Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra
KLASIFIKASI CITRA MENGGUNAKAN METODE
MINOR COMPONENT ANALYSIS PADA SISTEM TEMU KEMBALI
CITRA
VERA YUNITA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
KLASIFIKASI CITRA MENGGUNAKAN METODE
MINOR COMPONENT ANALYSIS PADA SISTEM TEMU KEMBALI
CITRA
VERA YUNITA
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
ABSTRACT
VERA YUNITA. The Application of Minor Component Analysis to Image Classification in CBIR
Systems. Under supervision of YENI HERDIYENI.
In content-based image retrieval (CBIR) system, retrieving process is done by comparing a query
image to all images from image database. This process is not effective because spends much times
besides the retrieved images are not always match with the query image particularly for large
databases. To solve this problem, image classification is proposed. In this research, minor component
analysis (MCA) is used for images classification. For each image, a feature vector describing color,
shape and texture. MCA vector will be formed as a representative pattern for each images class. In
classification process, image database divided for image training and testing. Train data used to build
classification model while test data used for test the accuracy of classification model. From this
research it can be concluded that usage of MCA can improve the accuracy about 33.20%. This
improvement shows that MCA can be applied in CBIR system, especially for large images database.
Keywords: Content-based Image Retrieval, Minor Component Analysis, Principal Component
Analysis.
Judul
Nama
NIM
: Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu
Kembali Citra
: Vera Yunita
: G64050542
Menyetujui:
Pembimbing
Yeni Herdiyeni, S.Si., M.Kom.
NIP 197509232000122001
Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Dr. Drh. Hasim, DEA
NIP 196103281986011002
Tanggal Lulus:
RIWAYAT HIDUP
Penulis dilahirkan di Batusangkar, Sumatera Barat pada tanggal 27 Juni 1987 sebagai anak kedua
dari tiga bersaudara pasangan Bapak Makmur dan Ibu Hasnah. Pada tahun 2005, penulis lulus dari
SMA Negeri 1 Batusangkar dan pada tahun yang sama penulis diterima menjadi mahasiswa Institut
Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI). Pada tahun 2006, berdasarkan
hasil seleksi Mayor Minor, penulis diterima di Departemen Ilmu Komputer Fakultas Matematika dan
Ilmu Pengetahuan Alam IPB (FMIPA IPB) yang merupakan departemen pilihan pertama penulis.
Selain itu, untuk melengkapi kompetensi, penulis memilih minor Statistika Sosial Ekonomi pada
Departemen Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam IPB (FMIPA IPB).
Selama menjadi mahasiswa di Institut Pertanian Bogor, penulis aktif pada organisasi Dewan
Perwakilan Mahasiswa FMIPA IPB periode 2006/2007 sebagai staf Komisi Eksternal dan periode
2007/2008 sebagai staf Komisi Internal. Pada tahun 2008 penulis melaksanakan kegiatan Praktik
Kerja Lapangan di SEAMEO BIOTROP pada unit BrMC. Pada tahun 2007, penulis mendapatkan
beasiswa Bantuan Belajar Mahasiswa (BBM) dari DIKTI dan pada tahun 2008-2009 penulis
memperoleh beasiswa dari Bank Indonesia. Penulis terpilih menjadi finalis Data Mining Contest pada
ajang Pagelaran Mahasiswa Nasional Bidang Teknologi Informasi dan Komunikasi (geMasTIK) 2008
di IT Telkom Bandung.
PRAKATA
Alhamdulillahi Rabbil ‘alamin, puji dan syukur yang sedalam-dalamnya penulis panjatkan kepada
Allah Subhanahu wa Ta’ala atas limpahan rahmat dan hidayah-Nya sehingga tugas akhir yang
berjudul Klasifikasi Citra Menggunakan Metode Minor Component Analysis (MCA) pada Sistem
Temu Kembali Citra dapat diselesaikan. Penelitian ini dilaksanakan mulai Oktober 2008 sampai
dengan Juli 2009, bertempat di Departemen Ilmu Komputer.
Penulis juga menyampaikan ucapan terima kasih kepada:
1. Kedua orang tua, Amak dan Abak, Uni Ipit serta Yuli yang selalu memberikan doa serta dukungan
untuk penulis,
2. Ibu Yeni Herdiyeni, S.Si.,M.Kom. selaku dosen pembimbing yang telah memberikan arahan dan
bimbingan serta kesabarannya kepada penulis dalam menyelesaikan skripsi ini,
3. Indra Nugraha, Ferry Pratama, Fitria Yuningsih, Ramadhani, Dimas Perdana dan M. Abi Rafdi
sebagai teman-teman satu bimbingan yang selalu memberikan masukan, saran dan semangat
kepada penulis,
4. Anak-anak CI, Idaliana, Indra Juniawan, Annisa dan Siti yang selalu menjadi teman diskusi,
5. Venerate Zone, Yuni Arti, Sri Danuriati, Karina Gusriani, Zissalwa Hafsari, Ninon NF dan semua
anak-anak kost Harmony atas dukungan dan semangat yang telah diberikan,
6. Roy, Mega, Resti, Mba Dian, Mba Mercy, Mba Heni, Mba Ratih, Mba Rita dan teman-teman kost
La Sapiensa yang selalu menemani dan memberikan semangat kepada penulis untuk
menyelesaikan skripsi ini.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga skripsi ini
dapat memberikan manfaat bagi siapapun yang membaca.
Bogor, Agustus 2009
Vera Yunita
DAFTAR ISI
Halaman
DAFTAR TABEL ................................................................................................................................. v
DAFTAR GAMBAR ............................................................................................................................. v
DAFTAR LAMPIRAN .......................................................................................................................... v
PENDAHULUAN ................................................................................................................................. 1
Latar belakang .................................................................................................................................. 1
Tujuan .............................................................................................................................................. 1
Ruang Lingkup ................................................................................................................................. 1
TINJAUAN PUSTAKA ........................................................................................................................ 1
Content Based Image Retrieval ........................................................................................................ 1
Principal Component Analysis ......................................................................................................... 1
Minor Component Analysis .............................................................................................................. 2
Proyeksi Vektor ................................................................................................................................ 3
METODE PENELITIAN ...................................................................................................................... 3
Data Citra ......................................................................................................................................... 3
Pembentukan Classifier Menggunakan MCA .................................................................................. 3
Penentuan Kelas Target Citra Kueri ................................................................................................. 3
Hasil Klasifikasi ............................................................................................................................... 4
Evaluasi Hasil Klasifikasi ................................................................................................................ 4
Lingkup Pengembangan ................................................................................................................... 4
HASIL DAN PEMBAHASAN .............................................................................................................. 4
Praproses Citra ................................................................................................................................. 4
Ekstraksi Fitur .................................................................................................................................. 4
Pembentukan Classifier Menggunakan MCA .................................................................................. 5
Pembentukan Matriks Korelasi ................................................................................................... 5
Pembentukan Vektor MCA ........................................................................................................ 5
Penentuan Kelas Target Citra Kueri ................................................................................................ 5
Hasil Klasifikasi ............................................................................................................................... 5
Evaluasi Hasil Klasifikasi ................................................................................................................ 5
KESIMPULAN DAN SARAN .............................................................................................................. 8
Kesimpulan ...................................................................................................................................... 8
Saran ................................................................................................................................................ 8
DAFTAR PUSTAKA ............................................................................................................................ 9
iv
DAFTAR TABEL
Halaman
1 Hasil Pengujian Klasifikasi dengan Menggunakan MCA ................................................................ 7
2 Hasil Pengujian Klasifikasi dengan Menggunakan PCA ................................................................. 7
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
Halaman
Arsitektur Sistem CBIR ................................................................................................................... 1
Model Proyeksi Antara Dua Vektor ................................................................................................. 3
Metode Penelitian ............................................................................................................................. 3
Proses Pembentukan Vektor MCA.................................................................................................... 5
Hasil Temu Kembali untuk Klasifikasi yang Benar ......................................................................... 6
Hasil Temu Kembali untuk Klasifikasi yang Salah .......................................................................... 6
Hasil Pengujian Klasifikasi dengan Menggunakan MCA ................................................................ 7
Hasil Pengujian Klasifikasi dengan Menggunakan PCA ................................................................. 8
Perbandingan Akurasi PCA dan MCA pada Pengujian Klasifikasi .................................................. 8
DAFTAR LAMPIRAN
Halaman
1 Contoh Citra yang Digunakan Sebagai Training pada Setiap Kelas .............................................. 11
2 Contoh Citra yang Digunakan Sebagai Testing pada Setiap Kelas ................................................ 15
3 Antarmuka Sistem .......................................................................................................................... 17
v
PENDAHULUAN
Latar Belakang
Sistem temu kembali citra berdasar pada
informasi citra atau yang lebih dikenal dengan
content-based image retrieval (CBIR) tidak
selalu memberikan hasil yang memuaskan. Hal
ini disebabkan karena dalam proses pencarian,
kueri citra harus dibandingkan dengan semua
citra yang terdapat dalam basis data citra. Cara
pencarian seperti ini tentunya membutuhkan
waktu terutama pada basis data citra yang
sangat besar. Permasalahan ini dapat diatasi
dengan cara mengklasifikasikan citra yang
terdapat pada basis data sehingga sebuah citra
kueri hanya akan dibandingkan dengan kelaskelas citra, bukan dengan semua citra yang
terdapat dalam basis data citra.
Terdapat beberapa metode yang dapat
digunakan untuk klasifikasi citra di antaranya
adalah support vector machines (SVM), fuzzy
logic, k-nearest neighbor (KNN) dan minor
component analysis (MCA). Untuk teknik
klasifikasi
citra
menggunakan
MCA
sebelumnya telah diteliti oleh Jancovic et al.
(2006). Dalam penelitian tersebut, Jancovic et
al. menerapkan teknik klasifikasi dalam sistem
CBIR dengan tujuan untuk meningkatkan
keakuratan
hasil temu kembali citra dan
mempercepat proses pencarian terhadap suatu
kueri. Hasil penelitian tersebut akan diterapkan
pada basis data citra yang berukuran sangat
besar.
Pada penelitian ini, klasifikasi citra
dilakukan dengan menggunakan metode yang
sama dengan penelitian Jancovic et al. (2006)
yaitu minor component analysis (MCA).
