V. HASIL DAN PEMBAHASAN
A. Karakteristik Citra Masukan
Sebanyak 300 citra yang digunakan pada penelitian ini dikelompokkan menjadi 3 subjek : pemandangan 100 citra, bangunan 100 citra, alam 100
citra. Masing-masing subjek terdiri dari 4 sampai dengan 6 objek Tabel 4.
Tabel 4.
Subjek, jumlah, serta objek citra sumber
Subjek Citra
Jumlah Citra
Objek yang terkandung
Sumber
Pemandangan 100
langit1, awan2, rumput3, pohon4,
matahari5, gunung6
Bangunan 100 rumah7, jalan8,
batu9, langit10
Alam 100 batu11, air12,
pohon13,awan14, langit15
http:www.alipr.com
B. Pengindeksan Citra
1. Segmentasi Warna Citra
Pada tahapan segmentasi ini, setiap citra disegmentasi untuk mengelompokkan warna yang dikandung oleh setiap piksel dari citra ke
beberapa segmen cluster yang sudah ditentukan jumlahnya, yaitu dua, tiga, empat, dan lima. Cluster ini merupakan representasi warna-warna
dominan citra. Tahapan segmentasi ini bertujuan mendapatkan kelompok- kelompok warna dominan dan mengurangi jumlah warna citra asli seperti
yang terlihat pada Gambar 18.
Gambar 18. Contoh citra sebelum dan sesudah segmentasi menggunakan
algoritma EM. Selanjutnya dilakukan pemilihan keempat hasil segmentasi tersebut
secara manual untuk dijadikan masukan pada tahap ekstraksi warna. Berdasarkan Gambar 18, dapat dilihat bahwa hasil segmentasi keempat
adalah hasil segmentasi yang paling baik. Hal ini dikarenakan citra hasil segmentasi tersebut paling mirip dengan citra aslinya. Hasil segmentensi
yang sudah terpilih sebagai masukan pada tahap ekstraksi warna untuk seluruh citra di dalam basis data dapat dilihat pada lampiran 1
4 Cluster 3 Cluster
2 Cluster
5 Cluster
2. Format Tekstur Citra
Sedangkan untuk proses ekstraksi ciri tekstur, citra sumber perubahan format dari format RGB ke format gray scale. Hasilnya
seperti terlihat pada Gambar 19.
Citra RGB ke Gray
Gambar 19. Contoh citra RGB ke citra gray scale
3. Segmentasi Region
Semua citra sumber di segmentasi untuk menghasilkan region- region
yang bersesuaian dengan objek yang ada dalam citra. Jumlah region
untuk setiap citra masukan ditentukan sebanyak 6 region. Penentuan enam region ini dilakukan berdasarkan asumsi jumlah
maksimum objek yang terkandung dalam citra.
a Citra Sumber
b Citra Hasil Segmentasi
Gambar 20 . Contoh citra sebelum dan sesudah segmentasi
menggunakan algoritma Normalized Cuts Selanjutnya citra hasil segmentasi dilakukan pemisahan region.
Pemisahan region dilakukan dengan membaca setiap piksel yang memiliki nilai batasan garis putih. Region yang diinginkan disimpan
dalam file dengan format JPG, sedangkan untuk region yang lain komponen-komponen pikselnya digantikan dengan warna putih.
Proses dilakukan berulang untuk region – region yang lain. Gambar 21
merupakan contoh citra sumber yang telah dilakukan pemisahan region
. Pemisahan region digunakan untuk pengenal objek.
Gambar 21. Contoh citra hasil pemisahan citra menjadi 6 region
Hasil pemisahan region citra menjadi masukan untuk tahap ekstraksi ciri. Seluruh citra hasil segmentasi region dalam basis data
dapat dilihat pada Lampiran 2.
4. Ekstraksi Ciri Warna
Pada tahapan ekstraksi ini, setiap piksel citra akan direpresentasikan dengan peluang atau frekuensi piksel-piksel tersebut
terhadap nilai warna bin yang sudah ditentukan sebanyak 30. Bin tersebut diperoleh dari FCH menggunakan FCM. Bin FCH yang
digunakan pada penelitian ini dapat dilihat pada Lampiran 3.
