ISSN : 2302-450X
PROSIDING
PERTEMUAN DAN PRESENTASI KARYA ILMIAH
BALI, 23 OKTOBER 2015
PEMBICARA UTAMA SEMINAR PANEL DENGAN TEMA
“
Inovasi Teknologi Informasi dan Komunikasi dalam
Menunjang Technopreneurship
”
Ir.Onno Widodo Purbo.M.Eng.Ph.D
Putu Sudiarta, S.Kom
PENYUNTING AHLI
Dr. Ahmad Ashari.M.Kom
PELAKSANA SEMINAR
PELINDUNG
Rektor Universitas Udayana, Bali
PENANGGUNG JAWAB
Dekan Fakultas MIPA Universitas Udayana
Ketua Program Studi Teknik Informatika, FMIPA Universitas Udayana
PANITIA
I Gusti Agung Gede Arya Kadyanan,S.Kom.,M.Kom.
I Dewa Made Bayu Atmaja Darmawan,S.Kom.,M.Cs.
I Wayan Supriana,S.Si.,M.Cs.
Ida Bagus Made Mahendra, S.Kom., M.Kom.
I Komang Ari Mogi, S.Kom, M.Kom.
I Made Widi Wirawan, S.Si., M.Cs.
I Putu Gede Hendra Suputra, S.Kom., M.Kom.
Ngurah Agus Sanjaya ER., S.Kom., M.Kom.
Agus Muliantara, S.Kom.,M.Kom.
I Made Widiartha,S.Si., M.Kom.
Made Agung Raharja, S.Si., M.Cs.
I Gusti Ngurah Anom Cahyadi Putra, S.T., M.Cs.
I Gede Santi Astawa, S.T., M.Cs.
KATA PENGANTAR
Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa, atas terselesainya
penyusunan
Proceeding
SNATIA 2015 ini. Buku ini memuat naskah hasil penelitian dari
berbagai bidang kajian yang telah di
review
oleh pakar dibidangnya dan telah
dipresentasikan dalam acara Seminar SNATIA tahun 2015 pada tanggal 23 Oktober 2015
di Universitas Udayana kampus Bukit Jimbaran, Badung, Bali.
Kegiatan SNATIA 2015 merupakan agenda tahunan Program Studi Teknik
Informatika, Jurusan Ilmu Komputer, Universitas Udayana. SNATIA 2015 mengambil
tema “Inovasi
Teknologi
Informasi
dan
Komunikasi
dalam
Menunjang
Technopreneurship”, dengan pembicara utama seminar yang terdiri dari pakar-pakar
peneliti dan Pemerhati dibidang Teknologi Informasi dan Technopreneurship.
Meskipun kegiatan seminar dan pendokumentasian naskah dalam
proceeding
ini telah
dipersiapkan dengan baik, namun kami menyadari masih banyak kekurangannya. Untuk itu
panitia mohon maaf yang sebesar-besarnya, dan juga mengucapkan terimakasih atas
kepercayaan dan kerjasamanya dalam kegiatan ini. Kritik dan saran perbaikan sangat
diharapkan untuk penyempurnaan di masa mendatang, yang dapat dikirimkan melalui
e-mail snatia.unud@gmil.com.
Kepada semua pihak yang terlibat, baik langsung maupun tidak langsung dalam
penyelenggaraan seminar, dan penyusunan
proceeding
SNATIA 2015, panitia
mengucapkan terima kasih.
Denpasar, 17 Oktober 2015
DAFTAR ISI
Kata Pengantar
Daftar Isi
Analisis dan Perancangan Sistem Informasi Kehadiran Pegawai pada Pusat
Penelitian Perkembangan IPTEK Lembaga Ilmu Pengetahuan Indonesia
Warkim ... ...
1
Kompresi Citra Medis dengan Wavelet Packet
I Made Ari Dwi Suta Atmaja
...
11
Ekstraksi Fitur Warna dan Tekstur untuk Clustered-Based Retrival if Images
(CLUE)
Sugiartha I Gusti Rai Agung ...
16
Peningkatan Kemampuan Guru dalam Menggunakan Geogebra sebagai
Media Pembelajaran Matematika SMP
Luh Putu Ida Harini ...
