Karakteristik Citra Masukan Hasil Temu Kembali

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