Metode ini dipilih karena dari penelitian
tersebut diketahui bahwa MCA dapat
mempertahankan informasi yang fokus terhadap
objek citra melalui proses learning. Sedangkan
principal component analysis (PCA) lebih
fokus terhadap informasi citra secara global
yang tentu saja melibatkan background citra.
Pada proses temu kembali, citra kueri hanya
akan dibandingkan dengan pola representatif
dari setiap kelas citra, sehingga proses
pencarian akan lebih cepat dan hasil temu
kembali yang diperoleh akan lebih akurat
(Jancovic et al. 2006).
Tujuan Penelitian
Ruang Lingkup
Pada penelitian ini, fitur citra yang
digunakan adalah warna, bentuk dan tekstur.
Data citra yang digunakan dibatasi dengan
hanya menggunakan sepuluh kelas citra, yaitu:
kelas matahari terbenam, sapi, gajah, pohon,
burung, mobil, singa, sepeda motor, helikopter
dan beruang.
TINJAUAN PUSTAKA
Content Based Image Retrieval
Content based image retrieval (CBIR)
merupakan salah satu sistem dalam temu
kembali citra yang didasarkan pada informasi
yang dimiliki oleh citra.
Informasi yang
terdapat pada citra dapat bersifat semantik atau
berupa informasi visual. Temu kembali citra
berdasarkan informasi semantik dilakukan
dengan memberikan kata kunci yang diketikan
secara manual pada setiap citra. Di lain pihak,
temu kembali citra berdasarkan informasi visual
menggunakan teknik pengolahan warna, bentuk
dan tekstur citra (Chung 2007). Pada proses
temu kembali dengan CBIR, citra akan
ditemukembalikan berdasarkan kemiripan fitur
antara kueri dan basis data citra. Skema umum
dari proses CBIR dapat dilihat pada Gambar 1.
Image
Feature
Extraction
Database
Query
Image
Feature
Extraction
Compare
Image
retrieval
Gambar 1 Arsitektur sistem CBIR (Mueen et
al. 2007).
Principal Component Analysis
Principal component analysis (PCA)
merupakan suatu metode untuk mendapatkan
informasi dari suatu data dengan mereduksi
dimensi dari data tersebut. Reduksi dimensi
yang dilakukan pada suatu data tidak akan
menyebabkan hilangnya informasi dari data
tersebut (Smith 2002). Komponen utama atau
yang disebut dengan principal component (PC)
direpresentasikan oleh sebuah vektor yang
merupakan vektor eigen yang bersesuaian
dengan nilai eigen terbesar dari suatu data.
Misalnya, diketahui matriks input:
Tujuan dari penelitian ini adalah untuk
menerapkan metode minor component analysis
(MCA) dalam klasifikasi citra digital pada
sistem temu kembali citra.
1
Untuk memperoleh vektor PCA, maka
langkah pertama yang dilakukan adalah
mengurangi setiap elemen pada matriks A
dengan nilai rataan dari matriks tersebut
sehingga dihasilkan matriks B. Setelah itu,
hitung matriks peragam (Ω) dengan cara
mengalikan matriks B dengan BT.
Dari matriks Ω yang berukuran n×n, sebuah
vektor tak nol v di Rn disebut vektor eigen dari
Ω jika terdapat skalar sedemikian hingga:
Ωv = λv.
λ disebut nilai eigen dan v adalah vektor eigen
dari Ω yang bersesuaian dengan λ dimana v ≠ 0
(Leon 1998). Prosedur yang dapat dilakukan
untuk menghitung nilai eigen dari sebuah
matriks adalah sebagai berikut:
1. Menentukan persamaan karakteristik det ((Ω
- λI) = 0.
2. Membentuk matriks Ω dengan elemen
diagonal utamanya dikurangi λ.
3. Menguraikan persamaan karakteristik ke
dalam persamaan sukubanyak karakteristik:
λⁿ + cn-1λn-1 +cn-2 λn-2 + …+ c1λ+ c0 = 0
4. Menyelesaikan persamaan yang diperoleh
pada langkah di atas. Nilai-nilai eigen
merupakan
penyelesaian
persamaan
tersebut.
Dari setiap nilai eigen yang diperoleh dapat
dihasilkan satu vektor eigen. Semua vektor
eigen yang diperoleh pada perhitungan tersebut
merupakan vektor komponen utama atau yang
dikenal dengan principal component.
Minor Component Analysis
Minor component analysis (MCA) atau yang
disebut juga dengan minor subspace analysis
(MSA) merupakan suatu metode statistika yang
digunakan untuk menentukan ragam terkecil
pada suatu data. Namun, menurut Luo et al.
(1997) yang dimaksud dengan komponen minor
adalah vektor eigen yang bersesuaian dengan
nilai eigen terkecil dari sebuah matriks input
(matriks korelasi). Pada pemrosesan MCA,
vektor bobot dimodifikasi menggunakan
metode learning rule agar menghasilkan
sebuah vektor eigen yang bersifat konvergen
(memusat) terhadap sebaran data (Moller &
Konies 2003). Menurut Jankovic (2005),
algoritme MCA mengekstrak N komponen
minor dari vektor K-dimensi melalui proses
acak stationer N < K.
Target dari MCA adalah mengekstrak
komponen minor dari data input dengan
mengupdate vektor bobot secara adaptif.
Misalkan matriks korelasi
. Karena
merupakan matriks dari input
matriks R merupakan sebuah matriks persegi,
maka dari matriks ini dapat dihitung sejumlah
nilai eigen (λ). Banyaknya nilai eigen yang
dihasilkan akan sama dengan jumlah dimensi
(baris atau kolom) dari matriks R. Nilai eigen
yang dihasilkan akan beragam yaitu, λ1 > λ2 >
… > λn ≥ 0 dan vektor eigen v1, v2,…, vn dapat
dibentuk dari setiap nilai eigen tersebut,
sehingga :
.
Proses perhitungan yang digunakan untuk
memperoleh komponen minor (MCA) berbeda
dengan komponen utama (PCA). Perhitungan
MCA
dilakukan
dengan
menggunakan
algoritme learning dengan iterasi t yang sangat
besar sehingga menghasilkan sebuah vektor
bobot yang nilainya konvergen.
Proses pembentukan algoritme
menurut Luo et al. (1997) adalah:
MCA
1 Misal
merupakan sebuah vektor input,
adalah vektor output dengan sebuah
persamaan :
(t = 0, 1, 2, …, N)
dengan
Є R (t = 0, 1, 2, …, N)
merupakan vektor bobot.
n
2 Algoritme untuk menghitung MCA dari
adalah:
sebuah vektor input
dengan
Є
untuk j = 1, 2, 3, .., N.
3 Rumus di atas dapat ditulis dalam bentuk
matriks dan disubtitusi dengan
, sehingga menjadi:
4 Nilai
disubtitusi
sehingga:
Jika matriks korelasi
dengan
, maka
wT(t) w(t) Rwt
2
Dengan
demikian,
algoritme
yang
diperkenalkan oleh Luo et al. (1997) untuk
menghitung MCA secara deterministik adalah:
w(t+1) = w(t) – η [Rw(t)wT(t)w(t) –
w(t)wT(t)Rw(t)]
dengan η > 0 merupakan koefisien learning
rate. Algoritme tersebut menghasilkan vektor w
yang konvergen dengan iterasi t yang sangat
besar.
Proyeksi Vektor
Proyeksi
vektor
digunakan
untuk
menemukan titik koordinat terdekat antara suatu
vektor terhadap vektor lain (Leon 1998). Misal
vektor a diproyeksikan terhadap vektor b seperti
yang ditunjukkan pada Gambar 2.
Indexing
Basis Data Citra
Retrieval
Citra Kueri
Ekstraksi Ciri
Ekstraksi Ciri
Pembentukan
classifier
menggunakan MCA
Penentuan kelas
target Kueri
Hasil
Klasifikasi
Kueri
Evaluasi Klasifikasi
Gambar 2 Model proyeksi antara dua vektor.
Hasil proyeksi dari vektor a terhadap vektor
b yang terdapat pada Gambar 2 adalah sebuah
vektor c, dengan:
Gambar 3 Metode Penelitian.
Ekstraksi Fitur
Ekstraksi fitur dilakukan untuk memperoleh
informasi fitur warna, bentuk dan tekstur.
Proses ekstraksi ini dilakukan dengan
menggunakan hasil penelitian Pebuardi (2008).
Pembentukan Classifier Menggunakan MCA
METODE PENELITIAN
Tahapan yang dilalui dalam proses
klasifikasi citra menggunakan metode MCA ini
ada lima tahap, yaitu: (1) ekstraksi fitur, (2)
pembentukan classifier menggunakan MCA, (3)
penentuan kelas target citra kueri, (4) hasil
klasifikasi, (5) evaluasi hasil klasifikasi.
Tahapan tersebut dapat dilihat pada Gambar 3.
Data Citra
Data citra yang digunakan dalam penelitian
ini adalah data citra California Institute of
Technology (Caltech). Data tersebut diperoleh
dari situs www.caltech.edu. Citra yang
digunakan sebagai data training berjumlah 250
citra yang dibagi ke dalam sepuluh kelas,
sehingga masing-masing kelas memiliki 25
citra. Setiap kelas citra memiliki objek yang
sama sedangkan background, pencahayaan dan
posisi objek bervariasi. Sepuluh kelas citra yang
digunakan dalam basis data citra adalah kelas
matahari terbenam, sapi, gajah, pohon, burung,
mobil, singa, sepeda motor, helikopter dan
beruang.
Fitur suatu kelas dapat direpresentasikan
dengan
sebuah
vektor
MCA.
Untuk
mendapatkan vektor MCA, terlebih dahulu
harus dihitung vektor fitur dari setiap citra yang
terdapat pada basis data citra. Fitur yang
diekstrak dari setiap citra adalah warna, bentuk
dan tekstur, sehingga setiap citra pada basis data
citra memiliki tiga vektor fitur. Dari ketiga
vektor fitur ini akan dibentuk satu vektor fitur
yang telah mencakup fitur warna, bentuk dan
tekstur.
