Implementasi Content Based Image Retrieval Dengan Menggunakan Essential Dimension Of Latente Semantic Indexing

  

BIODATA PENULIS

_1. DATA PRIBADI Nama Lengkap : Asep Ahadiaturrohman Nuroja Jenis Kelamin : Laki

• – laki Tempat, Tanggal Lahir : Bandung, 20 Maret 1993 Agama : Islam Kewarganegaraan : Indonesia Anak ke : 1 dari 2 bersaudara Alamat : Kp Cikadu Rt 002/003 Desa Sukamulya, Kec.

  

Kutawaringin, Kab. Bandung

Email _2. RIWAYAT PENDIDIKAN No Jenjang Nama Sekolah Tahun

  1 SD SD Negeri Padasuka 2 1999

• – 2005

  2 SMP SMP Negeri 2 Soreang 2005

• – 2008

  3 SMA SMK Angkasa 1 Margahayu 2008

• – 2011

  4 PT Universitas Komputer Indonesia 2011

• – 2016 Demikian riwayat hidup ini saya buat dengan sebenar-benarnya dalam keadaan sadar dan tanpa paksaan.

  

IMPLEMENTASI CONTENT BASED IMAGE RETRIEVAL

DENGAN MENGGUNAKAN ESSENTIAL DIMENSION OF

LATENT SEMANTIC INDEXING

  SKRIPSI Diajukan untuk Menempuh Ujian Akhir Sarjana

  

ASEP AHADIATURROHMAN NUROJA

10111391

  KATA PENGANTAR Assalamu’alaikum Warahmatullahi Wabarakatuh.

  Alhamdulillah, Puja, Puji serta syukur penulis panjatkan kepada ALLAH SWT yang telah menganugrahkan kesehatan dan ketenangan kepada penulis, sehingga dapat melakukan penelitian yang berjudul “IMPLEMENTASI CONTENT BASED IMAGE RETRIEVAL DENGAN MENGGUNAKAN ESSENTIAL DIMENSION OF LATENT SEMANTIC INDEXING” dan selesai tepat waktu. Yang mana judul penelitian tersebut merupakan persyaratan utama untuk memenuhi syarat kelulusan program pendidikan Strata 1 Program Studi Teknik Informatika Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia.

  Penulis menyadari sepenuhnya bahwa dalam pelaksanaan penelitian ini masih sangat jauh dari kata sempurna. Hal ini dikarenakan keterbatasan pengetahuan dan pengalaman yang dimiliki penulis.

  Dalam penulisan skripsi ini penulis banyak mendapatkan bantuan serta dukungan dari berbagai pihak. Untuk itu, penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada :

  1. Allah SWT atas rahmat, berkah, dan izin-Nya penulis bisa menyelesaikan penulisan skripsi ini.

  2. Nabi Muhammad SAW, yang menjadi figur teladan bagi penulis untuk tetap sabar dan berserah diri kepada Allah atas permasalahan yang dihadapi.

  3. Orang tua serta keluarga yang memberikan dukungan, baik secara moril maupun matearil, khususnya doa yang tiada henti.

  4. Ibu Kania Evita Dewi, S.Pd., M.Si., selaku dosen wali IF-9 2011 selama penulis menempuh pendidikan di Unikom

  5. Ibu Nelly Indriani W, S.Si., M.T., selaku pembimbing, yang telah membimbing

  7. Teman-teman bimbingan skripsi ibu Nelly Indriani W, S.Si., M.T., yang sudah berbagi informasi dan ilmunya selama proses pembuatan skripsi ini.

8. Teman-teman IF-9 2011 yang sudah memberikan semangat dan dukungan, serta

  semua pihak yang membantu dalam menyelesaikan sekripsi ini yang tidak dapat penulis sebutkan satu per satu, terima kasih banyak atas semua dukungan dan bantuan hingga skripsi ini dapat terselesaikan dengan baik.

  Penulis sangat menyadari dalam penulisan skripsi ini masih banyak kekurangan, untuk itu penulis mohon saran dan kritik yang membangun agar kedepannya menjadi lebih baik lagi. Penulis juga berharap agar skripsi ini dapat bermanfaat bagi semua pihak khususnya bagi penulis dan umumnya bagi pembaca.

  Wassalaamu’alaikum Warahmatullahi Wabarakatuh.