Gambar 22 . Contoh citra region langit
Gambar 23. Hasil FCH dengan FCM 30 bin.
Gambar 21 adalah hasil FCH dengan FCM dari Gambar 20. Berdasarkan Gambar 21, dapat dilihat bahwa bin 23 yang cenderung
berwarna biru merupakan warna yang paling banyak muncul.
5. Ekstraksi Ciri Tekstur
Ekstraksi ciri dilakukan untuk semua region yang terbentuk. Ciri tekstur yang digunakan adalah ciri energi dimana lebar pita frekuensi
dan jarak angular S
F
B
θ
sebesar 60°. Pemilihan lebar pita angular sebesar 60° adalah karena nilai ini dianggap mendekati karakteristik sistem visual
manusia.
Gambar 24. Contoh citra region rumput
Proses filtering untuk Gambar 24, menggunakan frekuensi
3
2 2
= F
dan orientasi . Hasil filtering terlihat seperti pada Gambar
15. 60
= θ
Gambar 25. Region rumput dengan frekuensi
3
2 2
= F
dan 60
= θ
6. Penggabungan Ciri Warna dan Tekstur
Penggabungan ciri warna dan tekstur dilakukan dengan mengubah- ubah nilai pembobot antara masing-masing ciri dan kemudian
dibandingkan sehingga diperoleh pembobot ciri optimal yang menyatakan gabungan antara dua ciri dasar yaitu ciri warna dan ciri tekstur. Pengujian
dilakukan dengan mengambil beberapa kelompok citra dan mengukur perbedaan ciri dari masing-masing kelompok serta mengukur kesamaan
dari masing-masing anggota kelompok Harsono Basuki, 2005. Nilai pembobot a
c
,a
t
yang dicoba adalah a
c
= 0.7 dan a
t
=0.3. Nilai pembobot ini dipilih karena berdasarkan penelitian yang dilakukan Harsono dan
Basuki 2005 menyatakan bahwa pada nilai bobot tersebut sangat baik untuk penggabungan nilai ciri warna dan tekstur.
Nilai a
t
yang diambil selalu lebih kecil dari a
c
, karena ciri tekstur memang tidak terlalu dominan dalam penentuan ciri citra secara umum.
Nilai ciri baru diperoleh dengan rumus : Ciri baru = 0.7 Vektor ciri warna + 0.3 Vektor ciri tekstur
C. Pelabelan Citra
1. Labeling Capture
Proses ini berupa mengumpulkan semua subjek citra. Hasil yang peroleh dari proses ini adalah berupa kumpulan kamus kata Tabel 4.
2. Labeling Coding
Setelah ciri region diperoleh dan disimpan dalam basisdata, selanjutnya algoritma clustering dijalankan. Algoritma clustering ini
membutuhkan matrik ciri region sebagai data masukan.
Matrik Keanggotaan
Hasil dari proses clustering adalah matrik keanggotaan region
terhadap cluster yang dihasilkan.
Tabel 5. Matrik Keanggotaan Region berdasarkan hasil clustering
Region C1
C2 C3
C4 C5
C6
1 0.881539
0.118309 2.02E-08
5.15E-05 7.25E-07 9.95E-05
2 3.19E-06
2.99E-07 0.921212
5.53E-08 0.078716 6.86E-05
3 1.64E-11
4.08E-09 5E-15
0.999999 5.5E-14 7.91E-13
4 1.67E-13
2.1E-14 0.999999
5E-15 3.06E-10 2.08E-12
5 0.000184
2.53E-06 7.75E-06
1.92E-07 0.068908 0.930898
- - - - - - -
- - - - - - -
- - - - - - -
717 8.57E-11
1.05E-11 0.99999
2.24E-12 2.28E-07 1.16E-09
718 1.27E-05
0.056199 9.48E-10
0.943788 1.34E-08 2.94E-07
719 3.24E-06
3.04E-07 0.91941
5.61E-08 0.080517 6.98E-05
720 0.853729
4.48E-05 8.37E-08
8.15E-07 1.16E-05 0.146214
Hasil clustering menunjukkan subjek bangunan memiliki jumlah tertinggi pada cluster ke-2, sedangkan pemandangan terbanyak pada
cluster ke-1 dan subjek alam terbanyak pada cluster ke-4.