21
Perbandingan Model Pembelajaran Kooperatif Tipe Belajar Bersama
Menggunakan Media Google Drive dan Tanpa Google Drive
Desak Putu Eka Nilakusuma ...
28
Analisa
Faktor-Faktor
yang
Mempengaruhi
Actual
Usage
dalam
Penggunaan Tiket Elektronik dengan Menggunakan Technology Acceptance
Model (TAM) Studi Kasus PT.KAI Commuter Jabodetabek
Enok Tuti Alawiah ...
35
Pemanfaatan Aplikasi Google Docs sebagai Media Pembinaan Karya Ilmiah
Remaja
Komang Dharmawan ...
45
Penerapan WAN dengan Protokol Routing RIP dan Passive Interfaces
sebagai Pemilihan Jalur Menggunakan GNS3
Anggarda Sanjaya ...
49
Perancangan dan Implementasi Sistem Informasi Maajemen Rumah Sakit
pada Unit Rawat Inap Studi Kasus Rumah Sakit Umum Famili Husada
I Dewa Ayu Kompyang Putri Utari ...
54
Perancangan dan Implementasi Sistem Informasi Manajemen Rumah Sakit
Umum Famili Husada pada Unit Poliklinik
Mengukur Kinerja Load Balancing pada Sistem Cloud Computing dengan
Parameter Throughput
I Gusti Ngurah Ary Juliantara ...
71
Perancangan dan Implementasi Sistem Informasi Manajemen Gudang pada
Rumah Sakit Famili Husada
Luh Gede Apryta Astaridewi ...
77
Perancangan Website E-Commerce pada Toko Gadget Online Store
Ni Kadek Dwi Asri ...
85
Segmentasi Citra Tulisan Tangan Karakter Aksara Bali Menggunakan
Metode Profile Projection
Ni Wayan Deviyanti Septiari ...
91
Klasifikasi Penyakit Anak pada Proses Retrieve dalam Sistem Pakar Berbasis
Case Based Reasoning (CBR) dengan Metode Nearest Neighbour
Ni Wayan Ririn Puspita Dewi ...
98
Perancangan dan Implementasi Sistem Informasi Manajemen Instalasi
Gawat Darurat pada Rumah Sakit Famili Husada
Putu Ita Purnama Yanti ...
105
Analisis dan Perancangan Sistem Informasi Geografis Berbasis Web untuk
Mengetahui Ketersedian Air Tanah di Provinsi Bali
Made Dinda Pradnya Pramita ...
112
Perancangan dan Implementasi Sistem Informasi Manajemen Rumah Sakit
pada Unit Radiologi
–
Studi Kasus Rumah Sakit Umum Famili Husada
I Putu Agustina .. ...
120
Pengamanan File Video MP4 dengan Metode Enkripsi Menggunakan
Algoritma RC5
Rahmantogusnyta Mariantisna ...
128
Perancangan dan Implementasi Sistem Informasi Geografis Pariwisata di
Bali Berbasis Web
16
EKTRAKSI FITUR WARNA DAN TEKSTUR UNTUK
CLUSTERED-BASED RETRIEVAL OF IMAGES
(CLUE)
Sugiartha I Gusti Rai Agung
1, Sudarma Made
2, Oka Widyantara I Made
21
STMIK STIKOM Bali
Jl. Raya Puputan No 86 Renon, Denpasar, Bali 2
Magister Teknik Elektro, Universitas Udayana Jl. PB. Sudirman, Denpasar, Bali
Email: sugiarta@stikom-bali.ac.id1, msudarma@unud.ac.id2, oka.widiantara@unud.ac.id2
ABSTRAK
Ga mba r(citra ) merupa ka n media ya ng diguna ka n untuk menyimpa n da ta visua l, seba ga i contoh ga mba r dua dimensi ya ng sering diperguna ka n untuk menyimpa n sua tu keja dia n. Tida k bisa dipungkiri kebia sa a n untuk menyimpa n ga mba r pa da media internet sa nga t pesa t. Terda pa t ba nya k konten ga mba r, video, teks a ta u konten ya ng la innya di ja ringa n Internet. Ima ge Index da n temu citra kemba li menja di topik penelitia n da la m deka de tera khir ini dima na terkonsentra si pa da ba ga ima na ca ra menda pa tka n ma kna da ri sebua h informa si ya ng terka ndung da la m sebua h ga mba r. Tiga met ode seca ra ga ris besa r da la m penca ria n sebua h ga mba r, ya itu temu kemba li ga mba r berba sis teks, temu kemba li ga mba r berba sis konten, da n pengindeksa n ga mba r denga n ta ta na n ba ha sa . Penelitia n ini berfokus pa da penyia pa n fitur da ri sebua h ga mba r berda sa rka n wa rna da n tekstur. Fitur wa rna mengguna ka n nila i ra ta -ra ta Hue ga mba r, fitur tekstur mengguna ka n Gra y Level Occura nce Ma trix (GLCM). Teknik ektra ksi wa rna da n tekstur mengha silka n 6 (ena m) bua h fitur ya ng ma mpu diguna ka n seba ga i fitur di proses Clustering g a mba r.