  Bandung, Agustus 2016 Penulis

  

DAFTAR ISI

ABSTRAK ............................................................................................................... i

ABSTRACT ............................................................................................................ ii

KATA PENGANTAR ........................................................................................... iii

DAFTAR ISI ........................................................................................................... v

DAFTAR GAMBAR ............................................................................................. ix

DAFTAR TABEL ................................................................................................. xii

DAFTAR SIMBOL ............................................................................................... xv

DAFTAR LAMPIRAN ......................................................................................... xx

  

BAB 1 PENDAHULUAN .................................................................................... 1

Latar Belakang Masalah ........................................................................... 1 Rumusan Masalah ..................................................................................... 2 Maksud dan Tujuan................................................................................... 2 Batasan Masalah ....................................................................................... 2 Metodologi Penelitian ............................................................................... 3

  

1.5.1 Metode Pengumpulan Data ....................................................................... 3

Metode PemBangunan Perangkat Lunak .................................................. 4 Sistematika Penulisan ............................................................................... 6

  

BAB 2 LANDASAN TEORI ................................................................................ 9

  Temu Kembali Gambar (Image Retrieval) ............................................. 12 Content Based Image Retrieval .............................................................. 14 Pengolahan Gambar (Image processing) ................................................ 14

  

2.5.1 Gambar Digital........................................................................................ 14

  

2.5.2 Grayscale................................................................................................. 15

  

2.5.3 Konvolusi Gambar .................................................................................. 15

  

2.5.4 Deteksi Tepi Canny................................................................................. 18

  

2.5.5 Ekstraksi Fitur ......................................................................................... 22

Singular Value Decomposition ( SVD ) ................................................. 23 Essential Dimension of Latent Semantic Indexing (EDLSI) .................. 29 OOP (Object Oriented Programming) .................................................... 29

  

2.8.1 Konsep Dasar OOP ................................................................................. 30

  

2.8.2 Analisis Berorientasi Objek .................................................................... 32

  

2.8.3 Desain Berorientasi Objek ...................................................................... 32

  

2.8.4 Pemodelan ............................................................................................... 32

UML (Unified Modeling Language) ...................................................... 33

  

2.9.1 Diagram UML ......................................................................................... 33

  

2.9.2 Diagram Use Case (Use Case Diagram) ................................................ 34

  

2.9.3 Diagram Aktivitas (Activity Diagram) .................................................... 35

  

2.9.4 Diagram Sekuen (Sequence Diagram) .................................................... 36

  

3.1.1 Analisis Masalah ..................................................................................... 41

  

3.1.2 Analisis Sistem Yang Akan Dibangun ................................................... 42

Analisis Proses ........................................................................................ 43

  

3.2.1 Gray Scale ............................................................................................... 44

  

3.2.2 Deteksi Tepi Canny................................................................................. 46

  

3.2.3 Ekstraksi .................................................................................................. 55

  

3.2.4 Proses EDLSI .......................................................................................... 55

Analisis Kebutuhan Non Fungsional ...................................................... 66

  

3.3.1 Analisis kebutuhan perangkat keras ........................................................ 67

  

3.3.2 Analisis kebutuhan perangkat lunak ....................................................... 67

  

3.3.3 Analisis pengguna ................................................................................... 67

Analisis Kebutuhan Fungsional .............................................................. 67

  

3.4.1 Use Case Diagram................................................................................... 68

  

3.4.2 Activity Diagram .................................................................................... 78

  

3.4.3 Class diagram .......................................................................................... 83

  

3.4.4 Sequence diagram ................................................................................... 83

Perancangan Arsitektur Sistem ............................................................... 87

  

3.5.1 Pencancangan Struktur Menu ................................................................. 87

  

3.5.2 Perancangan Antarmuka ......................................................................... 87

  

3.5.3 Perancangan Pesan .................................................................................. 89

  

4.1.3 Implementasi Antarmuka ........................................................................ 91

Pengujian Sistem ..................................................................................... 93

  

4.2.1 Rencana Pengujian Blackbox ................................................................. 93

  

4.2.2 Rencana Pengujian Akurasi .................................................................... 96

  

4.2.3 Kesimpulan Pengujian Akurasi ............................................................. 129

  

BAB 5 KESIMPULAN DAN SARAN............................................................. 131

Kesimpulan ........................................................................................... 131 Saran ..................................................................................................... 131

DAFTAR PUSTAKA ......................................................................................... 132

  DAFTAR PUSTAKA [1] Meivi Kartikasari,Chaulina Alfianti Oktavia, “Implementasi Content Based

  Image Retrieval Untuk Menganalisa Kemiripan Bakteri Yoghurt Menggunakan Metode Latent Semantic Indexing,” IC-ITECHS, 2014. [2] Arwin Halim, Hardy, Alvin Yufandi, Fiana, “APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK,” vol.

  15, no. 2, 2014. [3] Yuita Arum Sari, Eva Yulia Puspanigrum, “Pencarian Semantik Dokumen

  Berita Menggunakan Essential Dimension of Latent Semantic Indexing dengan Memakai Reduksi Fitur Dokument Frequency dan Information Gain Thresholding,” Seminar Nasional Teknologi Informasi dan Multimedia , 2013.

  [4] P. D. Sugiyono, Metode Penelitian Kombinasi, ALFABETA. [5] R. S. Pressman, Software Engineering, Thomas Casson. [6] T. Sutojo, E.Mulyanto & V.Suhartono, Kecerdasan Buatan, Jakarta: Andi, 2010.