Untuk setiap kelas citra akan dibentuk
sebuah vektor MCA yang merupakan
representasi fitur dari masing-masing kelas.
Proses perhitungan untuk menghasilkan vektor
MCA
adalah
menggunakan
algoritme
deterministik yang diperkenalkan oleh Luo et
al. (1997) dengan matriks korelasi fitur sebagai
inputnya.
Penentuan Kelas Target Citra Kueri
Sebuah citra kueri akan dihitung vektor
fiturnya, yaitu vektor fitur untuk warna, bentuk
dan tekstur. Dari ketiga vektor fitur tersebut
3
akan dibentuk satu vektor fitur yang merupakan
kombinasi dari ketiga fitur tersebut. Vektor fitur
inilah yang akan diproyeksikan pada setiap
vektor MCA dari masing-masing kelas untuk
menentukan kelas dari citra kueri. Proyeksi
dihitung dengan menggunakan rumus proyeksi
vektor, yaitu:
dengan c adalah vektor hasil proyeksi, a
merupakan vektor fitur kueri dan b adalah
vektor MCA dari setiap kelas.
Kelas target dari citra kueri akan ditentukan
dengan melihat panjang vektor hasil proyeksi
kueri terhadap vektor MCA pada setiap kelas.
Sebuah citra kueri diklasifikasikan ke dalam
suatu kelas apabila panjang vektor hasil
proyeksinya pada MCA kelas tersebut lebih
kecil dari pada kelas lainnya.
Hasil Klasifikasi
Citra kueri yang digunakan pada proses
temu kembali dapat berasal dari data training
maupun data testing. Apabila sebuah citra kueri
telah diklasifikasikan ke dalam suatu kelas,
maka semua citra yang terdapat pada kelas
tersebut akan menjadi citra hasil temu kembali.
Hasil klasifikasi yang benar akan memberikan
citra hasil temu kembali yang sangat relevan
terhadap kueri yang diberikan.
Evaluasi Hasil Klasifikasi
Tahap evaluasi dilakukan untuk menilai
kinerja sistem dalam menentukan benar atau
tidaknya hasil klasifikasi dari citra kueri.
Evaluasi dihitung menggunakan rumus:
b Perangkat lunak yang digunakan adalah
MATLAB 7.0.1 dan sistem operasi
Windows XP Professional SP 2.
HASIL DAN PEMBAHASAN
Praproses Citra
Data citra yang digunakan dibagi menjadi
dua bagian yaitu 250 citra digunakan sebagai
data training dan 250 citra untuk data testing.
Sebelum data training dan data testing
diekstraksi,
terlebih
dahulu
dilakukan
pembersihan data seperti cropping pada citra
yang memiliki frame agar tidak menghasilkan
informasi yang salah pada saat ekstraksi fitur
terutama pada fitur bentuk.
Ekstraksi Fitur
Proses ekstraksi fitur dilakukan untuk
mendapatkan informasi warna, bentuk dan
tekstur dari setiap citra, baik citra yang terdapat
pada basis data citra maupun citra kueri yang
berasal dari luar basis data citra. Proses
ekstraksi fitur pada basis data citra citra
dilakukan secara terpisah pada setiap kelas. Hal
ini dilakukan untuk mempermudah proses
pembentukan vektor MCA dari setiap kelas.
a. Ekstraksi Fitur Warna
Ekstraksi warna dilakukan terhadap semua
citra pada setiap kelas secara terpisah. Proses
ekstraksi warna pada setiap kelas akan
menghasilkan matriks berukuran 162 25.
Nilai 162 merupakan fitur warna dan 25
merupakan banyaknya citra per kelas yang
diekstraksi. Dengan demikian, untuk hasil
ekstraksi warna pada basis data citra diperoleh
sepuluh matriks berukuran 162 25.
b. Ekstraksi Fitur Bentuk
Nilai akurasi dihitung untuk mengetahui
seberapa
besar
peluang
kueri
untuk
diklasifikasikan dengan benar dari hasil
pengujian citra pada setiap kelas (Mueen et al.
2007).
Lingkup Pengembangan
Spesifikasi perangkat keras dan perangkat
lunak yang digunakan dalam penelitian ini
adalah:
a Perangkat keras yang digunakan adalah
komputer dengan spesifikasi memori DDR2
2GB dan Harddisk 80GB.
Proses ekstraksi fitur bentuk dilakukan
secara terpisah tehadap setiap kelas citra, dan
menghasilkan matriks berukuran
.
Nilai 72 menunjukkan informasi bentuk dan
nilai 25 merupakan banyaknya citra pada setiap
kelas. Dengan demikian, untuk hasil ekstraksi
bentuk pada basis data citra akan menghasilkan
sepuluh matriks berukuran
.
c. Ekstraksi Fitur Tekstur
Ekstraksi tekstur dilakukan terhadap semua
citra secara terpisah berdasarkan kelas masingmasing. Ekstraksi tekstur untuk suatu kelas
menghasilkan matriks berukuran
.
Angka tujuh menunjukkan informasi tekstur.
Angka 25 menunjukkan banyaknya citra yang
terdapat pada suatu kelas.
4
Vektor fitur yang akan digunakan untuk
membentuk vektor MCA merupakan kombinasi
dari fitur warna, bentuk dan tekstur. Untuk fitur
warna digunakan 162 komponen, fitur bentuk
72 komponen dan fitur tekstur 7 komponen.
Kombinasi ini menghasilkan vektor fitur
berukuran 241 × 1 untuk setiap citra, sehingga
untuk setiap kelas terdapat matriks fitur yang
berukuran 241 × 25.
Pembentukan Classifier Menggunakan MCA
a. Pembentukan Matriks Korelasi
Matriks
korelasi
menggunakan rumus:
dihitung
dengan
Algoritme MCA diproses hingga iterasi ke-t
yang sangat besar. Iterasi berhenti apabila
selisih antara w(t+1) dan w(t) sangat kecil atau
mendekati nol. Untuk inisialisasi awal, setiap
elemen dari vektor bobot w(0) yang berukuran
241 × 1, diisi dengan nilai 0.1. Pemberian nilai
w(0) ini disamakan untuk pemrosesan vektor
MCA bagi semua kelas citra. Di sisi lain, untuk
nilai η digunakan nilai 0.05. Semakin kecil nilai
η yang digunakan, maka iterasi algoritme akan
semakin lama. Hasil dari algoritme MCA di atas
adalah sebuah vektor tak nol yang disebut
dengan vektor MCA.
Penentuan Kelas Target Citra Kueri
,
dengan X adalah matriks hasil ekstraksi fitur
yang berukuran 241 × 25 sehingga dihasilkan
matriks korelasi berukuran 241 × 241.
b. Pembentukan Vektor MCA
Vektor MCA merupakan vektor eigen yang
bersesuaian dengan nilai eigen terkecil yang
diperoleh dari matriks korelasi. Algoritme yang
digunakan untuk mengekstrak vektor MCA dari
sebuah matriks korelasi adalah:
w(t+1) = w(t) – η [Rw(t)wT (t)w(t) –
w(t)wT (t)Rw(t)]
dengan R adalah matriks korelasi, w merupakan
vektor bobot dan η merupakan laju
pembelajaran
(learning
rate).
Proses
pembentukan vektor MCA dapat dilihat pada
Gambar 4.
Citra kueri yang akan digunakan dapat
berasal dari basis data citra maupun dari luar
basis data citra. Sebuah citra kueri
diklasifikasikan ke dalam sebuah kelas apabila
panjang vektor hasil proyeksi fiturnya pada
vektor MCA kelas tersebut lebih kecil daripada
kelas lainnya.
Hasil Klasifikasi
Apabila sebuah citra kueri diklasifikasikan
ke dalam suatu kelas, maka semua citra yang
berada dalam kelas tersebut akan dijadikan
sebagai citra hasil temu kembali. Oleh karena
itu, apabila sebuah citra kueri diklasifikasikan
dengan benar, maka semua citra hasil temu
kembali merupakan citra yang relevan dengan
kueri dan sebaliknya apabila citra kueri
diklasifikasikan ke dalam kelas yang salah,
maka semua citra hasil temu kembali tidak akan
relevan dengan kueri tersebut.
Hasil temu kembali untuk citra kueri yang
diklasifikasikan dengan benar sesuai dengan
kelasnya dapat dilihat pada Gambar 5,
sedangkan
untuk
citra
kueri
yang
diklasifikasikan ke dalam kelas yang salah
dapat dilihat pada Gambar 6.
Matriks Korelasi R
Inisialisasi nilai η dan
w(0)
Evaluasi Hasil Klasifikasi
Algoritme MCA
Tidak
Apakah
w(t+1)-w(t) = 0?
Ya
w(t+1) adalah
vektor MCA
Gambar 4 Proses pembentukan vektor MCA.
Evaluasi hasil klasifikasi dilakukan dengan
menghitung akurasi pada setiap kelas. Akurasi
merupakan
banyaknya
citra
yang
diklasifikasikan dengan benar pada setiap kelas
dibagi dengan jumlah citra uji pada kelas
tersebut. Proses pengujian dibagi menjadi dua,
yaitu pengujian menggunakan classifier MCA
dan classifier PCA. Tujuannya adalah untuk
membandingkan akurasi yang diperoleh dari
hasil klasifikasi menggunakan PCA dan MCA.
Dari hasil yang diperoleh dapat diketahui
apakah terbukti bahwa MCA lebih baik
daripada PCA dalam mengklasifikasikan citra.
5
Citra Kueri
Citra53
Citra51
Citra56
Citra55
Citra52
Citra54
Citra59
Citra61
Citra57
Citra58
Citra65
Citra66
Citra67
Citra68
Citra72
Citra73
Citra74
Citra75
Citra62
Citra63
Citra64
Citra69
Citra70
Citra71
Citra60
Gambar 5 Hasil temu kembali untuk klasifikasi yang benar.
Citra Kueri
Citra201
Citra205
Citra206
Citra212
Citra219
Citra207
Citra208
Citra213
Citra214
Citra215
Citra220
Citra221
Citra202
Citra203
Citra204
Citra209
Citra210
Citra211
Citra217
Citra218
Citra224
Citra225
Citra216
Citra222
Citra223
Gambar 6 Hasil temu kembali untuk klasifikasi yang salah.
