukan ciri warna sama dan bentuk beda menjadi mirip atau beda menghasilkan nilai presisi yang identik (nilai presisi yang sama untuk tiap jenis bunga) antara kaidah Tipe 2 dengan Tipe 3 dan Tipe 8 dengan Tipe 9.
Tipe kaidah terbaik yang dihasilkan oleh metode implikasi Mamdani tersebut diatas kemudian digunakan untuk percobaan dengan metode implikasi lainnya yaitu Aljabar dan Einstein. Percobaan ini bertujuan untuk melihat pengaruh metode implikasi terhadap kinerja masing-masing tipe kaidah. Tipe kaidah yang digunakan untuk percobaan lanjutan ini adalah Tipe 1, 2, 7 dan 8. Kaidah Tipe 3 dan 9 tidak termasuk dalam pengujian karena nilai presisi yang dihasilkan oleh tipe tersebut identik dengan Tipe 2 dan 8. Rancangan percobaan yang digunakan adalah sebagai berikut :
Jumlah Percobaan = Tipe Kaidah x Jenis Bunga x Citra Query x Metode = 4 x 12 x 5 x 2
= 480
Berdasarkan hasil percobaan dalam Gambar 33 menunjukkan bahwa untuk setiap tipe kaidah yang digunakan untuk pengujian, metode Aljabar dan Einstein menghasilkan nilai presisi yang lebih besar dibandingkan dengan metode Mamdani kecuali Tipe 8 pada metode Einstein yang mempunyai nilai presisi terkecil yaitu 83,44 %. Tipe kaidah terbaik yang dihasilkan percobaan ini untuk metode Mamdani, Aljabar dan Einstein berturut-turut adalah Tipe 8, Tipe 2 dan Tipe 1. Kaidah Tipe 8 menjadi tipe kaidah yang menghasilkan nilai presisi terkecil untuk metode Aljabar dan Einstein. Kaidah Tipe 1 dan 7 metode Aljabar dengan Tipe 7 metode Einstein menghasilkan nilai presisi yang sama tapi tidak identik untuk setiap jenis bunga (hasil lengkap percobaan di Lampiran 11).
83 ,1 1 84, 11 84 ,4 4 84, 67 87 ,5 6 87 ,8 9 87 ,5 6 85 ,6 7 87 ,5 6 86, 67 87,3 3 83 ,4 4 80 82 84 86 88 90
Tipe 1 Tipe 2 Tipe 7 Tipe 8
TIPE KAIDAH P R ESI SI ( % ) Mamdani Aljabar Einstein
Gambar 33. Grafik Perbandingan Nilai Presisi Antar Metode Implikasi Percobaan menggunakan metode Aljabar ini menyebabkan terjadinya pergeseran pengklasifikasian citra yaitu untuk ciri warna mirip dan bentuk beda. Hasil terbaik dengan menggunakan metode Mamdani adalah pengklasifikasian citra menjadi beda dan menggunakan metode Aljabar adalah pengklasifikasian citra menjadi mirip. Pergeseran klasifikasi citra untuk metode Einstein terjadi untuk ciri warna sama dan bentuk beda serta ciri warna mirip dan bentuk beda. Hasil terbaik diperoleh dengan mengklasifikasikan citra menjadi sama untuk ciri warna sama dan bentuk beda, mirip untuk ciri warna mirip dan bentuk beda.
Pengklasifikasian citra dalam tipe kaidah terbaik di setiap metode implikasi hampir sama dengan informasi yang diberikan oleh ciri warna. Metode Aljabar mempunyai pola klasifikasi citra yang lebih mirip dengan metode Einstein dibandingkan dengan metode Mamdani, perbedaannya terletak hanya pada ciri warna sama dan bentuk beda.