  [7] S. Artificial Intelligence: Searching, Reasonning, Plannig And Learning, Bandung: Informatika, 2007. [8] P. C. D.Manning, Introduction to Informaton Retrieval, United Kingdom: Cambridge Univesity. [9] S. Wirawan, “CONTENT BASED IMAGE INFORMATION RETRIEVAL,” Proceedings, Komputer dan Sistem Intelijen (KOMMIT2004), 2004. [10] Abdul Kadir, Adhi Susanto, Teori dan Aplikasi Pengolahan Citra, Andi, 2013. [11] Wikaria Gazali, Haryono Soeparno, Jenny Ohliati, “PENERAPAN METODE

  [13] Andy, Bernardus Ari Kuncoro, "Using Latent Semantic Index For Content- International Jurnla of Science and Research (IJSR),

  Based Image Retrieval," vol. 4, no. 12, 2015. [14] N. Rational Rose Untuk Pemodelan Berorientasi Objek, Bandung: Informatika, 2005. [15] S. Rosa and M. Shalahudin , Rekayasa Perangkat Lunak, Bandung: Informatika, 2013. [16] S. B, Data Mining Terapan, Surabaya: Graha Ilmu, 2007. [17] Kim Hamilton & Russel, Learning UML 2.0, O'Reilly, 2006. [18] [Online]. Available: http://wang.ist.psu.edu/docs/related/.

  BAB 4 PENDAHULUAN Latar Belakang Masalah Content Based Image Retrieval (CBIR) atau dikenal sebagai query dengan konten image dan pengambilan informasi visual berbasis konten merupakan penerapan teknik Computer Vision untuk pengambilan gambar atau pencarian gambar digital dalam database. Content based berarti pencarian akan menganalisa isi sebenarnya dari gambar. Menganalisa dalam konteks dapat berupa warna, bentuk, atau informasi lain yang terdapat pada gambar [1].

  Penggunaan metode warna dan bentuk untuk menganalisa kemiripan gambar masih memiliki kekurangan. Hal ini dibuktikan pada jurnal “Aplikasi Content Based Image Retrieval dengan Fitur Warna Dan Bentuk” menjelaskan bahwa dari hasil pengujian 10 kategori gambar, penggunaan fitur warna memberikan hasil precision dan recall yang kurang baik yaitu sebesar 19% dan 44% begitu pula dengan fitur bentuk yang memberikan hasil precision sebesar 19% dan recall sebesar 44% [2]. Untuk itu diperlukan suatu pendekatan lain seperti semantik gambar yang dapat memaksimalkan hasil pencarian.

  Pada jurnal “Implementasi Content Based Image Retrieval Untuk Menganalisa Kemiripan Bakteri Yoghurt Menggunakan Metode Latent Semantic Indexing” menyimpulkan bahwa metode Latent Semantic Indexing dapat digunakan pada CBIR [1]. Akan tetapi penggunaan metode LSI memiliki kelemahan, yaitu pada pemilihan nilai k – rank yang sangat sensitif. Apabila nilai k-rank yang dipakai terlalu kecil maka akan menghasilkan informasi yang kurang baik dan jika terlalu besar maka informasi yang didapatkan akan menurun kualitasnya serta waktu komputasi yang tinggi. Maka pada jurnal “Pencarian waktu komputasi saat mereduksi dimensi dan dapat meningkatkan proses temu kembali [3]. Penggunaan metode EDLSI masih digunakan pada dokumen, akan tetapi dikarenakan EDLSI merupakan optimasi dari LSI sehingga dimungkinkan dapat menangani permasalahan pada CBIR.

  Oleh karena itu, berdasarkan pemaparan masalah yang telah dijelaskan, dalam penelitian ini Essential Dimension of Latent Semantic Indexing digunakan pada Content Based Image Retrieval untuk mengetahui sejauh mana kesesuaian image query dengan hasil yang diperoleh dengan Essential Dimension of Latent Semantic Indexing dalam menemukan kemiripan pada pencarian gambar.

  Rumusan Masalah Berdasarkan pemaparan dari latar belakang di atas, rumusan masalah pada penelitian ini yaitu bagaimana meningkatkan akurasi pada Content Based Image

  Retrieval.

  Maksud dan Tujuan Maksud dari penelitian ini adalah mengimplementasikan Essential

  Dimension of Latent Semantic Indexing pada pencarian gambar pada Content Based Image Retrieval.

  Tujuan dari penelitian ini adalah untuk melihat tingkat kesesuaian image query dengan hasil pencarian menggunakan Essential Dimension of Latent Semantic Indexing pada Content Based Image Retrieval.

  Batasan Masalah Batasan masalah yang ada pada implementasi Content Based Image

  Retrieval dengan menggunakan Essential Dimension of Latent Semantic Indexing adalah sebagai berikut.

  5. Image processing yang digunakan antara lain : a. Grayscale untuk mengubah gambar menjadi gambar abu – abu.

  b. Canny edge detection untuk mencari nilai tepi gambar.

  c. Ekstraksi fitur.

  6. Keluaran dari sistem ini berupa kumpulan gambar yang memiliki kemiripan dengan masukan yang dilakukan oleh pengguna.

  Metodologi Penelitian Metodologi penelitian merupakan sekumpulan peraturan, kegiatan dan prosedur yang digunakan oleh peneliti untuk memecahkan suatu masalah agar lebih efisien. Metode kuantitatif merupakan metode yang digunakan untuk meneliti pada populasi atau sampel tertentu, penumpulan data menggunakan instrumen penelitian, analisis data bersifat kuantitatif/statistik dengan tujuan menguji hipotesis yang telah ditetapkan [4]. Sehingga metode kuantitatif dipilih pada penelitian ini.

  Metodologi Penelitian dalam penelitian ini menggunakan dua proses metode yaitu metode pengumpulan data dan metode pembangunan perangkat lunak.

4.5.4 Metode Pengumpulan Data

  Metode pengumpulan data yang digunakan pada penelitian ini adalah sebagai berikut : a. Studi Literatur

  Pengumpulan data dilakukan dengan cara mempelajari, meneliti dan menelaah berbagai literatur yang bersumber dari buku, jurnal ilmiah, situs internet dan bacaan lainnya. Pada penelitian ini dilakukan studi literatur terhadap information retrieval, image processing, image retreieval dan yang diteliti. Pada penelitian ini observasi dilakukan pada gambar yang sudah di download pada situs http://wang.ist.psu.edu/docs/related/ dengan cara memilah gambar pamiliki kemiripan. Berikut adalah alur dari penelitian yang dilakukan.

  Mulai Implementasi Analisis Data - metode

  Perumusan Masalah Pengumpulan Data

• image processing - pembangunan perangkat lunak Kesimpulan dan Hasil dan Selesai

  Pengujian Saran pembahasan

Gambar 4.4 Tahapan Penelitian

  Metode PemBangunan Perangkat Lunak Pada tahap ini terdapat dua proses yaitu implementasi metode dan pemBangunan perangkat lunak. Implementasi metode menggunakan EDLSI untuk memperoleh kemiripan gambar query dengan kumpulan gambar. Data gambar didapat setelah melewati proses image processing. Selanjutnya dilakukan pemBangunan perangkat lunak dengan menggunakan metode software prototype. Metode software prototype dipilih karena metode software prototype lebih mudah dalam hal terjadinya perubahan yang disebabkan kondisi kebutuhan yang belum pasti. Adapun metode software prototype ini memiliki tahapan sebagai berikut.

Gambar 4.2 Model Prototype [5]

  Berikut penjelasan dari masing-masing tahapan model prototype [5]:

  1. Gather Requirement Pada tahap ini ditujukan untuk mengumpulkan kebutuhan-kebutuhan yang akan digunakan dalam pembangunan simulasi. Kebutuhan kebutuhan tersebut diperoleh dari hasil pengumpulan data. Adapun kebutuhan tersebut seperti grayscale, deteksi tepi canny dan EDLSI.

  2. Quick Design Pada tahap ini desain cepat yang dibuat disesuaikan dengan kebutuhan yang didapat pada tahapan sebelumnya sebagai acuan penelitian. Design yang dimaksud pada penelitian ini meliputi desain sistem dan desain simulasi yang akan dibangun.

  3. Built Prototype Pada tahap ini akan dilakukan proses membangun simulasi dengan desain yang dibuat pada tahap design. Pembangunan simulasi dilakukan dengan menerjemahkan hasil dari tahap desain ke dalam bahasa pemograman C#.

  4. Evaluate

  5. Refine Prototype Pada tahap ini simulasi akan diperbaiki, perbaikan dilakukan bersumber dari evaluasi simulasi yang bersifat fungsionalitas yang telah dilakukan penguji pada tahap sebelumnya.

  Sistematika Penulisan Sistematika penulisan skripsi ini disusun untuk memberikan gambaran umum mengenai penelitian yang dikerjakan. Sistematika penulisan dalam tugas akhir ini adalah sebagai berikut :

  BAB 4 PENDAHULUAN Pada bab ini menjelaskan tentang latar belakang masalah, perumusan masalah, maksud dan tujuan, menentukan batasan masalah, serta menjelaskan mengenai metode penelitian dan sistematika penulisan.

  BAB 2 LANDASAN TEORI Pada bab ini membahas tentang kajian mengenai konsep dasar dan teori- teori yang berkaitan dengan topik penelitian yang dilakukan. Bahasan yang dilakukan mengenai information retrieval, image processing meliputi grayscale, deteksi tepi Canny, ekstraksi, EDLSI, analisis dalam membangun perangkat lunak dan bahasa pemograman yang digunakan untuk membangun perangkat lunak.

  BAB 3 ANALISIS DAN PERANCANGAN SISTEM Pada bab ini berisi pemaparan analisis masalah, analisis sistem, analisis aplikasi yang akan dibangun, analisis dan metode algoritma seperti grayscale, canny edge detection, ekstraksi gambar dan proses EDLSI. Kemudian perancangan menu, perancangan antarmuka, jaringan semantik dan jaringan procedural.

  BAB 4 IMPLEMENTASI PROGRAM DAN PENGUJIAN Pada bab ini berisi implementasi dari hasil analisis dan perancangan yang

  BAB 5 KESIMPULAN DAN SARAN Pada bab ini berisi tentang kesimpulan berdasarkan tujuan yang ingin dicapai dalam penelitian dan saran - saran yang dapat diberikan untuk penggunaan dan pengembangan perangkat lunak lebih lanjut.

  BAB 2 LANDASAN TEORI Kecerdasan Buatan Kecerdasan buatan berasal dari bahasa Inggris “Artificial Intelligence” atau disingkat AI, yaitu intelligence adalah kata sifat yang berarti cerdas, sedangkan artificial artinya buatan. Kecerdasan yang dimaksud disini merajuk pada mesin yang mampu berpikir, menimbang tindakan yang diambil, dan mampu mengambil keputusan seperti yang dilakukan oleh manusia.

  Menurut Alan Turing, ahli matematika berkebangsaan Inggris yang dijuluki bapak komputer modern dan pembongkar sandi Nazi dalam era Perang Dunia II 1950, menetapkan definisi artificial intelligence: “Jika komputer tidak dapat dibedakan dengan manusia saat berbicara melalui terminal komputer, maka bisa dikatakan komputer itu cerdas, mempunyai kecerdasan”.

  Menurut John Carthy dari Stanford mendefinisikan kecerdasan sebagai “Kemampuan untuk mencapai sukses dalam menyelesaikan suatu permasalahan”. Menurut Herbert Alexander Simon (June 15, 1916-February 9, 2001): “Kecerdasan buatan (artificial intelligence) merupakan kawasan penelitian, aplikasi, dan instruksi yang terkait dengan pemrograman komputer untuk melakukan sesuatu hal yang dalam pandangan manusia adalah cerdas”.

  Menurut Rich and Knight (1991): “Kecerdasan buatan (AI) merupakan sebuah studi tentang bagaimana membuat komputer melakukan hal-hal yang padasaat ini dapat dilakukan lebih baik oleh manusia”.

  Dari sini dapat dikatakan bahwa: cerdas adalah memiliki pengetahuan, pengalaman, dan penalaran untuk membuat keputusan dan mengambil tindakan. Jadi, agar mesin bisa cerdas (bertindak seperti manusia) maka harus diberi bekal pengetahuan dan diberi kemampuan untuk menalar [6]. pelupa. Kecerdasan buatan tidak akan berubah sepanjang sistem komputer dan program tidak mengubahnya.

  2. Kecerdasan buatan lebih mudah diduplikasi dan disebar. Men-transfer pengetahuan manusia dari satu orang ke orang lain butuh proses dan waktu lama. Disamping itu satu keahlian tidak akan pernah bisa diduplikasi secara lengkap. Sedangkan jika pengetahuan terletak pada satu sistem komputer, pengetahuan tersebut dapat di-transfer atau disalin dengan mudah dan cepat dari satu komputer ke komputer lain.

  3. Kecerdasan buatan lebih murah dibandin dengan kecerdasan alami.

  Menyediakan layanan komputer akan lebih mudah dan lebih murah dibanding harus mendatangkan seseorang untuk mengerjakan sejumlah pekerjaan dalam waktu yang sangat lama.

  4. Kecerdasan buatan bersifat konsisten. Hal ini disebabkan karena kecerdasan buatan adalah bagian dari teknologi komputer. Sedangkan kecerdasan alami senantiasa berubah – ubah.

  5. Kecerdasan buatan dapat didokumentasikan. Keputusan yang dibuat komputer dapat didkomentasikan dengan mudah dengan melacak setiap aktivitas dari sistem tersebut. Kecerdasan alami sangat sulit untuk direproduksi.

  6. Kecerdasan buatan dapat mengerjakan pekerjaan lebih cepat dibandingkan dengan kecerdasan alami.

  7. Kecerdasan buatan dapat mengerjakan pekerjaan lebih baik dibanding dengan kecerdasan alami.

2.1.2 Lingkup Utama Kecerdasan Buatan

  Lingkup utama kecerdasan buatan antara lain [6]:

  1. Sistem pakar. Komputer digunakan sebagai saran untuk menyimpan pengetahuan para pakar. Dengan demikian komputer akan memiliki keahlian

  2. Pengolahan bahasa alami. Dengan pengolahan bahasa alami ini diharapkan user mampu berkomunikasi dengan komputer dengan menggunakan bahasa sehari – hari.

  3. Pengenalan ucapan. Melalui pengenalan ucapan diharapkan manusia mampu berkomunikasi dengan komputer dengan menggunakan suara.

  4. Robotika dan sensor.

  5. Computer Vision. Mencoba untuk mengintrepetasikan gambar atau objek- objek tampak melalui komputer.

  6. Intelligence Computer Aid Instruction. Komputer dapat digunakan sebagai tutor yang dapat melatih dan mengajar.

2.1.3 Penerapan Kecerdasan Buatan

  Kecerdasan buatan dapat diterapkan pada beberapa bidang diantaranya [6]:

  1. Visualisasi Komputer Kecerdasan buatan pada bidang visualisasi komputer ini memungkinkan sebuah sistem komputer mengenali gambar input. Contohnya mengenali sebuah pola pada suatu gambar.

  2. Pengenalan Suara Kecerdasan buatan pada pengenalan suara ini dapat mengenali suara manusia.

  Cara mengenali suara ini dengan mencocokanya pada acuan yang telah diprogramkan terlebih dahulu. Contohnya perintah komputer dengan menggunakan suara user.

  3. Sistem Pakar Kecerdasan buatan pada sistem pakar ini memungkinkan sebuah sistem komputer memiliki cara berpikir dan penalaran seorang ahli dalam mengambil keputusan, untuk memecahkan masalah yang ada pada saat itu. Contohnya program komputer yang dapat mendiagnosa penyakit dengan memasukan permainan yang memiliki fasilitas orang melawan komputer. Komputer sudah diprogram sedemikian rupa agar memiliki cara bermain seperti seorang manusia bukan bisa melebihi manusia.

  Information Retrieval System (IRS) media layanan yang dapat digunakan oleh pengguna untuk mendapatkan informasi atau sumber informasi sesuai dengan pencarian yang dilakukan. Hasil informasi yang diperoleh dengan menggunakan kata kunci (keyword) bisa sesuai atau tidak sesuai dengan keinginan pengguna [8].

  Temu Kembali Informasi (Information Retrieval) Information Retrieval (Temu kembali Informasi) atau sering dikenal dengan

  Temu Kembali Gambar (Image Retrieval) Image retrieval merupakan teknik yang digunakan untuk mencari gambar

• – gambar yang dinilai memiliki kemiripan dengan gambar acuan. Setiap gambar memiliki informasi fitur yang unik. Kriteria kemiripan antar gambar dapat didasarkan pada fitur – fitur seperti warna, tekstur, bentuk dan sebagainya. Terdapat dua teknik image retrieaval yang berkembang saat ini, yaitu tekstual dan berdasarkan isi.

  1. Teknik tekstual yaitu berdasarkan pada deskripsi teks yang diberikan pada tiap gambar. Untuk pengambilan gambar digunakan textual query. Permasalahan pada teknik ini yaitu ketergantungan yang sangat tinggi pada manusia sebagai pendeskripsi gambar. Hal ini menyebabkan biaya tinggi. Disamping itu, jika data dalam ukuran besar (jumlah) dalam pendeskripsian data dapat terjadi pendeskripsian yang tidak konsisten, meluas dan sangat tergantung pada pemahaman dan penafsiran manusia terhadap gambar yang dilihat. Berikut skema system penyimpanan dan pemanggilan kembali gambar berdasarkan deskripsi teks [9].

  New Input Pendeskripsian Image (manual) Database Image

  Query Retrieved Matching text image

Gambar 2.1 Skema Sistem Penyimpanan dan Pemanggilan Kembali

  Gambar Berdasarkan Deskripsi Teks

  2. Teknik berdasarkan isi atau sering disebut content based image retrival (CBIR) adalah teknik pemanggilan gambar berdasarkan pada isi dari suatu gambar isi yang dimaksud dalam gambar merupakan warna, tekstur, bentuk relasi dan sebagainya. Permasalahan yang timbul pada teknik ini yaitu penafsiran gambar yang sesuai dan benar berdasarkan formulasi tertentu. Hal ini terjadi karena proses dilakukan oleh computer yang memiliki keterbatasan dalam menilai rasa, suasana dan keindahan. Berikut skema system penyimpanan dan pemanggilan kembali gambar berdasarkan konten gambar [9].

  New Input Image Image Analysis

  Digitization Database

& coding

Image

  Query Retrieved

Image Analysis

  

Digitization Matching

image images

Gambar 2.2 Skema System Penyimpanan dan Pemanggilan Kembali Content Based Image Retrieval Content Based Image Retrieval (CBIR) atau dikenal sebagai query dengan konten image dan pengambilan informasi visual berbasis konten

  (CBVIR) merupakan penerapan teknik computer vision untuk pengambilan gambar atau pencarian gambar digital dalam suatu database. Pencarian gambar berbasis konten (CBIR) berbeda dengan pendekatan berbasis konsep pada Concept Based Image Indexing. Ada beberapa teknik pada CBIR yang digunakan dalam pengambilan informasi yaitu query technique, semantic retrieval dan content comparison.

  CBIR (Content Based Image Retrieval), atau disebut juga Query by Image Content (QBIC) merupakan suatu aplikasi dari Computer Vision untuk masalah image retrieval (pengambilan gambar), yaitu sebuah teknik yang menggunakan content visual dari gambar tetap dalam mencari kesamaan gambar dalam gambar database yang sangat besar menurut input atau sesuai dengan keinginan pengguna (user) [1].

  Pengolahan Gambar (Image processing) Pengolahan gambar adalah sebuah ilmu yang mempelajari hal-hal yang berkaitan dengan perbaikan kualitas gambar baik itu meningkatkan kontras, transformasi warna, dan restorasi gambar, transformasi gambar seperti rotasi, translasi, skala, dan transformasi geometri, proses pemilihan sebuah gambar (feature images) yang optimal untuk tujuan analisis, melakukan penarikan informasi atau dekripsi objek atau pengenalan objek yang terkandung dalam gambar, melakukan kompresi atau reduksi sebuah data untuk tujuan penyimpanan data, transmisi data, dan waktu proses data. Input dari pengolahan gambar adalah gambar, sedangkan output-nya adalah gambar hasul pengolahan. korrdinat spasial, dan amplitude dari f pada sembarang pasangan koordinat (x,y) disebut intensity (intensitas) atau gray level (level keabuan) dari sebuah gambar pada titik tertentu. Ketika (x,y) dan nilai intensitas dari f adalah semua terbatas maka itu disebut digital image (gambar digital). Gambar digital terdiri dari sejumlah elemen tertentu, setiap elemen memiliki lokasi dan nilai tertentu. Elemen-elemen ini disebut picture elements, image elements, dan pixels. Pixel adalah istilah yang sering digunakan secara umum untuk menyatakan elemen pada gambar digital.

2.5.2 Grayscale

  Grayscale adalah jenis gambar yang menangani gradiasi warna hitam dan putih, yang menghasilkan efek warna abu-abu. Pada jenis gambar ini, warna dinyatakan dengan intensitas. Dalam hal ini intensitas berkisar antara 0 sampai 255. Nilai 0 menyatakan hitam dan nilai 255 menyatakan putih. Konversi gambar normal (RGB) ke gambar grayscale dilakukan dengan menggunakan rumus (2.1) [10].

  

( )

  (2.1)

  =

  2.5.3 Konvolusi Gambar Konvolusi gambar adaolah teknik untuk menghaluskan suatu gambar atau memperjelas gambar dengan menggantikan nilai pixel dengan sejumlah nilai pixel yang sesuai atau berdekatan dengan pixel aslinya. Tetapi dengan adanya konvolusi, ukuran dari gambar tetap sama, tidak berubah. Untuk pengolahan gambar, operasi yang dilakukan adalah diskrit karena nilai koordinat pixel merupakan nilai yang diskrit. Selanjutnya filter atau mask yang digunakan pada pengolahan biasanya berukuran terbatas dalam artian bobot atau pengaruh dari titik-titik yang cukup jauh sudah tidak signifikan, sehingga dapat diabaikan (dianggap nol) [11]. Operasi Fungsi penapis g(x,y) disebut juga konvolusi filter, konvolusi mask, konvolusi kernel atau template. Dalam bentuk diskrit konvoulsi kernel dinyantakan dalam bentuk matriks (umumnya matrik 3x3). Ukuran matriks ini biasanya lebih kecil dari ukuran gambar. Setiap elemen matriks disebut koefisien konvolusi

Gambar 2.3 Ilustrasi Konvolusi f(i,j) = Ap

  2

  5

  6

  5

  4

  4

  2

  3

  2

  4 ⎦ ⎥ ⎥ ⎥ ⎤ dan g(x,y) = −1

  −1

  4 −1

  −1 Operasi konvolusi antara f(x,y) dengan g(x,y) dapat diilustrasikan sebagai berikut.

  1. Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai pixel pada posisi(0,0) dari kernel.

  4 4 3 5 4  6 6 5 5 2

  3 5 6 6 6 2 6 7 5 5 3 2 5 2 4 4

  5

  5

  1 +Bp 2 +Cp 3 +Dp 4 +Ep 5 +Fp 6 +Gp

  6

  7 Hp 8 +Ip

  9

  contoh misalkan gambar f(x,y) yang berukuran 5x5 dan sebuah kernel / filter yang berukuran 3x3 masing – masing adalah sebagai berikut f(x,y) =

  ⎣ ⎢ ⎢ ⎢ ⎡

  4

  6

  5

  2

  6

  4

  6

  6

  7

  5

  3

  5

  Hasil konvolusi = (0x4)+(-1x4)+(0x3)+(-1x6)+(4x6)+(-1x5)+(0x5)+(-

  2. Geser kernel satu pixel ke kanan, kemudian hitung pixel 4 4 3 5 4 6 6 5 5 2 3 0

   5 6 6 6 2 6 7 5 5 3 2 5 2 4 4

  Hasil konvolusi = (0x4)+(-1x3)+(0x5)+(-1x6)+(4x5)+(-1x5)+(0x6)+(- 1x6)+(0x6) = 0

  3. Geser kernel satu pixel ke kanan, kemudian hitung pixel 4 4 3 5 4 6 6 5 5 2 3 0 2

   5 6 6 6 2 6 7 5 5 3 2 5 2 4 4

  Hasil konvolusi = (0x3)+(-1x5)+(0x4)+(-1x5)+(4x5)+(-1x2)+(0x6)+(- 1x6)+(0x2) = 2

  4. Geser kernel satu pixel ke bawah, kemudian hitung pixel dari sis kiri 4 4 3 5 4 6 6 5 5 2 3 0 2

   5 6 6 6 2 6 7 5 5 3 2 5 2 4 4

  Hasil konvolusi = (0x6)+(-1x6)+(0x5)+(-1x5)+(4x6)+(-1x6)+(0x6)+(- 1x7)+(0x5) = 0, kemudian lakukan pergeseran pixel seperti pada tahap 2 dan 3 setelah itu geser satu pixel ke bawah dan lakukan pergeseran pixel seperti pada tahap 2 dan 3.