6
Evaluasi klasifikasi menggunakan MCA
Hasil yang diperoleh dari pengujian data
testing menggunakan MCA dapat dilihat pada
Tabel 1.
Tabel 1 Hasil pengujian klasifikasi dengan
menggunakan MCA
Hasil klasifikasi
Kelas
Benar
Salah
Akurasi
(%)
9
16
36%
2
23
8%
Matahari
terbenam
Sapi
Gajah
9
16
36%
Pohon
8
17
32%
Burung
14
11
56%
Mobil
16
9
64%
Singa
2
23
8%
Sepeda Motor
9
16
36%
Helikopter
5
20
20%
Beruang
9
16
36%
Hasil akurasi yang diperoleh sangat
dipengaruhi oleh hasil ekstraksi fitur yang
dilakukan pada tahap praproses. Oleh karena
itu, kesalahan hasil klasifikasi dapat disebabkan
karena citra yang diuji memiliki warna, bentuk
atau tekstur yang mirip dengan kelas yang lain.
Misalnya untuk citra kueri beruang berwarna
coklat dengan berlatar salju dan air laut yang
berwarna biru, maka citra beruang tersebut bisa
saja diklasifikasikan ke dalam kelas helikopter
yang kebanyakan citranya berlatar langit yang
berwarna biru dan putih. Selain itu, citra yang
terdapat pada setiap kelas memiliki fitur warna,
bentuk dan tekstur yang beragam sehingga
sangat mempengaruhi akurasi klasifikasi.
Evaluasi klasifikasi menggunakan PCA
akurasi (%)
Persentase akurasi yang terdapat pada Tabel
1 divisualisasikan ke dalam grafik yang
ditampilkan pada Gambar 7.
100
90
80
70
60
50
40
30
20
10
0
Hasil yang diperoleh pada pengujian data
testing menggunakan PCA dapat dilihat pada
Tabel 2.
Tabel 2 Hasil pengujian klasifikasi dengan
menggunakan PCA
64
Kelas
56
36
36
36
36
32
20
8
8
kelas citra
Gambar 7 Hasil pengujian klasifikasi dengan
menggunakan MCA.
Hasil pengujian yang ditampilkan pada
Gambar 7 menunjukkan bahwa akurasi
tertinggi dimiliki oleh kelas mobil yaitu sebesar
64%, sedangkan akurasi terkecil dimiliki oleh
kelas sapi dan singa yaitu sebesar 8%. Rataan
akurasi yang diperoleh pada pengujian data
testing untuk seluruh kelas adalah 33.20%.
Nilai ini diperoleh dari:
Matahari
terbenam
Sapi
Hasil klasifikasi
Benar
Salah
Akurasi
(%)
1
24
4%
2
23
8%
Gajah
0
25
0
Pohon
4
21
16%
Burung
3
22
12%
Mobil
0
25
0
Singa
5
20
20%
Sepeda Motor
8
17
32%
Helikopter
1
24
4%
Beruang
1
24
4%
Persentase akurasi yang terdapat pada Tabel
2 divisualisasikan pada grafik yang ditunjukkan
pada Gambar 8.
7
% akurasi
akurasi (%)
100
90
80
70
60
50
40
30
20
10
0
32
20
16 12
4
8
4
0
4
0
100
90
80
70
60
50
40
30
20
10
0
kelas citra
Gambar 8 Hasil pengujian klasifikasi dengan
menggunakan PCA.
Pengujian
yang
dilakukan
dengan
menggunakan PCA memberikan hasil yang
tidak begitu baik. Kelas gajah dan mobil hanya
memiliki akurasi sebesar 0%. Akurasi tertinggi
diperoleh oleh kelas sepeda motor yaitu sebesar
32%. Akurasi rataan untuk hasil pengujian ini
adalah 10%. Nilai ini diperoleh dari
perhitungan:
Nilai rata-rata akurasi yang diperoleh dari
hasil pengujian menggunakan PCA yaitu
sebesar 10% lebih kecil dibandingkan dengan
hasil pengujian menggunakan MCA yaitu
sebesar 33.2%. Perbandingan hasil akurasi
antara MCA dan PCA dalam pengujian
klasifikasi ditunjukkan pada Gambar 9.
Dari grafik yang ditunjukkan Gambar 9
terlihat bahwa penggunaan MCA sebagai
classifier memberikan hasil akurasi yang lebih
besar daripada PCA. Oleh karena itu,
penggunaan MCA dalam proses klasifikasi pada
sistem temu kembali citra tentunya dapat
meningkatkan hasil temu kembali.
kelas citra
Gambar 9 Perbandingan akurasi PCA dan MCA
pada pengujian klasifikasi.
MCA,
PCA.
KESIMPULAN DAN SARAN
Kesimpulan
Penelitian ini telah berhasil menerapkan
metode minor component analysis (MCA) pada
proses klasifikasi citra dalam sistem temu
kembali citra. Secara umum, penggunaan MCA
sebagai classifier dapat meningkatkan nilai
akurasi. Nilai rata-rata akurasi yang diperoleh
pada pengujian klasifikasi menggunakan MCA
lebih tinggi dari pada PCA. Dengan
menerapkan proses klasifikasi pada sistem temu
kembali citra, diperoleh hasil temu kembali
yang sangat akurat apabila sebuah citra kueri
diklasifikasikan dengan benar. Selain itu, proses
pencarian menjadi lebih efisien karena citra
kueri hanya dibandingkan dengan sepuluh
vektor MCA yang merupakan representasi fitur
dari setiap kelas.
Saran
Hasil akurasi yang diperoleh pada pengujian
klasifikasi sangat dipengaruhi oleh kualitas
ekstraksi fitur. Oleh karena itu, untuk penelitian
selanjutnya perlu diterapkan metode lain yang
lebih baik pada ekstraksi fitur agar akurasi yang
dihasilkan lebih besar. Selain itu, penggunaan
citra yang lebih banyak pada proses training
perlu diujikan untuk mengetahui apakah terjadi
peningkatan akurasi atau tidak.
8
DAFTAR PUSTAKA
Chung, KP. 2007. Intelligence Content Based
Image Retrieval Framework Based on SemiAutomated Learning and Historic Profile
[tesis]. Australia: Murdoch University;
2007.
Jancovic, M & Reljin, B. 2005. A New Minor
Component Analysis Method Based on
Douglas-Kung-Amari
Minor
Subspace
Analysis Method. IEEE Signal Processing
Letters. Vol. 12. 2005.
Jankovic, M et al. 2006. Minor Component
Analysis (MCA) Applied to Image
Classification in CBIR Systems. IEEE
Transactions on Neural Network. Volume
06. 2006.
Leon, SJ. 1998. Aljabar Linear dan Aplikasinya.
Erlangga: Jakarta.
Luo FL, Unbehauen R, Cichocki A. 1997. A
Minor Component Analysis Algorithm. Vol.
10,No. 2, p. 291-297, 1997.
Moller, R & Konies, A. 2003. Couple principal
Component Analysis. IEEE Transactions on
Neural Network. Volume 03. 2003.
Mueen A, Sapiyan M, Zainuddin R. 2007.
Multilevel Feature Extraction and X-ray
Image Classification. Journal of Applied
Science 7(8). 1224-1229. 2007.
Pebuardi R. 2008. Pengukuran Kemiripan Citra
Berbasis Warna, Bentuk dan Tekstur
Menggunakan Bayesian Network [skripsi].
Bogor : Departemen Ilmu Komputer, Institut
Pertanian Bogor.
Smith, LI. 2002. A Tutorial on Principal
Component Analysis. 12-20. 2002.
9
LAMPIRAN
Lampiran 1 Contoh citra yang digunakan sebagai training pada setiap kelas
1 Kelas Matahari terbenam
Citra 3
Citra 8
Citra 10
Citra 13
Citra 15
Citra 17
Citra 20
Citra 22
Citra 24
Citra 25
2 Kelas Sapi
Citra 26
Citra 28
Citra 30
Citra 32
Citra 34
Citra 36
Citra 38
Citra 40
Citra 42
Citra 44
Citra 52
Citra 54
Citra 55
Citra 57
Citra 60
Citra 62
Citra 64
Citra 66
Citra 68
Citra 74
3 Kelas Gajah
11
Lampiran 1 Lanjutan
4 Kelas Pohon
Citra 77
Citra 79
Citra 81
Citra 83
Citra 85
Citra 88
Citra 89
Citra 91
Citra 99
Citra 100
Citra 104
Citra 106
Citra 108
Citra 109
Citra 111
Citra 113
Citra 115
Citra 119
Citra 121
Citra 125
Citra 127
Citra 129
Citra 131
Citra 134
Citra 136
Citra 138
Citra 139
Citra 143
Citra 145
Citra 148
5 Kelas Burung
6 Kelas Mobil
12
Lampiran 1 Lanjutan
7 Kelas Singa
Citra 152
Citra 153
Citra 154
Citra 155
Citra 156
Citra 158
Citra 159
Citra 161
Citra 163
Citra 165
8 Kelas Sepeda Motor
Citra 176
Citra 179
Citra 181
Citra 184
Citra 187
Citra 193
Citra 195
Citra 197
Citra 199
Citra 200
Citra 201
Citra 203
Citra 205
Citra 214
Citra 216
Citra 217
9 Kelas Helikopter
Citra 207
Citra 220
Citra 209
Citra 223
13
Lampiran 1 Lanjutan
10 Kelas Beruang
Citra 228
Citra 229
Citra 230
Citra 231
Citra 235
Citra 237
Citra 239
Citra 243
Citra 234
Citra 250
14
Lampiran 2 Contoh citra yang digunakan sebagai citra testing
1 Kelas matahari terbenam
2 Kelas sapi
3 Kelas gajah
4 Kelas pohon
5 Kelas burung
6 Kelas mobil
15
Lampiran 2 Lanjutan
7 Kelas singa
8 Kelas sepeda motor
9 Kelas helikopter
10 Kelas beruang
16
Lampiran 3 Antarmuka Sistem
a. Antarmuka untuk memuat dan menampilkan citra kueri.
b. Antarmuka untuk hasil temu kembali.