Kata Kunci: Ektraksi Fitur Warna, Ektraksi Fitur Tekstur, Gra y Level Occura nce Ma trix, Clustered -Ba sed Retrieva l of Ima ges.
ABSTRACT
Picture (ima ge) is a media tha t used for storing visua l da ta , for exa mple, two -dimensiona l ima ges a re often used to store a n incident. Ima ges on the internet media growth very ra pidly. There a re a lot of ima ge, video, text or other content on the Internet. Ima ge Index a nd ima ge ret rieva l a ga in become a topic of resea rch in the la st deca de in which concentra ted on how to get the mea ning of a n informa tion conta ined in a n ima ge. Three methods outlined in the sea rch for a n ima ge, the text -ba sed ima ge retrieva l, content-ba sed ima ge retrieva l a nd indexing ima ges in the order of la ngua ge. This study focuses on the prepa ra tion of the fea tures of a n ima ge ba sed on color a nd texture. Fea tures colors using the a vera ge va lue of Hue ima ge, texture fea tures using Gra y Level occura nce Ma trix (GLCM) . Color a nd texture extra ction technique resulted in six (6) fea ture tha t ca n be used a s fea tures in the process of Clustering.
Keywords: isi kata kunci, Times New Roman 10, Normal, kecuali untuk kata asing harus Ita lic.
1
PENDAHULUAN
Gambar(citra) merupakan media yang
digunakan untuk menyimpan data visual, sebagai
contoh gambar dua dimensi yang sering
dipergunakan untuk menyimpan suatu kejadian. Gambar akan menyimpan data dan bisa dijadikan sebuah informasi. Gambar akan dikumpulkan pada sebuah tempat yang kemudian hari bisa diambil dan dipergunakan. Tidak bisa dipungkiri kebiasaan untuk menyimpan gambar pada media internet sangat pesat. Terdapat banyak konten gambar, video, teks atau konten yang lainnya di jaringan Internet. Ini memberikan manfaat apabila ada pengguna yang berkeinginan menggunakan sebuah gambar dengan
tema tertentu. Proses pencarian dan penjelajahan sebuah gambar pada sekumpulan gambar yang banyak tentu akan membutuhkan waktu yang sangat lama. Image Index dan temu kembali gambar menjadi topik penelitian dalam dekade terakhir ini
dimana terkonsentrasi pada bagaimana cara
mendapatkan makna dari sebuah informasi yang terkandung dalam sebuah gambar. Secara garis besar metode dalam pencarian gambar, yaitu temu kembali gambar berbasis teks, temu kembali gambar berbasis konten, dan pengindeksan gambar dengan tatanan
bahasa. Temu kembali gambar berbasis teks
merupakan pencarian gambar dengan format
Sugiartha I Gusti Rai Agung, Ektraksi Fitur Warna dan Tekstur untuk Clustered-Based Retrieval of Images (CLUE)
17
kata yang secara kontekstual terkandung dalam gambar tersebut. Metode ini sudah digunakan oleh Google Image dan Lycos Multimedia Search. Temu
kembali gambar berbasis konten merupakan
pencarian gambar dengan format pencarian
menggunakan nilai dari piksel warna, metode ini dinamakan Content-Based Image Retrieval (CBIR). CBIR merupakan teknik yang dipergunakan untuk pencarian dan penjelajahan di kumpulan gambar yang jumlahnya besar. Teknik yang digunakan dalam CBIR adalah mengumpulkan, mengurutkan dan memilah beberapa gambar berdasarkan kemiripan fitur yang terdapat dalam sebuah gambar (Chen, Yixin. 2005).
Skema CLUE (CLustered-ba sed rEtrieva l of ima ges) dengan menggunakan pembelajaran mesin tanpa pengawasan (ma chine unsupervised lea rning) dengan menggunakan metode clustering yang berbasiskan dari kemiripan konten yang dijadikan acuan pencarian oleh pengguna. Skema CLUE memiliki 2 tahapan utama yaitu enrollment pha se dan ima ge retrieva l. Pada penelitian ini berfokus pada Enrollment Phase, dimana tahapan ini merupakan proses ekstraksi gambar, penentuan fitur yang akan
digunakan dalam proses clustering gambar
berikutnya.
2
MODEL, ANALISIS, DESAIN, DAN
IMPLEMENTASI
2.1 Sistematika Penelitian
Penelitian merupakan suatu investigasi yang empiris, sistematis, terkontrol, dan kritis dari suatu proposal hipotesis mengenai hubungan tertentu antar
fenomena. Penelitian disini bertujuan untuk
memberikan kontribusi terhadap ilmu pengetahuan dalam memecahkan masalah dengan menggunakan metode-metode yang sesuai. Alur analisis penelitian dilakukan berdasarkan permasalahan yang akan ditangani oleh sistem, dimana sistematika penelitian yang digunakan pada penelitian ini sebagai berikut:
Studi Pustaka Pengumpulan Data Pengembangan sistem
Image Retrieval
Pengujian Analisis dan Evaluasi
Hasil
Gambar 1. Sistematika Penelitian
2.2 Desain Umum Sistem
Sistem yang dibangun terlihat seperti pada gambar 2. Kumpulan dari beberapa gambar, akan di
hitung masing-masing fitur warna dan fitur
teksturnya. Fitur yang sudah dibangkitkan akan disimpan ke dalam simpanan data.
Pre- Processing Transformation Feature Extraction Collected Data Image Database Image Feature Stored
Gambar 2. Gambar an Umum Sistem
2.3 Implementasi
Pada tahapan implementasi, penelitian
menggunakan ektraksi fitur warna dan fitur tekstur untuk masing-masing gambar.
2.3.1 Fitur Warna
Pada proses ektraksi ciri warna diawali dengan pengambilan warna RGB tiap pixel yang kemudian dikonversi ke HSV. Warna masing-masing
piksel kemudian dikuantitasi menjadi 64
kemungkinan warna. Cara ini menghasilkan nilai H berkisar antara 0 sampai dengan 3, S berkisar antara 0 sampai dengan 3, dan V berkisar antara 0 sampai dengan 3. Kemudian melakukan proses normalisasi sehingga menghasilkan histogram HSV.
Pengambilan nilai Hue dari suatu pixel warna menggunakan rumus (Parker, 2011):
Cmax=ma x(R,G,B) (1)
Cmin=min(R,G,B) (2)
∆ = Cmax-Cmin (3)
Hue
=
{
}
(3)Fitur Warna
=
∑ ∑
(4)
2.3.2 Fitur Tekstur
ISSN : 2302
–
450X
18
tahapan yang digunakan dalam pengambilan ciri tekstur dari sebuah gambar.
1. Citra warna dirubah menjadi citra grayscale.
2. Segmentasi nilai warna ke dalam 16 bin.
3. Hitung nilai-nilai co-occurance matrix dalam
empat arah masing-masing 00, 450, 900, dan
1350
4. Hitung informasi ciri tekstur yaitu yaitu
contrast, correlation, energy, homogeneity, dan entropy
5. Masing-masing matriks akan dihitung tekstur
citra yaitu : Contrast, Correlation, Energy, Homogeneity, dan Entropy. Jeremiah (2007)
Contra st :
∑
[∑ ∑
]
(5)Correla tion :
∑
( ) (6)Energy :
∑
(7)Homogeneity :
∑
(7)
Entropy : -
∑
(8)dengan P(i,j) merupakan elemen baris i, kolom
ke-j dari occurance matrix. adalah nilai rata-rata baris
ke-i dan adalah nilai rata-rata kolom ke-j pada
matrix P. adalah standar deviasi baris ke-i dan
adalah standar deviasi kolom ke-j pada matriks P. Contrast menunjukkan ukuran penyebaran
elemen-elemen matriks citra. Contrast akan
memberikan nilai maksimum apabila suatu gambar grayscale memiliki penyebaran piksel warna yang tinggi.
Correlation menunjukkan ukuran hubungan linear dari nilai graylevel piksel ketetanggaan.
Energy menunjukkan tingkat keseragaman piksel-piksel suatu citra. Semakin tinggi nilai energy, maka semakin seragam teksturnya.
Homogenity menunjukkan ukuran kedekatan setiap elemen dari co-occurrence matrix.
Entropy menunjukkan tingkat keacakan piksel-piksel suatu citra. Semakin tinggi nilai entropy, maka semakin acak teksturnya.
2.4 Instrumen Penelitian
Instrumen penelitian yang digunakan dalam
penelitian untuk mengolah, mengumpulkan,
menganalisa dan menyajikan data diantaranya:
1. Perangkat Lunak
a. Sistem Operasi Windows 8.1
b. Bahasa Pemrograman C#
c. Database SQL Server 2008
2. Perangkat Keras
a. Proc. Intel Core i3
b. RAM 4 GB
c. Hardisk 280 GB
d. VGA 1 GB
3
SKENARIO UJI COBA
Pengujian teknik ekstraksi fitur yang
diimplementasikan pada sistem image retrieval ini memerlukan suatu data uji untuk mengetahui hasil dan kinerja dari algoritma ini. Data uji yang digunakan dalam kasus ini adalah berupa citra atau gambar yang berwarna.
Citra uji yang digunakan pada penelitian ini adalah Corel Photo Gallery yang diperoleh dai situs sites.google.com/site/dctresearch/Home/content-based-image-retrieval yang disediakan oleh Corel Database, dimana situs ini menyediakan berbagai macam citra uji yang khusus digunakan untuk sistem image retrieval. Berbagai macam citra uji dengan beragam variasi dan karakteristik tersebut dibungkus kedalam sebuah dataset yang dapat diunduh secara gratis. Dari sekian banyak kategori citra uji yang tersedia, pada penelitian ini hanya digunakan lima belas kategori citra uji yang sudah dipilih secara acak. Contoh gambar yang digunakan pada penelitian ini dapat dilihat pada gambar 3 berikut ini:
(a)
(b)
(c)
Gambar 3. Gambar Uji : kategori : (a) Anjing, (b) Ballon, (c) Bunga
4
HASIL UJI COBA
Sugiartha I Gusti Rai Agung, Ektraksi Fitur Warna dan Tekstur untuk Clustered-Based Retrieval of Images (CLUE)
19
basis data SQL Server 2008 R2. Berikut merupakan halaman utama dari aplikasi yang dibangun:
Gambar 4 Halaman Utama Aplikasi Image Retrieval
Langkah berikutnya adalah memilih gambar latih dengan memilih menu [Open Folder Image], gambar 5 menunjukkan dialog berkas yang muncul ketika pengguna ingin memilih folder citra yang ingin dijadikan citra latih.
Gambar 5 Folder Browser pemilihan citra
Apabila folder citra latih sudah dipilih, halaman citra akan terlihat seperti terlihat pada gambar 6 berikut ini:
Gambar 6 Halaman Tampilan Citra Latih
Sebelum data latih digunakan sebagai atribut dalam
proses clustering, diperlukan proses untuk
mengambil suatu ciri dalam suatu citra. Berikut merupakan gambaran hasil dari ektraks i fitur tekstur dari sebuah gambar.
Gambar 4 Halaman Ekstraksi Tekstur
5
KESIMPULAN
5.1 Simpulan
Tujuan utama dari penemuan gambar adalah untuk menghapus kehilangan data dan penggalian bermakna informasi kepada kebutuhan manusia yang diharapkan. Di sini, kami telah dilengkapi beberapa teknik, yang dapat diterapkan untuk setiap sistem proposal baru di masa depan. Dalam sistem ini, teknik baru yang disebut image
pengambilan dari cluster diperkenalkan untuk
mengurangi ruang waktu pencarian. Selain itu, RGB komponen gambar warna diklasifikasikan dalam dimensi yang berbeda dalam rangka menciptakan Merah, Biru dan cluster gambar hijau. Texture extraction menggunakan LGCM. Selanjutnya, semua atribut digunakan dalam proses clustering.
5.2 Saran
Pengembangan lebih lanjut adalah membangun sistem temu citra kembali dengan menggabungkan sistem CBIR (Content Base Image Retrieval), hasil citra kemudian di urutkan, hasil citra ini kemudian lagi dilakukan proses clustering.
Metode untuk clustering bisa menggunakan
unsupervised machine learning seperti metode Self Optimizing Map (SOM)
6
DAFTAR PUSTAKA
[1] Chen, Yixin. 2004. Machine Learning and
Statistical Modelling Approaches To Image Retrieval.Kluwer Acedemic Publisher:Boston
[2] Ferguson, Jeremiah R. 2007. Using the
Gray-Level Co-Occurrence Matrix to Segment and Classify Radar Imagery. Reno: University of
Nevada
[3] Han, J. & Kamber, M., 2006. Data Mining :
Concepts and Techniques . San Faransisco:
Morgan Kaufmann.
[4] He, Daan.2007.Applying the Extend Mass
-constraint EM algortihm to Image
Retrieval.Computer and Mathematics with
Applications
[5] Hearst, M. A. and Pedersen, J. O. (1996).
Reexamining The Cluster Hypothesis:
Scatter/Gather On Retrieval Results . In Proc.
ISSN : 2302
–
450X
20
SIGIRConference on Research and
Development in Information Retrieval
(SIGIR’96), pages 76–84
[6] Jain, A.K.1999. Data Clustering: A
Review.ACM Computing Survey, Vol 31, No 3.
Hal 264-323
[7] Jogiyanto, HM., 1989, Analisis & Disain
Sistem Informasi : Pendekatan Terstruktur,
Yogyakarta : Andi Offset.
[8] Laaksonen, Jorma.1999. Content Based Image
Retrieval using Self Organizing Maps . Visual
Information and Information Systems Lecture Notes in Computer Science, Vol. 1614, Hal 541-549
[9] Madhulata, Soni. 2012. An Overview On
Clustering Methods. IOSR Journal of
Engineering, Vol2(4), Hal: 719-725
[10]Matsuyama,Yasuo.2007. Image-to-Image
Retrieval Using Computationally Learned
Bases dan Color Information.Proceedings of
International Joint Conference on Neural Network
[11]Ma, Hao. 2010. Bridging the Semantic Gap
Between Image Contents and Tags . IEEE
Transaction on Multimedia
[12]Parker, J.R. 2011. Algorithms for Image
Processing and Computer Vision.
Indianapolis: Wiley Publishing, Inc
[13]Pao,H.T. 2008. An EM Based Multiple
Instance Learning Method for Image
Classification
[14]Raghavan, Vijay. 1989. A Critical
Investigation of Recaal and Precision as Measures of Retireval System Performance.
ACM Transactions on Information Systems, Vol.7, Hal 205-229
[15]Setiawan, Wawan & Munir, 2006. Pengantar
Teknologi Informasi : Basis Data. Bandung:
Universitas Pendidikan Indonesia.
[16]Vercellis, C., 2009. Business Intelligence :
Data Mining dan Optimization for Decision Making. Chichester: John Wiley & Sons.
[17]Warsito, B. 2008. Clustering Data
Pencemaran Udara Sektor Industri di Jawa Tengah dengan Kohonen Neural Network.
Jurnal PRESIPITASI, Vol. 4
[18] Zhang, L. 2003. Automated Annotation of
Human Faces in Family Albums . Prosiding
ACM International Conference on Multimedia