Kinerja basis kaidah fuzzy terbaik hasil percobaan tergantung pada metode perhitungan nilai implikasi fuzzy yang digunakan. Basis kaidah fuzzy terbaik yang menghasilkan nilai presisi terbesar untuk perhitungan nilai implikasi fuzzy menggunakan metode Mamdani adalah Tipe 8 (84,67 %), metode Aljabar adalah Tipe 2 (87,89 %) dan metode Einstein adalah Tipe 1 (87,56 %). Basis kaidah fuzzy yang menghasilkan nilai presisi rata-rata tertinggi adalah Tipe 7 (86,44 %) diikuti oleh Tipe 2 (86,22 %), Tipe 1 (86,07 %) dan Tipe 8 (84,59 %).
2. Kinerja Sistem
Penilaian kinerja sistem dilakukan dengan identifikasi urutan citra relevan yang dihasilkan oleh sistem temukembali. Nilai presisi dihitung berdasarkan identifikasi citra relevan yang berada dalam urutan nomor 1 sampai 15 atau nilai
recall = 0,07 – 1. Tahapan ini percobaan dilakukan menggunakan tipe kaidah terbaik untuk masing-masing metode implikasi yaitu Tipe 8 untuk metode Mamdani, Tipe 2 untuk metode Aljabar dan Tipe 1 untuk metode Einstein dengan rancangan percobaan sebagai berikut :
Jumlah Percobaan = Jenis Bunga x Citra Query x Metode Implikasi = 12 x 5 x 3
= 180
Gambar 34 adalah hasil percobaan yang disortasi secara menaik berdasarkan nilai presisi per jenis bunga metode Mamdani. Nilai presisi tiap jenis bunga yang dihasilkan oleh metode Mamdani lebih kecil dibandingkan dengan metode Aljabar dan Einstein kecuali untuk bunga daffodil. Nilai presisi tiap jenis bunga metode Aljabar dan Einstein mempunyai pola yang mirip. Hal ini disebabkan karena pola klasifikasi citra antara metode Aljabar dan Einstein yang lebih mirip dibandingkan dengan metode Mamdani.
Bunga yang mempunyai nilai presisi terkecil untuk metode Mamdani, Aljabar dan Einstein berturut-turut adalah bunga iris (73,33 %), morning glory (77,33 %), morning glory dan lily putih (80,00 %). Jenis bunga yang mempunyai nilai presisi terbesar berturut-turut adalah daisy merah muda (97,33 %), daisy merah muda (98,67 %) dan mawar kuning (100 %).
70 75 80 85 90 95 100
IRS MGM LPT CYM DPT LKH ASC LCK MKN DAF LKC DMM
JENIS BUNGA PR ES IS I (% ) Mamdani, Tipe 8 Aljabar, Tipe 2 Einstein, Tipe 1
Gambar 34. Grafik Nilai Presisi per Jenis Bunga
Gambar 35 adalah nilai interpolasi presisi – recall hasil percobaan untuk menilai kinerja sistem secara keseluruhan. Setiap proses query yang dilakukan sistem bisa mengidentifikasi citra relevan rata-rata dari urutan nomor 1 sampai 4 menggunakan metode Mamdani, urutan nomor 1 sampai 3 menggunakan metode Aljabar dan urutan nomor 1 sampai 5 menggunakan metode Einstein.
Nilai presisi - recall metode Mamdani dari urutan citra nomor 4 sampai 6 lebih besar dibandingkan dengan metode Aljabar. Tapi setelah urutan nomor 7 nilai presisi - recall metode Mamdani menjadi lebih kecil daripada metode
Aljabar karena semakin banyak citra relevan yang tidak teridentifikasi oleh sistem. Nilai presisi - recall metode Einstein dari urutan nomor 4 sampai 14 selalu lebih besar dibandingkan metode Aljabar, tapi urutan nomor 15 terjadi penurunan nilai presisi - recall yang besar terutama untuk bunga daffodil sebesar 6,00 % dan cymbidium sebesar 5,71 % (hasil lengkap di Lampiran 12).
80 85 90 95 100 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 RECALL PRES IS I ( % ) Mamdani, Tipe 8 Aljabar, Tipe 2 Einstein, Tipe 1
Gambar 35. Grafik Nilai Presisi – Recall Sistem Temukembali
Penilaian secara persepsi terhadap citra keluaran yang dihasilkan oleh ketiga metode implikasi dilakukan dengan menggunakan Tipe 7. Gambar 36 adalah citra yang dihasilkan menggunakan citra query bunga daisy putih dan daisy merah muda. Penggunaan metode Mamdani untuk query bunga daisy putih citra yang dihasilkan 86 % jenis bunga daisy dan 14 % dari jenis yang lainnya, untuk query bunga daisy merah muda citra yang dihasilkan 71 % jenis bunga daisy dan 19 % jenis bunga lainnya (Gambar 36 (a)). Citra yang dihasilkan dengan metode
Aljabar untuk query kedua jenis bunga tersebut adalah 54 % dan 51 % jenis bunga daisy dan 46 % dan 49 % jenis bunga lainnya (Gambar 36 (b)). Metode Einstein citra yang dihasilkan adalah 49 % dan 46 % jenis bunga daisy dan 51 % dan 54 % jenis bunga lainnya (Gambar 36 (c)).
(a) Metode Implikasi Mamdani
(b) Metode Implikasi Aljabar
(c) Metode Implikasi Einstein
Percobaan dengan query menggunakan jenis bunga lainnya, metode Mamdani menghasilkan citra yang lebih relevan terhadap warna ataupun bentuk citra query dibandingkan dengan metode Aljabar dan Einstein. Terutama metode Aljabar dan Einstein dari semua jenis bunga citra query menghasilkan selain citra relevan dari jenis dan warna bunga yang sama juga selalu menghasilkan citra dari jenis bunga morning glory. Hal ini tidak terjadi jika menggunakan metode Mamdani dimana citra yang dihasilkan selain citra relevan dari jenis dan warna bunga yang sama juga menghasilkan citra dari jenis bunga yang lebih beragam tergantung citra query yang menjadi masukan sistem temukembali citra. Penilaian secara persepsi ini memberikan hasil bahwa metode Mamdani dapat menghasilkan citra yang lebih baik dibandingkan dengan metode Aljabar dan Einstein.
Hasil identifikasi terhadap nominasi citra relevan ini kemudian digunakan untuk mencari nilai treshold setiap jenis bunga. Nilai treshold diperoleh dengan cara identifikasi nilai centroid citra relevan yang berada di urutan nominasi terakhir, dalam hal ini setiap jenis bunga mempunyai lima nilai centroid. Selanjutnya, dari kelima nilai centroid tersebut dihitung nilai treshold tiap jenis bunga dengan menggunakan fungsi max (Tabel 6).
Tabel 6. Nilai Treshold
Nilai Treshold
No Jenis Bunga
Mamdani Aljabar Einstein
1 Daisy Merah Muda 0,52014 0,51845 0,50719 2 Daffodil 0,52559 0,51746 0,52210 3 Lily Coklat 0,52537 0,52842 0,54149 4 Daisy Putih 0,53027 0,57353 0,57297 5 Mawar Kuning 0,52951 0,54381 0,54484 6 Ascocentrum 0,53043 0,54628 0,53718 7 Cymbidium 0,50471 0,51692 0,52926 8 Morning Glory 0,51484 0,52565 0,53154 9 Lily Kuning Coklat 0,50232 0,51108 0,51969 10 Iris 0,52055 0,52304 0,51676 11 Lily Putih 0,50866 0,53300 0,50858 12 Lily Kuning Hitam 0,51273 0,51236 0,52046
Gambar 37. Citra Keluaran Menggunakan Nilai Treshold
Citra dalam Gambar 37 adalah hasil implementasi nilai treshold dalam sistem dengan menggunakan metode implikasi Mamdani dan kaidah Tipe 8. Penggunaan nilai treshold bertujuan untuk mengeliminasi citra basisdata yang tidak relevan dengan query. Implementasi nilai treshold ini menyebabkan keluaran sistem bersifat dinamis yaitu hanya menampilkan citra yang mempunyai nilai centroid lebih kecil atau sama dengan nilai treshold. Kelebihan lain implementasi nilai treshold adalah penghematan penggunaan memori komputer sehingga menambah kecepatan waktu komputasi. Hal ini disebabkan karena citra keluaran yang disimpan dalam memori komputer adalah citra yang relevan saja.
Metode lain sebagai bahan perbandingan dengan implementasi basis kaidah fuzzy dalam sistem temukembali ini adalah metode pembobotan. Penelitian yang dilakukan oleh Yuni (2006) dengan menggunakan basisdata citra yang sama adalah dengan menggunakan bobot 0,7 untuk ciri warna dan 0,3 untuk ciri bentuk. Metode segmentasi ciri citra yang digunakan dalam penelitian tersebut adalah untuk warna menggunakan fuzzy color histogram dan bentuk menggunakan
Hough Transform. Nilai presisi tertinggi yang diperoleh dengan menggunakan pembobotan tersebut adalah sebesar 44 % dan nilai presisi rata-rata dari seluruh jenis bunga adalah 42 %.
3. Efisiensi Sistem
Terdapat dua kriteria untuk menilai efisiensi sistem temukembali yaitu waktu proses baik untuk ekstraksi ciri maupun query dan ukuran file yang dihasilkan proses ekstraksi ciri. Pengukuran efisiensi sistem ini dilakukan terhadap tiga basisdata dengan jumlah citra yang berbeda. Hal ini dilakukan untuk melihat pengaruh kenaikan jumlah citra dalam basisdata terhadap waktu proses dan ukuran file. Tidak ada ketentuan yang baku mengenai efisiensi sistem temukembali ini. Hasil pengukuran efisiensi sistem temukembali pada Tabel 7 ini bervariasi tergantung pada spesifikasi perangkat keras dan lingkungan perangkat lunak yang digunakan untuk pengukuran efisiensi.
Tabel 7. Efisiensi Sistem Temukembali Citra
Ukuran Data Ekstraksi Proses Temukembali
No Basis Data Jumlah
Citra Basisdata (byte) Indeks (byte) Basisdata(detik) Pencarian(detik) Visualisasi (detik) Jumlah(detik)
1 DBA 210 860.160 53.248 37,843 0,668 0,659 1,326 2 DBB 310 1.269.760 77.824 55,906 0,745 0,858 1,603 3 DBC 417 3.198.976 106.496 73,265 1,003 1,000 2,003
File indeks basisdata yang dihasilkan pada proses ekstraksi ciri besarnya meningkat dalam ukuran kilobyte dibandingkan dengan basisdata yang meningkat dalam ukuran megabyte. Waktu rata-rata yang dibutuhkan untuk ekstraksi ciri sebuah citra adalah sebesar 0,18 detik dan untuk pencarian secara sekuensial dalam file indeks adalah sebesar 0,004 detik. Waktu yang dibutuhkan untuk ekstraksi ciri dan pencarian ini berbanding lurus dengan peningkatan jumlah citra dalam basisdata.
D. Pengembangan Sistem Untuk Aplikasi Pertanian
Sistem temukembali citra berbasis kaidah fuzzy dapat dikembangkan untuk merancang aplikasi dalam bidang pertanian modern yang berbasis teknologi informasi. Faktor-faktor yang perlu diperhatikan dalam pengembangan aplikasi dalam bidang pertanian adalah pembuatan basisdata training untuk masing-masing komoditi pertanian serta pencahayaan dan sudut pandang kamera untuk mengakuisisi citra sebagai masukan sistem.
Secara konseptual dalam Gambar 38 pengembangan sistem temukembali untuk aplikasi di bidang pertanian dimulai dengan melakukan investigasi dalam domain kepakaran dalam hal ini orang yang pakar dalam pengolahan citra dan petugas survei. Pengetahuan yang diperoleh kemudian diformulasikan dalam bentuk peubah linguistik dalam kaidah-kaidah fuzzy. Domain pengetahuan dapat berasal dari sumber lain seperti data histori yang telah diolah secara statistik.
Kegiatan investigasi tersebut akan menghasilkan dua faktor yang paling berpengaruh terhadap keberhasilan pengembangan sistem. Pertama, seorang pakar dalam pengolahan citra akan memberikan kontribusi terhadap jenis ciri citra dan metode segmentasi yang akan digunakan untuk menghasilkan data training
untuk masing-masing kategori. Kedua, dengan pengetahuan yang diperoleh dari hasil kajian ilmiah dan survei langsung di lapangan akan menghasilkan basis kaidah fuzzy yang akan diimplementasikan dalam sistem.
Gambar 38. Arsitektur Sistem Temukembali Citra Untuk Aplikasi Pertanian. Aplikasi dalam bidang pertanian yang secara langsung bisa dikembangkan adalah aplikasi untuk tujuan pendidikan yaitu perpustakaan dijital. Hal ini disebabkan karena aplikasi perpustakaan dijital ini mempunyai prinsip kerja yang sama dengan prinsip kerja dalam sistem temukembali citra yaitu sistem berfungsi sebagai mesin pencari citra dalam basisdata yang relevan dengan citra query.
Pengembangan aplikasi untuk kegiatan agroindustri dapat digunakan untuk melakukan identifikasi jenis-jenis komoditi pertanian misalnya bunga, kayu, buah dan lain-lain dengan tujuan untuk melakukan kegiatan sortasi hasil panen. Pengembangan aplikasi dalam bidang agroindustri memerlukan perangkat keras yaitu antarmuka antara unit pengolah data dengan peralatan sortasi. Antarmuka perangkat keras ini berfungsi sebagai alat untuk menyampaikan perintah yang
sudah didefinisikan terlebih dahulu dari unit pengolah data ke peralatan sortasi. Sistem temukembali dalam hal ini digunakan sebagai alat untuk mengambil keputusan terhadap masukan yang diperoleh.
Aplikasi lain dalam bidang pertanian yang sudah dilakukan penelitian adalah pengembangan sistem temukembali citra untuk pengklasifikasian lahan dengan basis citra satelit. Berdasarkan penelitian Parulekar, Datta, Li dan Wang (2005) dari The Pennsylvania State University dan University Park citra satelit yang digunakan sebagai basisdata dibagi menjadi beberapa area (region of
interest) dan setiap area tersebut kemudian diklasifikasikan secara semantik.
Arsitektur sistem dalam Gambar 39 terdiri dari off-line processing dan
on-line querying. Bagian off-on-line processing merupakan proses untuk melakukan
pengindeksan warna dan tekstur masing-masing area citra satelit dan kemudian hasilnya digunakan sebagai data training masing-masing kategori lahan. Bagian
on-line querying merupakan proses temukembali dimana pengguna melakukan query dengan menggunakan potongan citra. Citra query dari pengguna ini kemudian diukur kemiripannya dengan masing-masing kategori lahan dan sistem kemudian menampilkan urutan nominasi kategori lahan.
Metode pengukuran kemiripan dalam sistem pengklasifikasian lahan ini dapat dimodifikasi dengan mengimplementasikan metode basis kaidah fuzzy. Pengimplementasian basis kaidah fuzzy ini dilakukan dengan memperlakukan masing-masing kategori lahan sebagai basisdata citra yang akan diukur kemiripannya dengan citra query. Hal-hal yang harus dilakukan terlebih dahulu adalah pengaturan kembali nilai parameter fuzzyfikasi, agregasi - defuzzyfikasi dan basis kaidah fuzzy yang memberikan kinerja terbaik dari masukan ciri warna dan tekstur citra.