  5. Setelah semua tahap dilakukan maka konvolusi menghasilkan Jika hasil konvolusi menghasilkan nilai negative maka nilai tersebut dijadikan

  0. Sebaliknya jika hasil konvolusi menghasilkan nilai pixel lebih besar dari nilai keabuan maksimum (255), maka nilai tersebut dijadikan ke nilai keabuan maksimum. Adapaun masalah yang timbul, yaitu apabila pixel yang dikonvolusi adalah pixel pinggir, karena beberapa koefisien konvolusi tidak dapat diposisikan pada pixel – pixel gambar, maka solusinya pixel – pixel pinggir diabaikan, tidak dilakukan konvolusi.

2.5.4 Deteksi Tepi Canny

  Deteksi tepi Canny merupakan algoritma yang digunakan untuk menganalisis suatu gambar tepi. Pengembang algoritma deteksi tepi canny adalah John F. Canny pada tahun 1986 dan menggunakan algoritma multi-tahap untuk mendeteksi berbagai tepi pada gambar.

  Algoritma Canny berjalan dalam 5 langkah yang terpisah yaitu :

  a) Penghalusan (Smoothing) : Menggabungkan gambar untuk menghilangkan noise.

  b) Mencari Gradien (Finding gradient) : Tepian harus ditandai pada gambar memiliki gradien yang besar.

  c) Non-maksimum-suppresion : Hanya maxima lokal yang harus ditandai Ende

  d) Double thresholding : Tepian yang berpotensi ditentukan oleh thresholding.

  e) Edge tracking by hysteresis : Tepian final ditentukan dengan menekan semua sisi yang tidak terhubung dengan tepian yang sangat kuat

  Tidak dapat dipungkiri bahwa semua gambar yang diambil akan berisi sejumlah noise. Untuk mencegah noise salah dideteksi sebagai tepian, maka noise harus dikurangi. Oleh karena itu pada langkah pertama gambar harus diperhalus dengan menggunakan Gaussian filter. Inti dari Gaussian filter adalah standar deviasi

  (a) Original (b) Diperhalus

Gambar 2.4 Grayscale yang diperhalus

  Algoritma Canny pada dasarnya menemukan titik tepi pada gambar grayscale dengan perubahan nilai intensitas yang paling besar, daerah ini ditemukan dengan menentukan gradien gambar. Gradien pada setiap piksel gambar yang telah diperhalus ditentukan dengan menerapkan operator Sobel. Langkah Kedua adalah memperkirakan gradien pada arah x dan y. Hal tersebut ditunjukkan dalam Persamaan (2.4).

  −1 0 1

  1

  2

  1 (2.4)

  = = −2 0 2 −1 0 1 −1 −2 −1

  Magnitudo gradien (juga dikenal sebagai kekuatan tepi) dapat ditentukan sebagai jarak Euclidean yang diukur mengukur dengan menerapkan hukum Pythagoras seperti yang ditunjukkan dalam Persamaan (2.5). Yang terkadang disederhanakan dengan menerapkan ukuran jarak Manhattan seperti yang ditunjukkan dalam Persamaan (2.6) untuk mengurangi kompleksitas komputasi.

• | | = (2.5)

dimana: Gx dan Gy adalah gradien pada masing-masing arah x dan y. Hal ini tampak jelas dari Gambar 3, bahwa gambar dengan gradien yang besar sering menunjukkan tepian yang cukup jelas. Namun, tepian biasanya luas dan dengan demikian tidak dapat menunjukkan persis di mana tepian yang sebenarnya. Untuk menentukan tepian yang sebenarnya ini, arah tepian harus ditentukan dan disimpan seperti ditunjukkan dalam Persamaan (2.7).

  | |

  (2.7) =

Gambar 2.5 Magnitudo gradien dari penerapan Operator Sobel terhadap gambar yang sudah dihaluskan

  Pada langkah ketiga bertujuan untuk mengkorversikan tepian yang masih blurred pada gambar hasil magnitude gradien hingga menhasilkan tepian yang tajam. Pada dasarnya hal ini dilakukan dengan mempertahankan semua maxima lokal dalam gambar gradien dan menghapus segala sesuatu yang lain. Algoritma adalah untuk setiap piksel pada gambar gradien adalah sebagai berikut:

  1. