1
Salah satu hewan peliharaan yang populer di indonesia adalah burung. Jenis burung yang banyak dipelihara diantaranya burung kicauan. Jenis burung kicauan ini sering digunakan dalam berbagai kontes dan perlombaan burung. Hobi memelihara burung di indonesia memiliki banyak peminat dengan alasan yang bermacam-macam. Burung memiliki keunikan, kindahan suara dan kecantikan warna warni bulunya yang mampu memberikan kepuasan tersendiri bagi pemiliknya. Suara dari beberapa jenis burung sangat merdu yang tentunya memukau telinga para pecinta burung sehingga sering diikutsertakan dalam berbagai kontes burung kicauan.
Salah satu jenis burung yang jadi primadona sebagai peliharaan adalah lovebird. Lovebird merupakan salah satu dari Sembilan spesies dari genus Agapornis, asal mula kata berasal dari negara Yunani Agape yang berarti cinta dan Ornis yang berarti burung. Hewan ini adalah tipe burung yang social atau berkelompok dan dekat dengan keluarga bayan. Delapan spesies Lovebird berasal dari benua Afrika, sementara Grey-headed Lovebird berasal dari Madagaskar. Lovebird merupakan tipe burung yang monogamy atau setia pada pasangan dalam jangka waktu yang lama. Beberapa spesies yang dibiakkan sebagai hewan peliharaan dengan berbagai warna yang cantik merupakan hasil persilangan yang slektif di peternakan burung. Lovebird pada umumnya dapat berumur 10 sampai 15 tahun. Lovebird termasuk burung kecil dengan ukuran maksimalnya 13-17 cm dan berat badan mencapai 40-60 gram. Lovebird adalah burung terkecil dari keluarga betet. Lovebird memiliki tubuh kompak, ekor pendek berujung tumpul, paruh tajam. Lovebird liar di dominasi warna hijau dengan berbagai warna pada tubuh bagian atas,tergantung spesies. Lovebird Fischer’s, Lovebird Black-cheeked, dan Masked Lovebird memiliki cincin putih terkemuka di sekitar mata mereka. Di Indonesia tipe ini disebut dengan Lovebird kacamata atau juga dapat
disebut Lovebird clep. Populasi liar Lovebird spesies Fischwri masked berada di kota-kota di Afrika Timur. Lovebird hibrida memiliki warna coklat kemerahan pada kepala dan oranye di dada bagian atas dan sedikit mirip dengan jenis Masked Lovebird. Lovebird memiliki kecenderungan untuk menjalin ikatan baik dengan sesama burung Lovebird atau berinteraksi dengan manusia.
Terdapat penelitian tentang budidaya lovebird oleh nopry adi winata, menurut penelitian tersebut peminat burung lovebird di kota solo berdasarkan jumlah member komunitas yaitu 35883 member semakin banyak dan berkembang [1].Sedangkan di kota semarang jumlah peminat lovebird mencapai 41,937 anggota berdasarkan data komunitas lovebird semarang. Seiring banyaknya peminat pembeli atau peminat hobi lovebird yang baru cenderung awam dalam pengetahuan dari lovebird. Hal tersebut menyebabkan dalam pembelian lovebird tidak mengetahui jenis-jenis sedangkan jenis burung lovebird terdapat sembilan jenis. Sehingga perlu adanya penelitian yang dapat bermanfaat untuk masyarakat awam dalam mengetahui jenis jenis lovebird.
Dalam upaya mengetahui dan membedakan jenis-jenis lovebird dapat dilakukan dengan cara membandingkan gambar atau citra lovebird untuk mengetahui kemiripan. Pada kajian ilmu komputer bidang yang membahas tentang citra adalah image processing. Dalam image processing untuk mengetahui kemiripan dapat menggunakan teknik CBIR (Content Based Image Retrieval) yang dalam prosesnya membandingkan warna dari citra atau histogram warna. Histogram warna adalah representasi distribusi warna pada suatu citra yang diperoleh dengan menghitung jumlah pixel dari setiap bagian range warna, secara tipikal dalam dua dimensi atau tiga dimensi.
Penelitian ini mengusulkan penggunaan CBIR berbasis histogram warna untuk mengetahui jenis lovebird. Proses dalam mengetahui jenis lovebird dilakukan dengan cara membandingkan citra acuan lovebird jenis yang dipilih dengan citra baru yang belum diketahui jenisnya. Proses perbandingan dilakukan
dengan mencari histogram warna untuk masing-masing citra, setelah itu dibandingkan dengan menghitung jarak dengan Euclidean Distance. Berdasarkan hasil jarak akan diketahui kemiripan dari citra yang dibandingkan untuk dijadikan penentu jenis lovebird.
Berdasarkan uraian diatas peneliti menentukan penggunaan CBIR (Content Based Image Retrieval) untuk menentukan jenis-jenis lovebird disusun dalam laporan penelitian dengan judul “pengenalan jenis burung lovebird dengan menggunakan Content Based Image Retrival berbasis Color Histogram”.
1.2 Rumusan Masalah
Dilihat dari latar belakang yang telah dibahas, rumusan masalah dalam penelitian ini adalah, menentukan jenis jenis burung Lovebird berdasarkan corak warna burung menggunakan teknik CBIR (Content Based Image Retrieval). 1.3 Batasan Masalah
Dalam pembuatan Tugas Akhir ini, dibuat beberapa batasan masalah agar penelitian lebih terfokuskan :
1. Citra yang digunakan untuk penelitian berjumlah 70 gambar citra Lovebird.
2. Pengambilan gambar harus dari samping hewan tersebut.
3. Jenis Lovebird yang diujikan hanya Lovebird sejenis yang dewasa. 4. Ukuran gambar yang digunakan adalah 478x640 pixel.
5. Penelitian hanya menghitung perbandingan warna histogram dari sampel yang sudah disediakan.
1.4 Tujuan Penelitian
Dalam melakukan penelitian ini, bertujuan untuk menerapkan metode CBIR (Content Based Image Retrieval) dalam menentukan jenis jenis burung Lovebird dengan berdasarkan corak warna dan tekstur gambar.
1.5 Manfaat Penelitian
Manfaat yang dapat diambil dari penelitian ini adalah : 1.5.1 Manfaat bagi Universitas
1. Berguna untuk mengetahui sejauh mana kemampuan mahasiswa dalam penguasaan materi yang didapat selama mengikuti perkuliahan di UDINUS (Universitas Dian Nuswantoro).
2. Berguna sebagai acuan mahasiswa tingkat akhir dalam melakukan sebuah penelitian skripsi.
1.5.2 Manfaat bagi penulis
1. Agar penulis mendapatkan sebuah pengetahuan yang baru dalam melakukan sebuah penelitian dan bisa mengenal lebih dalam tentang jenis burung Lovebird dan bisa lebih baik lagi dari para peneliti sebelumnya.
2. Menambah pengetahuan dan dapat mengenal lebih jauh tentang burung Lovebird.
1.5.3 Manfaat bagi masyarakat
1. Dalam melakukan penelitian ini dapat dengan mudah mengetahui jenis jenis burung Lovebird.
2. Dapat dijadikan sebuah referensi bagi peneliti maupun pembaca yang ingin melakukan penilitian dengan topik serupa.
5 No
Nama Peneliti dan
Tahun
Judul Metode Hasil
1. Her Rizky Inannas, 2016 [2]
Analisa Kondisi Kesehatan Mata Pada Burung Lovebird
MenggunakanContent Based Image Retrieval Berbasis Color Histogram
Content Based Image Retrieval – Color Histogram
Aplikasi yang dapat menganalisa keadaan kesehatan mata burung lovebird berdasarkan implementasi metode CBIR berbasis Color Histogram 2 Agung Satrio B, 2014 [3]
Content Based Image Retrieval Citra Sidik Jari Menggunakan Metode Wavelet Daubechis Dan Diagram Nohos-Tree
Content Based Image Retrieval – Wavelet Daubechis Metode NOHIS-Tree mempunyai efisiensi waktu pencaria 18 kali lebih cepat daripada metode brute force. NOHIS-Tree membutuhkan rata-rata 9,6 detik untuk proses pencarian dan identifikasi.
No
Nama Peneliti dan
Tahun
Judul Metode Hasil
Sedangkan metode brute force memerlukan waktu lebih lama yaitu 182,25 detik atau 3,04 menit.
2.2 Citra Digital
Pengolahan citra digital merupakan pengolahan gambar dua dimensi oleh komputer digital, tetapi dalam konteks yang lebih umum merupakan pengolahan semua data dua dimensi. Bidang ini tercatat mulai berkembang pada awal tahun 1921, pada waktu itu sebuah foto pertama kalinya berhasil ditransmisikan secara digital melalui kabel laut pada tahun 1960 sejalan dengan perkembangan yang pesat pada teknologi computer [4].
Istilah citra pada umumnya digunakan dalam bidang pengolahan citra diartikan sebagai suatu fungsi kontinu dari intensitas cahaya f (x,y) dalam bidang dua dimensi, dengan (x,y) menyatakan suatu koordinat, dan nilai f pada setiap titik (x,y) menyatakan intensitas atau tingkat kecerahan atau derajat keabuan (brightness/ graylevel). Suatu citra digital adalah suatu citra kontinu yang diubah ke dalam bentuk diskrit.
Suatu citra digital dapat dianggap sebagai suatu array dari bilangan yang dipresentasikan oleh sejumlah bit–bit, dengan indeks baris dan kolomnya
menyatakan koordinat sebuah titik pada citra tersebut dan nilai masing – masing elemennya menyatakan intensitas cahaya pada titik tersebut. Titik pada sebuah citra digital sering disebut sebagai image element (elemen citra), picture element (elemen gambar), pixel.
Proses yang dilakukan dengan sebuah sistem jenis ini dapat dibagi menjadi tiga tahap :
1. Proses digitalisasi. 2. Proses pengolahan data. 3. Proses penampilan data.
Suatu citra yang diberikan dalam bentuk transparasi, slide, foto atau peta pertamakali didigitalisasi dengan menggunakan digitizer seperti scanner, frame grabber dan disimpan sebagai suatu matrik dari digit biner (bit) dalam memori komputer. Citra yang digitisasi kemudian dapat diproses lebih lanjut dan atau ditampilkan melalui monitor beresolusi tinggi.
Proses pengolahan data dilakukan oleh komputer yang dapat berupa suatu mikrokomputer sederhana (microprocessor based computer) sampai kepada komputer besar (mainframe computer), tergantung jumlah data serta jenis pengolahannya. Mengingat bahwa data yang terdapat pada suatu citra sangat besar jumlahnya, maka masalah kecepatan pengolahan komputer serta kapasitas memori (mass storage) menjadi amat penting.
Proses penampilan data merupakan salah satu segi yang sangat penting dalam sistem ini, karena bagaimanapun juga pada akhirnya citra hasil olahan harus dinilai oleh mata manusia melalui peragaan citra pada suatu penampil (display). Penampil yang digunakan biasanya berupa suatu graphic monitor atau printer / plotter
2.3 Pengolahan Citra Digital
Image atau citra yang bisa disebut juga gambar dapat diungkapkan sebagai fungsi dua variabel f(x,y), dimana x dan y adalah koordinat spasial dan nilai f(x,y) merupakan intensitas gambar pada koordinat tersebut. Citra digital merupakan barisan nyata maupun kompleks yang diwakili ileh bit-bit tertentu Penyimpanan gambar dalam bentuk digital tentunya dapat mempermudah dalam melakukan pengolahannya. Itu penyebab sebuah gambar perlu diubah dalam bentuk digital, agar gambar dapat disimpan dalam media lain sehingga proses pengolahannya menjadi lebih mudah [5].
Secara umum, istilah pengolahan citra digital menyatakan “pemrosesan gambar berdimensi-dua melalui komputer digital”. Dan dapat dijelaskan, pengolahan citra adalah istilah umum untuk berbagai teknik yang keberadaannya untuk memanipulasi dan memodifikasi citra dengan berbagai cara. Dalam penelitian [6] diungkapkan bahwa proses pengolahan gambar ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk gambar.
2.4 Elemen Dasar Suatu Citra
Elemen – elemen citra yang dimaksud adalah sebagai berikut [5]: 2.4.1 Pixel (picture element)
Gambar yang bertipe bitmap tersusun dari pixel –pixel, pixel disebut juga dengan dot. Berbentuk bujur sangkar dengan ukuran relatif kecil yang merupakan penyusun atau pembentuk gambar bitmap.
Banyaknya pixel tiap satuan luas tergantung pada resolusi yang digunakan keanekaragaman warna pixel tergantung pada bit depth yang dipakai. Semakin banyak jumlah pixel tiap satuan luas, semakin baik kualitas gambar yang dihasilkan dan tentu semakin besar ukuran filenya.
2.4.2 Bit depth
Bit depth (kedalaman warna) /pixel depth/color depth. Bit depth menentukan berapa banyak informasi warna yang tersedia untuk ditampilkan / dicetak dalam setiap pixel, semakin besar nilainya semakin bagus kualitas gambar yang dihasilkan , tentu ukuranya juga semakin besar
2.4.3 Resolusi
Resolusi adalah jumlah pixel persatuan luas yang ada disuatu gambar. Satuan pixel sering dipakai adalah dpi (dot per inch)/ppi (pixel per inch). Satuan dpi menentukan jumlah pixel yang ada setiap satu satuan luas. Yang dalam hal ini adalah satu inch kuadrat. Resolusi sangat berpengaruh pada detil dan perhitungan gambar.
2.4.4 Kecerahan dan Kontras
Yang dimaksud dengan kecerahan (brightness) adalah intensitas yang terjadi pada satu titik citra. Dan lazimnya pada sebuah citra , kecerahan ini merupakan kecerahan rata – rata dari suatu daerah lokal. Sistem visual manusia mempu menyesuaikan dirinya dengan “tingkat kecerahan“ (brightness level) dengan jangkauan ( dari yang terendah sampai tertinggi) Batas penyesuaian gelap (terendah) disebut dengan scotopic threshold, sedangkan batas penyesuaian terang (tertinggi) disebut dengan glare thresthold sebagai contoh scotopic threshold terasa pada mata kita setelah lampu kita padamkan (terang ke gelap). Sementara glare threshold kita rasakan setelah kita keluar dari gedung bioskop (gelap ke terang),
Untuk menentukan kepekaan kontras (contrast sensitivity) pada mata manusia, dilakukan cara pengukuran sebagai berikut. Pada suatu bidang gambar dengan intensitas B, kita perbesar intensitas objek lingkaran sehingga intensitasnya menjadi B+ . Pertambahan intensitas ini dilakukan
sampai mata kita dapat mendeteksi perbedan ini. Dengan demikian kepekaan kontras dinyatakan dalam rasio weber sebagai /B. dari hasil percobaan , diperoleh bahwa mata manusia memiliki rasio weber 2 % untuk bermacam-macam nilai B.
2.4.5 Acuity
Yang dimaksud acuity disini adalah kemampuan mata manusia untuk merinci secara detail bagian – bagian pada suatu citra (pada sumbu visual) 2.4.6 kontur
Yang dimaksud dengan kontur (contour) adalah suatu keadaan pada citra dimana terjadi perubahan intensitas dari suatu titik ke titik tetangganya. Dengan perubahan intensitas inilah mata manusia sanggup mendeteksi pinggiran atau kontur suatu benda.
2.4.7 Warna
Warna (color) adalah reaksi yang dirasakan oleh sistem visual mata manusia terhadap perubahan panjang gelombang cahaya. Setiap warna memiliki panjang gelombang sendiri – sendiri. Warna merah memiliki panjang gelombang yang paling tinggi, sedangkan warna violet mempunyai panjang gelombang paling rendah.
2.4.8 Bentuk
Pada umumnya citra yang dibentuk oleh mata merupakan citra 2 dimensi , sedangkan objek yang diamati biasanya 3 dimensi. Kesulitannya banyak benda 3 dimensi setelah diproyeksikan ke bidang 2 dimensi kelihatan sama.
2.4.9 Tekstur
Pada hakekatnya sistem visual manusia tidak menerima informasi citra terpisah pada setiap titik, tetapi suatu citra dianggapnya sebagai satu kesatuan. jadi definisi kesamaan objek perlu dinyatakan dalam bentuk kesamaan dari satu himpunan parameter citra (brightness, color , size ,dll) atau dengan kata lain dua buah citra tidak dapat disamakan hanya dengan satu parameter saja.
2.4.10 Waktu dan pergerakan
Respon suatu sistem visual tidak hanya berlaku pada faktor ruang, tetapi juga pada faktor waktu. Sebagai contoh bila gambar diam ditampilkan bergantian secara cepat, maka kita akan mendapatkan kesan melihat gambar yang bergerak. Contoh gambar untuk film kartun.
2.4.11 Deteksi dan pengenalan
Dalam deteksi serta mengenali suatu citra, sering tidak hanya sistem visual kita yang bekerja, tetapi juga seluruh ingatan yang kita miliki. Contoh, apabila kita melihat seseorang wanita dari samping, kita mungkin menafsirkanya sebagai wanita muda tapi setelah melihat muka sebenarnya kita terkecoh dan sebaliknya.
2.5 CBIR
CBIR (Content Based Image Retrieval) adalahsebuah metode pencarian citra dengan melakukan perbandingan antara citra query dengan citra yang ada didatabase berdasarkan informasi yang ada pada citra tersebut (Query by Example). Metode CBIR yang sering digunakan adalah pencarian berdasarkan kemiripan warna, bentuk, dan tekstur. CBIR juga dapat diartikan sebagai teknik untuk mencari gambar yang berhubungan dan mempunyai karakteristik dari suatu
kumpulan gambar. Semakin majunya teknologi dan koleksi mltimedia, semakin banyak alat yang diharuskan berkembang untuk mencari informasi yang dibutuhkan. Pada masa kini, mesin pencari gambar dengan menggunakan teks sudah banyak. Berbanding terbalik dengan mesin pencari gambar yang menggunakan intensitas dan warna dari sebuah gambar masih sulit ditemukan. Kata kunci yang digunakan untuk mencari sebuah gambar dapat berupa fitur bentuk, warna dan tekstur.
Proses paling penting pada system CBIR adalah sebuah ekstraksi fitur, karena hasil dari proses ini akan diketahui perbedaanya pada setiap image berdasarkan ciri seperti bentuk, warna, dan tekstur. Teknik analisis komponen utama, histogram warna, wavelet transform dan lainnya merupakan beberapa teknik yang dapat digunakan untuk ekstraksi sebuah fitur[7].
Proses matching merupakan suatu proses pencocokan image untuk memperoleh image yang mempunyai kemiripan dengan image query. Proses matching dilakukan dengan menghitung jarak antara image query (acuan) dan image target (uji). Parameter yang digunakan dalam perhitungan jarak berdasarkan pada hasil ekstraksi fitur.
2.6 Histogram
Histogram adalah sebuah tampilan grafik yang menampilkan distribusi dari intensitas citra dan tampilan bentuk grafis untuk menunjukkan distribusi data secara visual. Teknik ini bisa disesuaikan dengan keinginan citra yang diinginkan ketika menggunakan teknik pemodelan histogram. Ekualisasi histogram berfungsi sebagai meningkatkan kualitas citra [8].
Gambar 2.2: Hasil Histogram
Gambar 2.2 : Hasil Histogram
Ada empat proses histogram, yaitu :
1. Jika gambar terlihat gelap, sehingga histogram lebih cenderung ke sebelah kiri
2. Jika histogram lebih condong ke sebelah kanan, maka gambar terlihat terang 3. Jika histogram mengumpul di suatu tempat, maka gambar terlihat low
contrast
Berikut persamaan histogram :
(1)
k = 0,1,2,...,L-1 Keterangan :
MxN : total jumlah piksel. L : jumlah tingkat abu-abu.
: jumlah piksel dalam gambar masukan dengan sebagai intensitas nilai.
k : rentang nilai input dan output abu-abu berada dikisaran 0,1,2,...,L-1.
: output. 2.7 Color Histogram
Color Histogram adalah salah satu teknik warna yang digunakan dalam CBIR yang berupa representasi distribusi warna yang terdapat pada suatu gambar. Salah satu fitur yang paling penting dalam CBIR adalah warna, yang didapat dengan cara menghitung jumlah pixel yang ada pada setiap range warna [8] 2.8 Histogram Equalization
Dimana suatu proses nilai distribusi derajat keabuan pada suatu citra untuk dibuat rata. Dan suatu pendekatan yang dimanfaatkan dalam pengolahan citra digital[8].
2.9 Euclidean Distance
Euclidean Distance digunakan untuk mengukur kemiripan pada hasil ekstraksi fitur. Definisi dari Euclidean Distance yaitu berupa dua buah objek yang dihubungkan dengan garis lurus. Rumus persamaan dari Euclidean Distance[8].
(2)
2.10 Love Bird
Lovebird merupakan salah satu dari sembilan spesies dari genus Agapornis. Burung ini adalah tipe burung yang social atau berkelompok dan dekat dengan keluarga byan. Lovebird merupakan tipe burung yang monogamy atau setia pada pasangan dalam jangka waktu yang lama [1].
1. Lovebird Hijau
Warna dasar bulu hijau dan mata hitam
Gambar 2.4 : Hujau Kepala Merah 2. Lovebird Biru
Jenis ini warna dasar bulu biru dan mata hitam
3. Lovebird Kepala Emas
Jenis ini mempunyai warna dasar bulu hijau muda dan warna matanya coklat.
Gambar 2.6 :Kepala Emas 4. Lovebird Pastel Putih
Jenis ini memiliki warna dasar putih kebiruan dan warna mata hitam.
5. Lovebird Pastel Kuning
Jenis ini memiliki warna dasar kuning atau semu hijau dan warna matanya coklat
Gambar 2.8:Pastel Kuning 6. Lovebird Lutino
Jenis ini mempunyai warna dasar kuning dan warna matanya merah / hitam.
7. Lovebird Badman
Jenis ini mempunyai warna dasar hitam dan warna matanya hitam
2.11 Kerangka Pemikiran
21
Pada sub bab ini dijelaskan alur penelitian mulai dari pengumpulan data, pengolahan data, proses eksperimen sampai didapat hasil klasifikasi jenis lovebird. Tahapan dijelaskan pada gambar 3.1:
Tahapan alur penelitian dijelaskan sebagai berikut: 1. Pengumpulan Data
Pengumpulan data dimulai dari pengambilan citra lovebird untuk semua jenis. Pengambilan citra dilakukan dengan menggunakan perangkat kamera.
2. Pengolahan Data
Setelah citra-citra untuk semua jenis lovebird terkumpul dilakukan pengolahan data. Pengolahan data menentukan jenis-jenis (pemberian label) lovebird berdasarkan sumber atau ahli yang mengetahui jenis-jenis lovebird. Berdasarkan data yang telah diberikan label atau diketahui jenis lovebird akan digunakan sebagai data acuan pada proses eksperimen. 3. Proses Eksperimen
Proses eksperimen dilakukan dengan tahapan pemilihan citra uji dan citra acuan. Kemudian dilakukan pengolahan mulai dari konversi citra ke grayscale sampai perhitungan Euclidean distance untuk menentukan tingkat kesamaan citra acuan dan citra uji.
4. Perolehan hasil klasifikasi
Setelah melalui perhitungan pada proses eksperimen diperoleh hasil dari eksperimen yang menentukan citra uji tersebut satu jenis atau beda jenis dengan citra acuan. Apabila citra uji satu jenis maka diberikan label sesuai citra acuan.
5. Kesimpulan
Kesimpulan diperoleh setelah eksperimen. Pada proses eksperimen dapat diketahui hasil performa algoritma yang diusulkan melalui akurasinya. Dari akurasi yang dihasilkan akan ditarik kesimpulan tentang performa algoritma terhadap penyelesaian masalah penentuan jenis lovebird.
3.2 Pengumpulan Data
Dalam analisa yang dilakukan, data dan informasi yang digunakan atau yang didapat dari beberapa referensi yang di ambil dari internet. Referensi tersebut meliputi, jurnal-jurnal penelitian, materi yang terkait serta gambar. Dan data yang digunakan dalam pengujian ini berupa 70 Citra Lovebird. Data tersebut diambil langsung di Kiky bird farm yang beralamat di Rasamala Utara 72 Banyumanik, Semarang.
3.3 Sumber Data a. Data Primer
Data yang didapat secara langsung yang berhubungan dengan objek yang sedang diteliti. Data tersebut diambil langsung dengan mengambil gambarnya menggunakan kamera handphone dengan pengambilan foto yang berjarak 5 cm. Pengambilan foto diambil dari samping.
b. Data Sekunder
Data yang didapat secara tidak langsung. Data tersebut meliputi, jurnal ilmiah, buku-buku, internet ataupun informasi dan data lain yang berkaitan dengan penelitian ini.
3.4 Instrumen Penelitian
Untuk mendukung penelitian ini, dibutuhkan beberapa komponen peralatan seperti software dan hardware :
3.4.1 Kebutuhan Software
Perangkat lunak yang diperlukan untuk melakukan sebuah penelitian sehingga mendukung untuk dilakukannya penelitian tersebut :
1. Sistem Operasi
Sistem operasi yang diperlukan untuk melakukan sebuah penelitian dapat menggunakan Windows 7 atau Windows 8.
2. Perangkat Lunak a. MATLAB
MATLAB sangat diperlukan untuk melakuan sebuah peneltian ini. Dikarenakan perangkat lunak tersebut digunakan untuk menganalisa sebuah citra dengan menggunakan metode Histogram Ekualisasi dalam teknik yang terdapat di CBIR (Content Based Image Retrieval). b. Microsoft Office Picture 2013
Perangkat tersebut digunkan untuk menyamakan semua pixel dari citra yang akan diuji.
c. Microsoft Word
Microsoft Word digunakan untuk membuat hasil laporan yang sedang diteliti oleh penulis untuk menyusun Tugas Akhir.
3.4.2 Kebutuhan Hardware
Tidak hanya perangkat lunak, perangkat keras juga sangat dibutuhkan. Perangkat tersebut diperlukan agar sebuah penelitian berjalan dengan baik dan bisa mendapatkan hasil yang maksimal. Perangkat keras yang dibutuhkan meliputi :
a. Laptop atau PC
Untuk laptop yang digunakan dalam penelitian ini dapat menggunakan laptop dengan spesifikasi minimal :
Prosessor : Core i3 Sistem Operasi : Windows 7
RAM : 2 Gb
b. Printer
Printer digunakan untuk mencetak hasil dari sebuah penelitian yang telah dilakukan.
c.Kamera
Penelitian ini menggunakan kamera handphone dengan spesifikasi minimal 5megapixel yang berguna untuk mengambil gambar pada objek yang diteliti.
3.5 Metode Pengumpulan Data
Metode yang dilakukan untuk mendapatkan dan mengumpulkan data untuk dilakukannya sebuah analisis
3.5.1 Studi Pustaka
Langkah awal yang digunakan untuk melakukan sebuah penelitian yang diarahkan kepada pencarian mengenai pengolahan citra digital, Histogram
Equalization, pemograman matlab dan buku, artikel dan jurnal agar mendukung dalam melakukan penulisan ini.
3.5.2 Observasi
Observasi merupakan pengamatan secara langsung di tempat Kiky bird farm yang beralamat di Rasamala Utara 72 Banyumanik, Semarang. Dengan melakukan pengamatan secara langsung, diharapkan lebih memahami tentang objek yang sedang diteliti.
3.6 Eksperimen
3.6.1 Desain Blok Diagram Eksperimen
Proses kerja dari CBIR adalah pada citra yang menjadi acuan (Lovebird Sehat) dilakukan proses ekstraksi fitur warna yaitu Color Histogram. Begitu juga dengan citra uji, dilakuakan proses ekstraksi fitur warna seperti pada citra acuan.
Untuk mencari citra diperlukan citra acuan, citra acuan ini kemudian diekstraksi fitur warna nya. Setelah mendapat hasil nya, antara citra acuan dan citra uji dihitung kemiripan nya dengan proses pencarian yang cepatdan efisien. Jika semakin kecil jarak nya maka citra tersebut semakin mirip dengan citra acuan.
Gambar 3.2 : Desain blok diagram eksperimen 3.6.2 Prapengolahan citra dengan Color Histogram
Langkah-langkah proses prapengolahan citra dengan color histogram adalah sebagai berikut:
1. Menyiapkan citra acuan. 2. Menyiapkan citra uji.
3. Citra dikonversi menjadi grayscale.
4. Citra hasil grayscale di ubah menjadi histogram
5. Menghitung jarak antara histogram citra acuan dengan citra uji menggunakan teknik Euclidean Distance.
6. Hasil Euclidean distance digunakan untuk menentukan kesamaan citra. Semakin kecil jaraknya atau nilainya maka semakin sama citranya.
3.6.3 Sampel Perhitungan
Pada tahap ini dijelaskan sampel perhitungan berdasarkan metode yang diusulkan. Sampel perhitungan yang digunakan dengan data citra yang telah dijadikan histogram.
1. Citra Acuan dan Citra Uji
gambar 3.3: Citra acuan lovebird
2. Citra diubah menjadi Grayscale
Citra asli merupakan jenis citra RGB (Red, Green, Blue). Citra harus diproses menjadi grayscale sebelum dibentuk menjadi histogram.
Image_grayscale = 0.2989 * R + 0.5870 * G + 0.1140 * B
gambar 3.5: citra acuan grayscale
3. Citra diubah menjadi histogram
Pembuatan histogram citra bertujuan untuk menunjukkan nilai distribusi dari intensitas citra dan dimunculkan dalam bentuk grafik. Nilai tersebut digunakan untuk menghitung pada tahap.
Tahapan dalam membuat histogram ditunjukan sebagai berikut:
Citra acuan memiliki L derajat keabuan (grayscale), yaitu dari nilai 0 sampai L – 1 (misalnya pada citra dengan kuantisasi derajat keabuan 8-bit, nilai derajat keabuan dari 0 sampai 255). Secara matematis histogram citra dihitung dengan rumus
ni = jumlah pixel yang memiliki derajat keabuan i n = jumlah seluruh pixel di dalam citra
contoh, misalkan potongan dari citra acuan di bawah ini menyatakan citra dijital yang berukuran 8 x 8 pixel dengan derajat keabuan dari 0 sampai 15 (ada 16 buah derajat keabuan)
Tabulasi perhitungan histogramnya ditunjukan pada Tabel 3.1. dapat dilihat bahwa semakin besar nilai ni maka semakin besar pula nilai hi.
Table 3.1: histogram citra acuan i n (n=64) 0 8 0.125 1 4 0.0625 2 5 0.078125 3 2 0.03125 4 2 0.03125 5 3 0.046875 6 1 0.015625 7 3 0.046875 8 6 0.09375 9 3 0.046875 10 7 0.109375 11 4 0.0625 12 5 0.078125 13 3 0.046875 14 4 0.0625 15 3 0.046875
Setelah dilakukan perhitungan histogram pada citra acuan, selanjutnya dihitung histogram citra uji dengan langkah-langkah yang sama seperti perhitungan histogram pada citra acuan. Hasil nilai histogram pada citra acuan dan citra uji ditunjukan pada table 3.2.
Table 3.2: table histogram citra 1 (uji)dan citra 2 (acuan) Nilai Histogram
Citra Acuan Citra Uji
0.0625 0.09375 0.078125 0.078125 0.03125 0.03125 0.03125 0.046875 0.046875 0.046875 0.015625 0.015625 0.046875 0.015625 0.09375 0.09375 0.046875 0.046875 0.109375 0.09375 0.0625 0.0625 0.078125 0.078125 0.046875 0.046875 0.0625 0.0625 0.046875 0.0625
Gambar 3.9: Histogram Citra Uji
4. Hitung Euclidean distance antara histogram citra 1 dan histogram citra 2
5. Berdasarkan nilai f (Euclidean distance) yang dihitung pada tahap 2, semakin kecil maka semakin besar tingkat kesamaan citra.
f = 0,015, maka citra 1 dan citra 2 sejenis 3.7 Pengujian
Tools yang digunakan untuk pengujian pada penelitian ini adalah dengan menggunakan Matlab 2015a.Jika perhitungan tersebut 0 (nol) atau mendekati 0 maka citra uji tersebut sama dengan citra acuan. Dan jika citra uji tersebut
melebihi batas nilai dari citra acuan, maka citra uji tersebut tidak sama dengan citra acuan yang diuji.
1. Pemilihan Citra Acuan dan Citra Uji
Citra acuan diketahui jenisnya sebagai lovebird pastel putih, sedangkan citra uji merupakan citra lovebird yang belum diketahui jenisnya
gambar 3.10: Citra acuan lovebird (Pastel Putih)
Gambar 3.11: Citra uji lovebird (belum diketahui jenisnya) 2. Citra diubah menjadi Grayscale
Citra asli merupakan jenis citra RGB (Red, Green, Blue). Citra harus diproses menjadi grayscale sebelum dibentuk menjadi histogram.
gambar 3.12: citra acuan grayscale
Gambar 3.13: citra uji grayscale
3. Citra diubah menjadi histogram
Pembuatan histogram citra bertujuan untuk menunjukkan nilai distribusi dari intensitas citra dan dimunculkan dalam bentuk grafik. Nilai tersebut digunakan untuk menghitung pada tahap. Perhitungan histogram dilakukan
dengan langkah-langkah seperti pada bab 3.6.3. berdasarkan perhitungan nilai histogram ditunjukan pada table 3.3
Table 3.3: table histogram citra 1 (uji) dan citra 2 (acuan) Nilai Histogram
Citra Acuan Citra Uji 0.016334283 0.016286481 0.013563202 0.007863777 0.015930066 0.023599095 0.017629727 0.01598761 0.013660603 0.013235677 0.015579419 0.016562062 0.019144325 0.017672151 0.016056688 0.01525402 0.012146005 0.01354231 0.015501498 0.015351056 0.012009643 0.016371872 0.022967346 0.015673215 0.012779117 0.016236022 0.020356978 0.015385989 0.013261256 0.016026425 0.010392773 0.014237086 0.02263618 0.015180273 0.011011274 0.018161211 0.018413812 0.014120643 0.010358682 0.016934679 0.020775805 0.013429748 0.013879757 0.016360228 0.009764531 0.014334121 0.02262157 0.016061358 0.018788809 0.017082174 0.006964229 0.016255429 0.018808289 0.015521839 0.016110259 0.015180273 0.015184942 0.015712029
0.015866754 0.015114289 0.016524217 0.016189445 0.014751504 0.015397633 0.015774223 0.015448092 0.016446295 0.014974557 0.015384615 0.0142759 0.014434948 0.019806938 0.016957655 0.015723673 0.013650863 0.010759324 0.017098887 0.017928326 0.015671951 0.017229668 0.014824555 0.016713438 0.016081038 0.010619593 0.016348893 0.015572297 0.014152483 0.020218369 0.015428446 0.014089591 0.014785594 0.016371872 0.018749848 0.016461145 0.01564273 0.014400106 0.01509728 0.011632646 0.016334283 0.020548291 0.017756349 0.01500949 0.008415516 0.015106526 0.021852095 0.015087119 0.010149268 0.015079356 0.015355395 0.014446683 0.016241751 0.015774132 0.010904132 0.015587823 0.019358609 0.016364109 0.010163879 0.016158393 0.01943166 0.017656625 0.024861811 0.011570543 0.011663866 0.018308706 0.017649207 0.013290017 0.013558332 0.017466435
Gambar 3.14: Histogram Citra Acuan
Gambar 3.15: Histogram Citra Uji
5. Berdasarkan nilai f (Euclidean distance) yang dihitung pada tahap 2, semakin kecil maka semakin besar tingkat kesamaan citra.
f = 0, maka citra 1 dan citra 2 sejenis
6. Berdasarkan nilai f yang diperoleh, citra acuan dan citra uji sejenis jadi cita uji merupakan jenis lovebird pastel putih.
BAB IV
HASIL PENELITIAN DAN IMPLEMENTASI 4.1 Pengolahan Data
Data pada penelitian ini diperoleh dari pengambilan secara langsung pada peternak burung lovebird “kiky lovebird”. Data citra yang terkumpul sejumlah 90 citra dengan 7 jenis burung lovebird diantaranya lovebird hijau, lovebird biru, lovebird kepala emas, lovebird pastel putih, lovebird pastel kuning dan lovebird lutino. Berdasarkan citra lovebird yang diperoleh diberikan label berdasarkan jenisnya. Kemudian data dibagi menjadi dua bagian yaitu citra acuan dan citra uji. citra acuan digunakan untuk acuan dari jenis lovebird yang ingin diuji berdasarkan citra uji. Citra acuan sebanyak 70 dan citra uji sebanyak 20.
4.1.1 Citra Acuan
Citra acuan pada laporan ini ditampilkan sebanyak 21 citra dengan 3 citra untuk setiap jenis lovebird yang ditampilkan pada table 4.1.
Tabel 4.1: Sampel Citra Acuan N
o
Nama
File file Jenis Lovebird
1
1.jpeg Hijau
2
3 3.jpeg Hijau 4 4.jpeg Biru 5 5.jpeg Biru 6 6.jpeg Biru
7
7.jpeg Kepala emas
8
8.jpeg Kepala emas
9
9.jpeg Kepala emas
10
10.jpeg Pastel putih
11
12
12.jpeg Pastel putih
13
13.jpeg Pastel kuning
14
14.jpeg Pastel kuning
15
15.jpeg Pastel kuning
16
17 17.jpeg lutino 18 18.jpeg lutino 19 19.jpeg Batman 20 20.jpeg Batman
21
21.jpeg Batman
4.1.2 Citra Uji
Citra uji merupakan citra lovebird yang belum diketahui jenisnya untuk proses pengujian algoritma. Pada laporan ini ditampilkan sebanyak 7 citra pada table 4.2.
Tabel 4.2: Citra Uji
No Nama File file
1
Uji-1.jpeg
2
3 Uji-3.jpeg 4 Uji-4.jpeg 5 Uji-5.jpeg 6 Uji-6.jpeg 7 Uji-7.jpeg
4.2 Tahap – Tahap Klasifikasi
Untuk melakukan klasifikasi citra uji atau citra lovebird yang akan di uji jenisnya citra uji dibandingkan dengan citra acuan. Perbandingan dilakukan dengan histogram equalization kemudian nilai histogram pada citra uji dan citra acuan dihitung jaraknya dengan Euclidean distance. Berdasarkan Euclidean distance dapat ditentukan apakah citra uji dan citra acuan memiliki kesamaan. Apabila citra uji dan citra acuan memiliki kesamaan maka citra uji diklasifikasikan sesuai jenis citra yang dijadikan acuan.
Tahap-tahap perhitungan dijelaskan sesuai tahap berikut: 1. Pemilihan Citra Acuan dan Citra Uji
Citra acuan diketahui jenisnya sebagai lovebird hijau kepala hitam, sedangkan citra uji merupakan citra lovebird yang belum diketahui jenisnya
Perintah untuk pemilihan citra menggunakan matlab sebagai berikut
Image1 = imread('Uji-1.jpg);
Tabel 4.3: Citra Acuan lovebird (10 Citra)
2. Citra diubah menjadi Grayscale
Citra asli merupakan jenis citra RGB (Red, Green, Blue). Citra harus diproses menjadi grayscale sebelum dibentuk menjadi histogram.
Image_grayscale = 0.2989 * R + 0.5870 * G + 0.1140 * B
Citra uji dan citra acuan kemudian di proses menjadi citra grayscale dengan perintah rgb2gray seperti contoh dibawah
Imageg1 = rgb2gray(Image1);
Tabel 4.4: citra acuan grayscale
3. Citra diubah menjadi histogram
Pembuatan histogram citra bertujuan untuk menunjukkan nilai distribusi dari intensitas citra dan dimunculkan dalam bentuk grafik. Nilai tersebut digunakan untuk menghitung pada tahap. Perhitungan histogram dilakukan dengan langkah-langkah seperti pada bab 3.6.3. berdasarkan perhitungan nilai histogram ditunjukan pada table 4.5.
Pembuatan histogram equalization menggunakan perintah histeq seperti dibawah:
Histeq1 = histeq(Imageg1);
Tabulasi perhitungan histogramnya ditunjukan pada Tabel 3.2. dapat dilihat bahwa semakin besar nilai ni maka semakin besar pula nilai hi.
Table 4.5: tabel histogram citra acuan dan citra uji
Histogram Citra Acuan Histogram
Citra Uji acuan 1 acuan 2 acuan 3 acuan 4 acuan 5 acuan 6 acuan 7 acuan 8 acuan 9 0.02 0.02 0.02 0.02 0.02 0.02 0.01 0.02 0.02 0.01 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.01 0.02 0.01 0.02 0.02 0.01 0.01 0.02 0.00 0.02 0.02 0.02 0.01 0.02 0.02 0.94 0.94 0.02 0.95 0.02 0.01 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.01 0.01 0.01 0.01 0.02 0.02 0.01 0.02 0.90 0.89 0.02 0.00 0.01 0.88 0.02 0.02 0.89 0.02 0.02 0.01 0.02 0.02 0.02 0.02 0.02 0.01 0.02 0.02 0.01 0.01 0.79 0.02 0.02 0.02 0.02 0.01 0.02 0.01
0.02
0.67
Setelah diketahui nilai histogram dapat dibuat grafik histogram equalization dengan perintah
subplot(2,2,3);plot(hn1) title('Histogram Acuan');
Gambar 4.3: Histogram Citra Uji
4. Hitung Euclidean distance antara histogram citra acuan 1 dan histogram citra uji satu persatu untuk setiap citra acuan seperti pada table 4.7.
f = sqrt(sum((acuan - uji).^2));
𝑓 = ∑ √(ℎ𝑎𝑐𝑢𝑎𝑛− ℎ𝑢𝑗𝑖) 2
Tabel 4.7: perhitungan Euclidean distance citra acuan 1 dan citra uji histogram
citra acuan 1 citra uij hn1-hn2 0.02 0.01 0.00 0.02 0.02 (0.00) 0.02 0.01 0.00 0.02 0.02 (0.00) 0.02 0.01 0.00
0.02 0.02 (0.00) 0.02 0.02 0.00 0.01 0.01 (0.00) 0.88 0.02 0.86 0.02 (0.02) 0.02 (0.02) 0.02 (0.02) 0.01 (0.01) 0.02 (0.02) 0.02 (0.02) 0.02 (0.02) 0.02 (0.02) 0.01 (0.01) 0.02 (0.02) 0.01 (0.01) 0.02 (0.02) 0.67 (0.67) f1 0.2
5. Hitung rata-rata nilai histogram citra acuan
Perintah yang digunakan untuk menghitung rata-rata histogram yaitu mean
acuan = mean([f1 f2 f3 f4 f5 f6 f7 f8 f9]) 𝜇𝐻𝑖𝑠𝑡 (𝑎𝑐𝑢𝑎𝑛 1−9)= 𝑓1 + 𝑓1 + 𝑓3 + 𝑓4 + 𝑓5 + 𝑓6 + 𝑓7 + 𝑓8 + 𝑓9 9 𝜇𝐻𝑖𝑠𝑡 (𝑎𝑐𝑢𝑎𝑛 1−9)= 0.2 + 0.1 + 0.21 + 0.3 + 0.11 + 0.03 + 0.14 + 0.12 + 0.13 9 = 1.3 9 = 0.14
6. Berdasarkan nilai f (Euclidean distance) yang dihitung pada tahap 2, semakin kecil maka semakin besar tingkat kesamaan citra.
if(f < 0.1470) disp ('Sejenis');
else
disp ('Beda Jenis');
end
𝑓 ≤ 1 𝑚𝑎𝑘𝑎 𝑠𝑒𝑗𝑒𝑛𝑖𝑠 𝑓 > 1 𝑚𝑎𝑘𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑗𝑒𝑛𝑖𝑠 f = 0.14, makacitra 1 dan citra 2 sejenis
Berdasarkan nilai f yang diperoleh, citra acuan dan citra uji sejenis jadi cita uji merupakan jenis lovebird hijau kepala hitam.
4.3 Implementasi Program 1. Tampilan awal program
Berikut ini merupakan tampilan program yang diimplementasikan dengan matlab. Pilih file citra acuan dan citra uji kemudian klik tombol deteksi untuk mengetahui hasil.
2. Contoh Deteksi (sejenis)
Setelah memilih gambar dan menekan tombol deteksi pada gambar 4.7 ditunjukan citra uji dibandingkan dengan citra acuan pada dataset pastel putih memiliki hasil klasifikasi sejenis.
Gambar 4.5: hasil deteksi sejenis 3. Contoh Deteksi (beda jenis)
Pada gambar 4.8 ditunjukan hasil klasifikasi citra uji dibandingkan dengan pastel putih memiliki hasil beda jenis.
Gambar 4.6: hasil deteksi beda jenis 4.4 Pengujian
Pada sub bab ini dibahas pengujian performa atau akurasi dari algoritma yang diusulkan. Pengujian dilakukan dengan citra uji dengan jumlah 20 citra. Berdasarkan pengujian sebanyak 20 citra uji yang belum diketahui jenis lovebirdnya, nilai benar sebanyak 13 dan salah sebanyak 7 sehingga akurasi dari algoritma sebesar 65 persen. Hasil pengujian ditunjukan pada table 4.4.
Tabel 4.8 : Hasil Pengujian
File Jarak Euclidean Jenis Terdeteksi Kebenaran uji-1.jpeg 0.0874 Pastel putih Benar
uji-2.jpeg 0.0679 Hijau Benar
uji-3.jpeg 0.0684 Batman Benar
uji-4.jpeg 0.0912 Biru Benar
uji-5.jpeg 0.15 Hijau Salah
uji-6.jpeg 0.0926 Biru Benar
uji-7.jpeg 0.6787 Kepala emas Salah
uji-8.jpeg 0.0851 Biru Benar
uji-9.jpeg 0.0812 Lutino Benar
uji-10.jpeg 0.4396 Lutino Salah
uji-11.jpeg 0.8533 Pastel kuning Salah uji-12.jpeg 0.0978 Pastel kuning Benar
uji-13.jpeg 0.0857 Batman Benar
uji-14.jpeg 0.4691 Kepala emas Salah
uji-15.jpeg 0.0811 Lutino Benar
uji-16.jpeg 0.5898 Kepala emas Salah
uji-17.jpeg 0.9999 Hijau Salah
uji-18.jpeg 0.0713 Batman Benar
uji-19.jpeg 0.0789 Pastel putih Benar uji-20.jpeg 0.0796 Pastel putih Benar
58
Berdasarkan eksperimen dan pengujian metode Content Based Image Retrieval untuk menganalisa jenis lovebird yang telah dilakukan maka kesimpulan yang diperoleh adalah metode yang diusulkan yaitu CBIR (Content Based Image Retrieval) telah berhasil diterapkan untuk menentukan jenis jenis burung Lovebird dengan berdasarkan corak warna dan tektur gambar. Performa dari metode yang diusulkan diukur dengan akurasi sebesar 65 persen.
5.2 Saran
Penelitian yang dilakukan dengan metode Content Based Image Retrieval masih belum sempurna. Maka saran untuk penelitian lebih lanjut yaitu:
1. Dalam proses analisa atau klasifikasi untuk menentukan jenis dapat menerapkan metode lain dalam ekstraksi fitur dari citra yang akan di analisa.
2. Penelitian lebih lanjut dapat menerapkan algoritma klasifikasi dalam menentukan jenis lovebird. Algoritma klasifikasi yang dapat diterapkan diantaranya k-NN, SVM, Naïve Bayes dan lain-lain.