17
MINOR COMPONENT ANALYSIS PADA SISTEM TEMU KEMBALI
CITRA
VERA YUNITA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
KLASIFIKASI CITRA MENGGUNAKAN METODE
MINOR COMPONENT ANALYSIS PADA SISTEM TEMU KEMBALI
CITRA
VERA YUNITA
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
ABSTRACT
VERA YUNITA. The Application of Minor Component Analysis to Image Classification in CBIR
Systems. Under supervision of YENI HERDIYENI.
In content-based image retrieval (CBIR) system, retrieving process is done by comparing a query
image to all images from image database. This process is not effective because spends much times
besides the retrieved images are not always match with the query image particularly for large
databases. To solve this problem, image classification is proposed. In this research, minor component
analysis (MCA) is used for images classification. For each image, a feature vector describing color,
shape and texture. MCA vector will be formed as a representative pattern for each images class. In
classification process, image database divided for image training and testing. Train data used to build
classification model while test data used for test the accuracy of classification model. From this
research it can be concluded that usage of MCA can improve the accuracy about 33.20%. This
improvement shows that MCA can be applied in CBIR system, especially for large images database.
Keywords: Content-based Image Retrieval, Minor Component Analysis, Principal Component
Analysis.
Judul
Nama
NIM
: Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu
Kembali Citra
: Vera Yunita
: G64050542
Menyetujui:
Pembimbing
Yeni Herdiyeni, S.Si., M.Kom.
NIP 197509232000122001
Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Dr. Drh. Hasim, DEA
NIP 196103281986011002
Tanggal Lulus:
RIWAYAT HIDUP
Penulis dilahirkan di Batusangkar, Sumatera Barat pada tanggal 27 Juni 1987 sebagai anak kedua
dari tiga bersaudara pasangan Bapak Makmur dan Ibu Hasnah. Pada tahun 2005, penulis lulus dari
SMA Negeri 1 Batusangkar dan pada tahun yang sama penulis diterima menjadi mahasiswa Institut
Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI). Pada tahun 2006, berdasarkan
hasil seleksi Mayor Minor, penulis diterima di Departemen Ilmu Komputer Fakultas Matematika dan
Ilmu Pengetahuan Alam IPB (FMIPA IPB) yang merupakan departemen pilihan pertama penulis.
Selain itu, untuk melengkapi kompetensi, penulis memilih minor Statistika Sosial Ekonomi pada
Departemen Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam IPB (FMIPA IPB).
Selama menjadi mahasiswa di Institut Pertanian Bogor, penulis aktif pada organisasi Dewan
Perwakilan Mahasiswa FMIPA IPB periode 2006/2007 sebagai staf Komisi Eksternal dan periode
2007/2008 sebagai staf Komisi Internal. Pada tahun 2008 penulis melaksanakan kegiatan Praktik
Kerja Lapangan di SEAMEO BIOTROP pada unit BrMC. Pada tahun 2007, penulis mendapatkan
beasiswa Bantuan Belajar Mahasiswa (BBM) dari DIKTI dan pada tahun 2008-2009 penulis
memperoleh beasiswa dari Bank Indonesia. Penulis terpilih menjadi finalis Data Mining Contest pada
ajang Pagelaran Mahasiswa Nasional Bidang Teknologi Informasi dan Komunikasi (geMasTIK) 2008
di IT Telkom Bandung.
PRAKATA
Alhamdulillahi Rabbil ‘alamin, puji dan syukur yang sedalam-dalamnya penulis panjatkan kepada
Allah Subhanahu wa Ta’ala atas limpahan rahmat dan hidayah-Nya sehingga tugas akhir yang
berjudul Klasifikasi Citra Menggunakan Metode Minor Component Analysis (MCA) pada Sistem
Temu Kembali Citra dapat diselesaikan. Penelitian ini dilaksanakan mulai Oktober 2008 sampai
dengan Juli 2009, bertempat di Departemen Ilmu Komputer.
Penulis juga menyampaikan ucapan terima kasih kepada:
1. Kedua orang tua, Amak dan Abak, Uni Ipit serta Yuli yang selalu memberikan doa serta dukungan
untuk penulis,
2. Ibu Yeni Herdiyeni, S.Si.,M.Kom. selaku dosen pembimbing yang telah memberikan arahan dan
bimbingan serta kesabarannya kepada penulis dalam menyelesaikan skripsi ini,
3. Indra Nugraha, Ferry Pratama, Fitria Yuningsih, Ramadhani, Dimas Perdana dan M. Abi Rafdi
sebagai teman-teman satu bimbingan yang selalu memberikan masukan, saran dan semangat
kepada penulis,
4. Anak-anak CI, Idaliana, Indra Juniawan, Annisa dan Siti yang selalu menjadi teman diskusi,
5. Venerate Zone, Yuni Arti, Sri Danuriati, Karina Gusriani, Zissalwa Hafsari, Ninon NF dan semua
anak-anak kost Harmony atas dukungan dan semangat yang telah diberikan,
6. Roy, Mega, Resti, Mba Dian, Mba Mercy, Mba Heni, Mba Ratih, Mba Rita dan teman-teman kost
La Sapiensa yang selalu menemani dan memberikan semangat kepada penulis untuk
menyelesaikan skripsi ini.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga skripsi ini
dapat memberikan manfaat bagi siapapun yang membaca.
Bogor, Agustus 2009
Vera Yunita
DAFTAR ISI
Halaman
DAFTAR TABEL ................................................................................................................................. v
DAFTAR GAMBAR ............................................................................................................................. v
DAFTAR LAMPIRAN .......................................................................................................................... v
PENDAHULUAN ................................................................................................................................. 1
Latar belakang .................................................................................................................................. 1
Tujuan .............................................................................................................................................. 1
Ruang Lingkup ................................................................................................................................. 1
TINJAUAN PUSTAKA ........................................................................................................................ 1
Content Based Image Retrieval ........................................................................................................ 1
Principal Component Analysis ......................................................................................................... 1
Minor Component Analysis .............................................................................................................. 2
Proyeksi Vektor ................................................................................................................................ 3
METODE PENELITIAN ...................................................................................................................... 3
Data Citra ......................................................................................................................................... 3
Pembentukan Classifier Menggunakan MCA .................................................................................. 3
Penentuan Kelas Target Citra Kueri ................................................................................................. 3
Hasil Klasifikasi ............................................................................................................................... 4
Evaluasi Hasil Klasifikasi ................................................................................................................ 4
Lingkup Pengembangan ................................................................................................................... 4
HASIL DAN PEMBAHASAN .............................................................................................................. 4
Praproses Citra ................................................................................................................................. 4
Ekstraksi Fitur .................................................................................................................................. 4
Pembentukan Classifier Menggunakan MCA .................................................................................. 5
Pembentukan Matriks Korelasi ................................................................................................... 5
Pembentukan Vektor MCA ........................................................................................................ 5
Penentuan Kelas Target Citra Kueri ................................................................................................ 5
Hasil Klasifikasi ............................................................................................................................... 5
Evaluasi Hasil Klasifikasi ................................................................................................................ 5
KESIMPULAN DAN SARAN .............................................................................................................. 8
Kesimpulan ...................................................................................................................................... 8
Saran ................................................................................................................................................ 8
DAFTAR PUSTAKA ............................................................................................................................ 9
iv
DAFTAR TABEL
Halaman
1 Hasil Pengujian Klasifikasi dengan Menggunakan MCA ................................................................ 7
2 Hasil Pengujian Klasifikasi dengan Menggunakan PCA ................................................................. 7
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
Halaman
Arsitektur Sistem CBIR ................................................................................................................... 1
Model Proyeksi Antara Dua Vektor ................................................................................................. 3
Metode Penelitian ............................................................................................................................. 3
Proses Pembentukan Vektor MCA.................................................................................................... 5
Hasil Temu Kembali untuk Klasifikasi yang Benar ......................................................................... 6
Hasil Temu Kembali untuk Klasifikasi yang Salah .......................................................................... 6
Hasil Pengujian Klasifikasi dengan Menggunakan MCA ................................................................ 7
Hasil Pengujian Klasifikasi dengan Menggunakan PCA ................................................................. 8
Perbandingan Akurasi PCA dan MCA pada Pengujian Klasifikasi .................................................. 8
DAFTAR LAMPIRAN
Halaman
1 Contoh Citra yang Digunakan Sebagai Training pada Setiap Kelas .............................................. 11
2 Contoh Citra yang Digunakan Sebagai Testing pada Setiap Kelas ................................................ 15
3 Antarmuka Sistem .......................................................................................................................... 17
v
PENDAHULUAN
Latar Belakang
Sistem temu kembali citra berdasar pada
informasi citra atau yang lebih dikenal dengan
content-based image retrieval (CBIR) tidak
selalu memberikan hasil yang memuaskan. Hal
ini disebabkan karena dalam proses pencarian,
kueri citra harus dibandingkan dengan semua
citra yang terdapat dalam basis data citra. Cara
pencarian seperti ini tentunya membutuhkan
waktu terutama pada basis data citra yang
sangat besar. Permasalahan ini dapat diatasi
dengan cara mengklasifikasikan citra yang
terdapat pada basis data sehingga sebuah citra
kueri hanya akan dibandingkan dengan kelaskelas citra, bukan dengan semua citra yang
terdapat dalam basis data citra.
Terdapat beberapa metode yang dapat
digunakan untuk klasifikasi citra di antaranya
adalah support vector machines (SVM), fuzzy
logic, k-nearest neighbor (KNN) dan minor
component analysis (MCA). Untuk teknik
klasifikasi
citra
menggunakan
MCA
sebelumnya telah diteliti oleh Jancovic et al.
(2006). Dalam penelitian tersebut, Jancovic et
al. menerapkan teknik klasifikasi dalam sistem
CBIR dengan tujuan untuk meningkatkan
keakuratan
hasil temu kembali citra dan
mempercepat proses pencarian terhadap suatu
kueri. Hasil penelitian tersebut akan diterapkan
pada basis data citra yang berukuran sangat
besar.
Pada penelitian ini, klasifikasi citra
dilakukan dengan menggunakan metode yang
sama dengan penelitian Jancovic et al. (2006)
yaitu minor component analysis (MCA).
Metode ini dipilih karena dari penelitian
tersebut diketahui bahwa MCA dapat
mempertahankan informasi yang fokus terhadap
objek citra melalui proses learning. Sedangkan
principal component analysis (PCA) lebih
fokus terhadap informasi citra secara global
yang tentu saja melibatkan background citra.
Pada proses temu kembali, citra kueri hanya
akan dibandingkan dengan pola representatif
dari setiap kelas citra, sehingga proses
pencarian akan lebih cepat dan hasil temu
kembali yang diperoleh akan lebih akurat
(Jancovic et al. 2006).
Tujuan Penelitian
Ruang Lingkup
Pada penelitian ini, fitur citra yang
digunakan adalah warna, bentuk dan tekstur.
Data citra yang digunakan dibatasi dengan
hanya menggunakan sepuluh kelas citra, yaitu:
kelas matahari terbenam, sapi, gajah, pohon,
burung, mobil, singa, sepeda motor, helikopter
dan beruang.
TINJAUAN PUSTAKA
Content Based Image Retrieval
Content based image retrieval (CBIR)
merupakan salah satu sistem dalam temu
kembali citra yang didasarkan pada informasi
yang dimiliki oleh citra.
Informasi yang
terdapat pada citra dapat bersifat semantik atau
berupa informasi visual. Temu kembali citra
berdasarkan informasi semantik dilakukan
dengan memberikan kata kunci yang diketikan
secara manual pada setiap citra. Di lain pihak,
temu kembali citra berdasarkan informasi visual
menggunakan teknik pengolahan warna, bentuk
dan tekstur citra (Chung 2007). Pada proses
temu kembali dengan CBIR, citra akan
ditemukembalikan berdasarkan kemiripan fitur
antara kueri dan basis data citra. Skema umum
dari proses CBIR dapat dilihat pada Gambar 1.
Image
Feature
Extraction
Database
Query
Image
Feature
Extraction
Compare
Image
retrieval
Gambar 1 Arsitektur sistem CBIR (Mueen et
al. 2007).
Principal Component Analysis
Principal component analysis (PCA)
merupakan suatu metode untuk mendapatkan
informasi dari suatu data dengan mereduksi
dimensi dari data tersebut. Reduksi dimensi
yang dilakukan pada suatu data tidak akan
menyebabkan hilangnya informasi dari data
tersebut (Smith 2002). Komponen utama atau
yang disebut dengan principal component (PC)
direpresentasikan oleh sebuah vektor yang
merupakan vektor eigen yang bersesuaian
dengan nilai eigen terbesar dari suatu data.
Misalnya, diketahui matriks input:
Tujuan dari penelitian ini adalah untuk
menerapkan metode minor component analysis
(MCA) dalam klasifikasi citra digital pada
sistem temu kembali citra.
1
Untuk memperoleh vektor PCA, maka
langkah pertama yang dilakukan adalah
mengurangi setiap elemen pada matriks A
dengan nilai rataan dari matriks tersebut
sehingga dihasilkan matriks B. Setelah itu,
hitung matriks peragam (Ω) dengan cara
mengalikan matriks B dengan BT.
Dari matriks Ω yang berukuran n×n, sebuah
vektor tak nol v di Rn disebut vektor eigen dari
Ω jika terdapat skalar sedemikian hingga:
Ωv = λv.
λ disebut nilai eigen dan v adalah vektor eigen
dari Ω yang bersesuaian dengan λ dimana v ≠ 0
(Leon 1998). Prosedur yang dapat dilakukan
untuk menghitung nilai eigen dari sebuah
matriks adalah sebagai berikut:
1. Menentukan persamaan karakteristik det ((Ω
- λI) = 0.
2. Membentuk matriks Ω dengan elemen
diagonal utamanya dikurangi λ.
3. Menguraikan persamaan karakteristik ke
dalam persamaan sukubanyak karakteristik:
λⁿ + cn-1λn-1 +cn-2 λn-2 + …+ c1λ+ c0 = 0
4. Menyelesaikan persamaan yang diperoleh
pada langkah di atas. Nilai-nilai eigen
merupakan
penyelesaian
persamaan
tersebut.
Dari setiap nilai eigen yang diperoleh dapat
dihasilkan satu vektor eigen. Semua vektor
eigen yang diperoleh pada perhitungan tersebut
merupakan vektor komponen utama atau yang
dikenal dengan principal component.
Minor Component Analysis
Minor component analysis (MCA) atau yang
disebut juga dengan minor subspace analysis
(MSA) merupakan suatu metode statistika yang
digunakan untuk menentukan ragam terkecil
pada suatu data. Namun, menurut Luo et al.
(1997) yang dimaksud dengan komponen minor
adalah vektor eigen yang bersesuaian dengan
nilai eigen terkecil dari sebuah matriks input
(matriks korelasi). Pada pemrosesan MCA,
vektor bobot dimodifikasi menggunakan
metode learning rule agar menghasilkan
sebuah vektor eigen yang bersifat konvergen
(memusat) terhadap sebaran data (Moller &
Konies 2003). Menurut Jankovic (2005),
algoritme MCA mengekstrak N komponen
minor dari vektor K-dimensi melalui proses
acak stationer N < K.
Target dari MCA adalah mengekstrak
komponen minor dari data input dengan
mengupdate vektor bobot secara adaptif.
Misalkan matriks korelasi
. Karena
merupakan matriks dari input
matriks R merupakan sebuah matriks persegi,
maka dari matriks ini dapat dihitung sejumlah
nilai eigen (λ). Banyaknya nilai eigen yang
dihasilkan akan sama dengan jumlah dimensi
(baris atau kolom) dari matriks R. Nilai eigen
yang dihasilkan akan beragam yaitu, λ1 > λ2 >
… > λn ≥ 0 dan vektor eigen v1, v2,…, vn dapat
dibentuk dari setiap nilai eigen tersebut,
sehingga :
.
Proses perhitungan yang digunakan untuk
memperoleh komponen minor (MCA) berbeda
dengan komponen utama (PCA). Perhitungan
MCA
dilakukan
dengan
menggunakan
algoritme learning dengan iterasi t yang sangat
besar sehingga menghasilkan sebuah vektor
bobot yang nilainya konvergen.
Proses pembentukan algoritme
menurut Luo et al. (1997) adalah:
MCA
1 Misal
merupakan sebuah vektor input,
adalah vektor output dengan sebuah
persamaan :
(t = 0, 1, 2, …, N)
dengan
Є R (t = 0, 1, 2, …, N)
merupakan vektor bobot.
n
2 Algoritme untuk menghitung MCA dari
adalah:
sebuah vektor input
dengan
Є
untuk j = 1, 2, 3, .., N.
3 Rumus di atas dapat ditulis dalam bentuk
matriks dan disubtitusi dengan
, sehingga menjadi:
4 Nilai
disubtitusi
sehingga:
Jika matriks korelasi
dengan
, maka
wT(t) w(t) Rwt
2
Dengan
demikian,
algoritme
yang
diperkenalkan oleh Luo et al. (1997) untuk
menghitung MCA secara deterministik adalah:
w(t+1) = w(t) – η [Rw(t)wT(t)w(t) –
w(t)wT(t)Rw(t)]
dengan η > 0 merupakan koefisien learning
rate. Algoritme tersebut menghasilkan vektor w
yang konvergen dengan iterasi t yang sangat
besar.
Proyeksi Vektor
Proyeksi
vektor
digunakan
untuk
menemukan titik koordinat terdekat antara suatu
vektor terhadap vektor lain (Leon 1998). Misal
vektor a diproyeksikan terhadap vektor b seperti
yang ditunjukkan pada Gambar 2.
Indexing
Basis Data Citra
Retrieval
Citra Kueri
Ekstraksi Ciri
Ekstraksi Ciri
Pembentukan
classifier
menggunakan MCA
Penentuan kelas
target Kueri
Hasil
Klasifikasi
Kueri
Evaluasi Klasifikasi
Gambar 2 Model proyeksi antara dua vektor.
Hasil proyeksi dari vektor a terhadap vektor
b yang terdapat pada Gambar 2 adalah sebuah
vektor c, dengan:
Gambar 3 Metode Penelitian.
Ekstraksi Fitur
Ekstraksi fitur dilakukan untuk memperoleh
informasi fitur warna, bentuk dan tekstur.
Proses ekstraksi ini dilakukan dengan
menggunakan hasil penelitian Pebuardi (2008).
Pembentukan Classifier Menggunakan MCA
METODE PENELITIAN
Tahapan yang dilalui dalam proses
klasifikasi citra menggunakan metode MCA ini
ada lima tahap, yaitu: (1) ekstraksi fitur, (2)
pembentukan classifier menggunakan MCA, (3)
penentuan kelas target citra kueri, (4) hasil
klasifikasi, (5) evaluasi hasil klasifikasi.
Tahapan tersebut dapat dilihat pada Gambar 3.
Data Citra
Data citra yang digunakan dalam penelitian
ini adalah data citra California Institute of
Technology (Caltech). Data tersebut diperoleh
dari situs www.caltech.edu. Citra yang
digunakan sebagai data training berjumlah 250
citra yang dibagi ke dalam sepuluh kelas,
sehingga masing-masing kelas memiliki 25
citra. Setiap kelas citra memiliki objek yang
sama sedangkan background, pencahayaan dan
posisi objek bervariasi. Sepuluh kelas citra yang
digunakan dalam basis data citra adalah kelas
matahari terbenam, sapi, gajah, pohon, burung,
mobil, singa, sepeda motor, helikopter dan
beruang.
Fitur suatu kelas dapat direpresentasikan
dengan
sebuah
vektor
MCA.
Untuk
mendapatkan vektor MCA, terlebih dahulu
harus dihitung vektor fitur dari setiap citra yang
terdapat pada basis data citra. Fitur yang
diekstrak dari setiap citra adalah warna, bentuk
dan tekstur, sehingga setiap citra pada basis data
citra memiliki tiga vektor fitur. Dari ketiga
vektor fitur ini akan dibentuk satu vektor fitur
yang telah mencakup fitur warna, bentuk dan
tekstur.
Untuk setiap kelas citra akan dibentuk
sebuah vektor MCA yang merupakan
representasi fitur dari masing-masing kelas.
Proses perhitungan untuk menghasilkan vektor
MCA
adalah
menggunakan
algoritme
deterministik yang diperkenalkan oleh Luo et
al. (1997) dengan matriks korelasi fitur sebagai
inputnya.
Penentuan Kelas Target Citra Kueri
Sebuah citra kueri akan dihitung vektor
fiturnya, yaitu vektor fitur untuk warna, bentuk
dan tekstur. Dari ketiga vektor fitur tersebut
3
akan dibentuk satu vektor fitur yang merupakan
kombinasi dari ketiga fitur tersebut. Vektor fitur
inilah yang akan diproyeksikan pada setiap
vektor MCA dari masing-masing kelas untuk
menentukan kelas dari citra kueri. Proyeksi
dihitung dengan menggunakan rumus proyeksi
vektor, yaitu:
dengan c adalah vektor hasil proyeksi, a
merupakan vektor fitur kueri dan b adalah
vektor MCA dari setiap kelas.
Kelas target dari citra kueri akan ditentukan
dengan melihat panjang vektor hasil proyeksi
kueri terhadap vektor MCA pada setiap kelas.
Sebuah citra kueri diklasifikasikan ke dalam
suatu kelas apabila panjang vektor hasil
proyeksinya pada MCA kelas tersebut lebih
kecil dari pada kelas lainnya.
Hasil Klasifikasi
Citra kueri yang digunakan pada proses
temu kembali dapat berasal dari data training
maupun data testing. Apabila sebuah citra kueri
telah diklasifikasikan ke dalam suatu kelas,
maka semua citra yang terdapat pada kelas
tersebut akan menjadi citra hasil temu kembali.
Hasil klasifikasi yang benar akan memberikan
citra hasil temu kembali yang sangat relevan
terhadap kueri yang diberikan.
Evaluasi Hasil Klasifikasi
Tahap evaluasi dilakukan untuk menilai
kinerja sistem dalam menentukan benar atau
tidaknya hasil klasifikasi dari citra kueri.
Evaluasi dihitung menggunakan rumus:
b Perangkat lunak yang digunakan adalah
MATLAB 7.0.1 dan sistem operasi
Windows XP Professional SP 2.
HASIL DAN PEMBAHASAN
Praproses Citra
Data citra yang digunakan dibagi menjadi
dua bagian yaitu 250 citra digunakan sebagai
data training dan 250 citra untuk data testing.
Sebelum data training dan data testing
diekstraksi,
terlebih
dahulu
dilakukan
pembersihan data seperti cropping pada citra
yang memiliki frame agar tidak menghasilkan
informasi yang salah pada saat ekstraksi fitur
terutama pada fitur bentuk.
Ekstraksi Fitur
Proses ekstraksi fitur dilakukan untuk
mendapatkan informasi warna, bentuk dan
tekstur dari setiap citra, baik citra yang terdapat
pada basis data citra maupun citra kueri yang
berasal dari luar basis data citra. Proses
ekstraksi fitur pada basis data citra citra
dilakukan secara terpisah pada setiap kelas. Hal
ini dilakukan untuk mempermudah proses
pembentukan vektor MCA dari setiap kelas.
a. Ekstraksi Fitur Warna
Ekstraksi warna dilakukan terhadap semua
citra pada setiap kelas secara terpisah. Proses
ekstraksi warna pada setiap kelas akan
menghasilkan matriks berukuran 162 25.
Nilai 162 merupakan fitur warna dan 25
merupakan banyaknya citra per kelas yang
diekstraksi. Dengan demikian, untuk hasil
ekstraksi warna pada basis data citra diperoleh
sepuluh matriks berukuran 162 25.
b. Ekstraksi Fitur Bentuk
Nilai akurasi dihitung untuk mengetahui
seberapa
besar
peluang
kueri
untuk
diklasifikasikan dengan benar dari hasil
pengujian citra pada setiap kelas (Mueen et al.
2007).
Lingkup Pengembangan
Spesifikasi perangkat keras dan perangkat
lunak yang digunakan dalam penelitian ini
adalah:
a Perangkat keras yang digunakan adalah
komputer dengan spesifikasi memori DDR2
2GB dan Harddisk 80GB.
Proses ekstraksi fitur bentuk dilakukan
secara terpisah tehadap setiap kelas citra, dan
menghasilkan matriks berukuran
.
Nilai 72 menunjukkan informasi bentuk dan
nilai 25 merupakan banyaknya citra pada setiap
kelas. Dengan demikian, untuk hasil ekstraksi
bentuk pada basis data citra akan menghasilkan
sepuluh matriks berukuran
.
c. Ekstraksi Fitur Tekstur
Ekstraksi tekstur dilakukan terhadap semua
citra secara terpisah berdasarkan kelas masingmasing. Ekstraksi tekstur untuk suatu kelas
menghasilkan matriks berukuran
.
Angka tujuh menunjukkan informasi tekstur.
Angka 25 menunjukkan banyaknya citra yang
terdapat pada suatu kelas.
4
Vektor fitur yang akan digunakan untuk
membentuk vektor MCA merupakan kombinasi
dari fitur warna, bentuk dan tekstur. Untuk fitur
warna digunakan 162 komponen, fitur bentuk
72 komponen dan fitur tekstur 7 komponen.
Kombinasi ini menghasilkan vektor fitur
berukuran 241 × 1 untuk setiap citra, sehingga
untuk setiap kelas terdapat matriks fitur yang
berukuran 241 × 25.
Pembentukan Classifier Menggunakan MCA
a. Pembentukan Matriks Korelasi
Matriks
korelasi
menggunakan rumus:
dihitung
dengan
Algoritme MCA diproses hingga iterasi ke-t
yang sangat besar. Iterasi berhenti apabila
selisih antara w(t+1) dan w(t) sangat kecil atau
mendekati nol. Untuk inisialisasi awal, setiap
elemen dari vektor bobot w(0) yang berukuran
241 × 1, diisi dengan nilai 0.1. Pemberian nilai
w(0) ini disamakan untuk pemrosesan vektor
MCA bagi semua kelas citra. Di sisi lain, untuk
nilai η digunakan nilai 0.05. Semakin kecil nilai
η yang digunakan, maka iterasi algoritme akan
semakin lama. Hasil dari algoritme MCA di atas
adalah sebuah vektor tak nol yang disebut
dengan vektor MCA.
Penentuan Kelas Target Citra Kueri
,
dengan X adalah matriks hasil ekstraksi fitur
yang berukuran 241 × 25 sehingga dihasilkan
matriks korelasi berukuran 241 × 241.
b. Pembentukan Vektor MCA
Vektor MCA merupakan vektor eigen yang
bersesuaian dengan nilai eigen terkecil yang
diperoleh dari matriks korelasi. Algoritme yang
digunakan untuk mengekstrak vektor MCA dari
sebuah matriks korelasi adalah:
w(t+1) = w(t) – η [Rw(t)wT (t)w(t) –
w(t)wT (t)Rw(t)]
dengan R adalah matriks korelasi, w merupakan
vektor bobot dan η merupakan laju
pembelajaran
(learning
rate).
Proses
pembentukan vektor MCA dapat dilihat pada
Gambar 4.
Citra kueri yang akan digunakan dapat
berasal dari basis data citra maupun dari luar
basis data citra. Sebuah citra kueri
diklasifikasikan ke dalam sebuah kelas apabila
panjang vektor hasil proyeksi fiturnya pada
vektor MCA kelas tersebut lebih kecil daripada
kelas lainnya.
Hasil Klasifikasi
Apabila sebuah citra kueri diklasifikasikan
ke dalam suatu kelas, maka semua citra yang
berada dalam kelas tersebut akan dijadikan
sebagai citra hasil temu kembali. Oleh karena
itu, apabila sebuah citra kueri diklasifikasikan
dengan benar, maka semua citra hasil temu
kembali merupakan citra yang relevan dengan
kueri dan sebaliknya apabila citra kueri
diklasifikasikan ke dalam kelas yang salah,
maka semua citra hasil temu kembali tidak akan
relevan dengan kueri tersebut.
Hasil temu kembali untuk citra kueri yang
diklasifikasikan dengan benar sesuai dengan
kelasnya dapat dilihat pada Gambar 5,
sedangkan
untuk
citra
kueri
yang
diklasifikasikan ke dalam kelas yang salah
dapat dilihat pada Gambar 6.
Matriks Korelasi R
Inisialisasi nilai η dan
w(0)
Evaluasi Hasil Klasifikasi
Algoritme MCA
Tidak
Apakah
w(t+1)-w(t) = 0?
Ya
w(t+1) adalah
vektor MCA
Gambar 4 Proses pembentukan vektor MCA.
Evaluasi hasil klasifikasi dilakukan dengan
menghitung akurasi pada setiap kelas. Akurasi
merupakan
banyaknya
citra
yang
diklasifikasikan dengan benar pada setiap kelas
dibagi dengan jumlah citra uji pada kelas
tersebut. Proses pengujian dibagi menjadi dua,
yaitu pengujian menggunakan classifier MCA
dan classifier PCA. Tujuannya adalah untuk
membandingkan akurasi yang diperoleh dari
hasil klasifikasi menggunakan PCA dan MCA.
Dari hasil yang diperoleh dapat diketahui
apakah terbukti bahwa MCA lebih baik
daripada PCA dalam mengklasifikasikan citra.
5
Citra Kueri
Citra53
Citra51
Citra56
Citra55
Citra52
Citra54
Citra59
Citra61
Citra57
Citra58
Citra65
Citra66
Citra67
Citra68
Citra72
Citra73
Citra74
Citra75
Citra62
Citra63
Citra64
Citra69
Citra70
Citra71
Citra60
Gambar 5 Hasil temu kembali untuk klasifikasi yang benar.
Citra Kueri
Citra201
Citra205
Citra206
Citra212
Citra219
Citra207
Citra208
Citra213
Citra214
Citra215
Citra220
Citra221
Citra202
Citra203
Citra204
Citra209
Citra210
Citra211
Citra217
Citra218
Citra224
Citra225
Citra216
Citra222
Citra223
Gambar 6 Hasil temu kembali untuk klasifikasi yang salah.
6
Evaluasi klasifikasi menggunakan MCA
Hasil yang diperoleh dari pengujian data
testing menggunakan MCA dapat dilihat pada
Tabel 1.
Tabel 1 Hasil pengujian klasifikasi dengan
menggunakan MCA
Hasil klasifikasi
Kelas
Benar
Salah
Akurasi
(%)
9
16
36%
2
23
8%
Matahari
terbenam
Sapi
Gajah
9
16
36%
Pohon
8
17
32%
Burung
14
11
56%
Mobil
16
9
64%
Singa
2
23
8%
Sepeda Motor
9
16
36%
Helikopter
5
20
20%
Beruang
9
16
36%
Hasil akurasi yang diperoleh sangat
dipengaruhi oleh hasil ekstraksi fitur yang
dilakukan pada tahap praproses. Oleh karena
itu, kesalahan hasil klasifikasi dapat disebabkan
karena citra yang diuji memiliki warna, bentuk
atau tekstur yang mirip dengan kelas yang lain.
Misalnya untuk citra kueri beruang berwarna
coklat dengan berlatar salju dan air laut yang
berwarna biru, maka citra beruang tersebut bisa
saja diklasifikasikan ke dalam kelas helikopter
yang kebanyakan citranya berlatar langit yang
berwarna biru dan putih. Selain itu, citra yang
terdapat pada setiap kelas memiliki fitur warna,
bentuk dan tekstur yang beragam sehingga
sangat mempengaruhi akurasi klasifikasi.
Evaluasi klasifikasi menggunakan PCA
akurasi (%)
Persentase akurasi yang terdapat pada Tabel
1 divisualisasikan ke dalam grafik yang
ditampilkan pada Gambar 7.
100
90
80
70
60
50
40
30
20
10
0
Hasil yang diperoleh pada pengujian data
testing menggunakan PCA dapat dilihat pada
Tabel 2.
Tabel 2 Hasil pengujian klasifikasi dengan
menggunakan PCA
64
Kelas
56
36
36
36
36
32
20
8
8
kelas citra
Gambar 7 Hasil pengujian klasifikasi dengan
menggunakan MCA.
Hasil pengujian yang ditampilkan pada
Gambar 7 menunjukkan bahwa akurasi
tertinggi dimiliki oleh kelas mobil yaitu sebesar
64%, sedangkan akurasi terkecil dimiliki oleh
kelas sapi dan singa yaitu sebesar 8%. Rataan
akurasi yang diperoleh pada pengujian data
testing untuk seluruh kelas adalah 33.20%.
Nilai ini diperoleh dari:
Matahari
terbenam
Sapi
Hasil klasifikasi
Benar
Salah
Akurasi
(%)
1
24
4%
2
23
8%
Gajah
0
25
0
Pohon
4
21
16%
Burung
3
22
12%
Mobil
0
25
0
Singa
5
20
20%
Sepeda Motor
8
17
32%
Helikopter
1
24
4%
Beruang
1
24
4%
Persentase akurasi yang terdapat pada Tabel
2 divisualisasikan pada grafik yang ditunjukkan
pada Gambar 8.
7
% akurasi
akurasi (%)
100
90
80
70
60
50
40
30
20
10
0
32
20
16 12
4
8
4
0
4
0
100
90
80
70
60
50
40
30
20
10
0
kelas citra
Gambar 8 Hasil pengujian klasifikasi dengan
menggunakan PCA.
Pengujian
yang
dilakukan
dengan
menggunakan PCA memberikan hasil yang
tidak begitu baik. Kelas gajah dan mobil hanya
memiliki akurasi sebesar 0%. Akurasi tertinggi
diperoleh oleh kelas sepeda motor yaitu sebesar
32%. Akurasi rataan untuk hasil pengujian ini
adalah 10%. Nilai ini diperoleh dari
perhitungan:
Nilai rata-rata akurasi yang diperoleh dari
hasil pengujian menggunakan PCA yaitu
sebesar 10% lebih kecil dibandingkan dengan
hasil pengujian menggunakan MCA yaitu
sebesar 33.2%. Perbandingan hasil akurasi
antara MCA dan PCA dalam pengujian
klasifikasi ditunjukkan pada Gambar 9.
Dari grafik yang ditunjukkan Gambar 9
terlihat bahwa penggunaan MCA sebagai
classifier memberikan hasil akurasi yang lebih
besar daripada PCA. Oleh karena itu,
penggunaan MCA dalam proses klasifikasi pada
sistem temu kembali citra tentunya dapat
meningkatkan hasil temu kembali.
kelas citra
Gambar 9 Perbandingan akurasi PCA dan MCA
pada pengujian klasifikasi.
MCA,
PCA.
KESIMPULAN DAN SARAN
Kesimpulan
Penelitian ini telah berhasil menerapkan
metode minor component analysis (MCA) pada
proses klasifikasi citra dalam sistem temu
kembali citra. Secara umum, penggunaan MCA
sebagai classifier dapat meningkatkan nilai
akurasi. Nilai rata-rata akurasi yang diperoleh
pada pengujian klasifikasi menggunakan MCA
lebih tinggi dari pada PCA. Dengan
menerapkan proses klasifikasi pada sistem temu
kembali citra, diperoleh hasil temu kembali
yang sangat akurat apabila sebuah citra kueri
diklasifikasikan dengan benar. Selain itu, proses
pencarian menjadi lebih efisien karena citra
kueri hanya dibandingkan dengan sepuluh
vektor MCA yang merupakan representasi fitur
dari setiap kelas.
Saran
Hasil akurasi yang diperoleh pada pengujian
klasifikasi sangat dipengaruhi oleh kualitas
ekstraksi fitur. Oleh karena itu, untuk penelitian
selanjutnya perlu diterapkan metode lain yang
lebih baik pada ekstraksi fitur agar akurasi yang
dihasilkan lebih besar. Selain itu, penggunaan
citra yang lebih banyak pada proses training
perlu diujikan untuk mengetahui apakah terjadi
peningkatan akurasi atau tidak.
8
DAFTAR PUSTAKA
Chung, KP. 2007. Intelligence Content Based
Image Retrieval Framework Based on SemiAutomated Learning and Historic Profile
[tesis]. Australia: Murdoch University;
2007.
Jancovic, M & Reljin, B. 2005. A New Minor
Component Analysis Method Based on
Douglas-Kung-Amari
Minor
Subspace
Analysis Method. IEEE Signal Processing
Letters. Vol. 12. 2005.
Jankovic, M et al. 2006. Minor Component
Analysis (MCA) Applied to Image
Classification in CBIR Systems. IEEE
Transactions on Neural Network. Volume
06. 2006.
Leon, SJ. 1998. Aljabar Linear dan Aplikasinya.
Erlangga: Jakarta.
Luo FL, Unbehauen R, Cichocki A. 1997. A
Minor Component Analysis Algorithm. Vol.
10,No. 2, p. 291-297, 1997.
Moller, R & Konies, A. 2003. Couple principal
Component Analysis. IEEE Transactions on
Neural Network. Volume 03. 2003.
Mueen A, Sapiyan M, Zainuddin R. 2007.
Multilevel Feature Extraction and X-ray
Image Classification. Journal of Applied
Science 7(8). 1224-1229. 2007.
Pebuardi R. 2008. Pengukuran Kemiripan Citra
Berbasis Warna, Bentuk dan Tekstur
Menggunakan Bayesian Network [skripsi].
Bogor : Departemen Ilmu Komputer, Institut
Pertanian Bogor.
Smith, LI. 2002. A Tutorial on Principal
Component Analysis. 12-20. 2002.
9
LAMPIRAN
Lampiran 1 Contoh citra yang digunakan sebagai training pada setiap kelas
1 Kelas Matahari terbenam
Citra 3
Citra 8
Citra 10
Citra 13
Citra 15
Citra 17
Citra 20
Citra 22
Citra 24
Citra 25
2 Kelas Sapi
Citra 26
Citra 28
Citra 30
Citra 32
Citra 34
Citra 36
Citra 38
Citra 40
Citra 42
Citra 44
Citra 52
Citra 54
Citra 55
Citra 57
Citra 60
Citra 62
Citra 64
Citra 66
Citra 68
Citra 74
3 Kelas Gajah
11
Lampiran 1 Lanjutan
4 Kelas Pohon
Citra 77
Citra 79
Citra 81
Citra 83
Citra 85
Citra 88
Citra 89
Citra 91
Citra 99
Citra 100
Citra 104
Citra 106
Citra 108
Citra 109
Citra 111
Citra 113
Citra 115
Citra 119
Citra 121
Citra 125
Citra 127
Citra 129
Citra 131
Citra 134
Citra 136
Citra 138
Citra 139
Citra 143
Citra 145
Citra 148
5 Kelas Burung
6 Kelas Mobil
12
Lampiran 1 Lanjutan
7 Kelas Singa
Citra 152
Citra 153
Citra 154
Citra 155
Citra 156
Citra 158
Citra 159
Citra 161
Citra 163
Citra 165
8 Kelas Sepeda Motor
Citra 176
Citra 179
Citra 181
Citra 184
Citra 187
Citra 193
Citra 195
Citra 197
Citra 199
Citra 200
Citra 201
Citra 203
Citra 205
Citra 214
Citra 216
Citra 217
9 Kelas Helikopter
Citra 207
Citra 220
Citra 209
Citra 223
13
Lampiran 1 Lanjutan
10 Kelas Beruang
Citra 228
Citra 229
Citra 230
Citra 231
Citra 235
Citra 237
Citra 239
Citra 243
Citra 234
Citra 250
14
Lampiran 2 Contoh citra yang digunakan sebagai citra testing
1 Kelas matahari terbenam
2 Kelas sapi
3 Kelas gajah
4 Kelas pohon
5 Kelas burung
6 Kelas mobil
15
Lampiran 2 Lanjutan
7 Kelas singa
8 Kelas sepeda motor
9 Kelas helikopter
10 Kelas beruang
16
Lampiran 3 Antarmuka Sistem
a. Antarmuka untuk memuat dan menampilkan citra kueri.
b. Antarmuka untuk hasil temu kembali.
17