Total Clus te r pe r Subje k
10 20
30 40
50 60
70 80
1 2
3 4
5 6
Clus te r Tot
a l
Pemandangan Bangunan
Alam
Gambar 26 . Grafik Total Cluster per Subjek
Visualisasi Pelabelan
Nilai maksimum setiap cluster pada setiap citra menyatakan bahwa nilai region ini lebih mendekati cluster yang terbentuk hasil clustering.
Selanjutnya nilai keanggotaan maksimun ini dipetakan secara visual terhadap citra hasil segmentasi. Gambar 27, menunjukkan visualisasi salah
satu citra yang memiliki nilai keanggotaan region.
Gambar 27. Citra contoh labeling coding
Penggabungan Region
Nilai region dengan nilai 0.16107 dan 0.16739, berdasarkan hasil clustering
kemudian dikelompokkan ke dalam satu kelompok. Begitu juga untuk nilai 0.60864 dan 0.65573 juga dikelompokkan dalam satu
kelompok tersendiri. Sedangkan untuk nilai 0.30412 dan 0.47258 dikelompokkan dalam satu kelompok.
Perhitungan nilai ciri baru untuk region dilakukan dengan menghitung nilai rata-rata untuk region-region yang terkelompok dalam
satu kelompok. Gambar 28, menunjukkan visualisasi hasil penggabungan region
bersama dengan nilai keanggotaan region untuk Gambar 27.
Gambar 28. Contoh citra proses penggabungan region
3. Labeling Reuse
Integrasi dari konsep-konsep dalam kamus kata. Informasi yang diperoleh adalah visualisasi pelabelan otomatis citra.
Gambar 29 . Contoh citra hasil pelabelan otomatis
Gambar 29 menunjukkan proses labeling reuse nilai region yang berupa label untuk region yang ada di citra.
Proses pelabelan ini akan digunakan dalam tahapan temu kembali, sedangkan nilai ciri region akan digunakan untuk penghitungan jarak
dalam proses temu kembali.
D. Hasil Temu Kembali
Kueri berdasarkan teks tidak memerlukan proses ekstraksi namun langsung pada penentuan indeks dan retrieval data sesuai dengan karakteristik
indeks. Proses ini diawali dengan penentuan deskripsi secara teks oleh user
kemudian sistem akan mencarimenentukan indeks yang sesuai, kemudian berdasarkan tabel indeks yang sudah ada dilakukan pencocokan karakteristik.
Dari proses ini diperoleh citra yang sesuai dengan yang dicari. Gambar 30 memperlihatkaan bahwa citra hasil temu kembali tidak
sepenuhnya berasal dari jenis citra yang sama dengan kueri masukan. Citra yang relevan di dalam basis data yang ditemukembalikan sampai 30 citra
teratas sebanyak 30 citra yang relevan di dalam basis data. Terdapat beberapa citra yang ditemukembalikan memiliki objek yang sesuai dengan warna dan
tekstur citra untuk kata kunci ‘awan’ dan ‘rumput’. Dari sisi warna yang tidak terkandung sama sekali dalam kueri ‘awan’ dan ‘rumput’ yang dominan biru
dan hijau, yaitu citra pada peringkat 7 dan 11. Hal ini dikarenakan sistem tidak mengenal kelas citra untuk kata kunci ‘awan’ dan ‘rumput’ tapi citra tersebut
masih memiliki objek yang terkandung dalam subjek yang sama dengan ‘awan’ dan ‘rumput’ yaitu pemandangan dan sistem hanya
menemukembalikan citra di dalam basis data yang mempunyai tingkat kemiripan yang tinggi dengan kueri serta semua citra dalam basis data yang
memiliki salah satu objek dari citra kueri.
Gambar 30.
Hasil Temu Kembali Citra denga kata kunci ‘rumput’,’awan’.
E. Evaluasi Hasil Temu Kembali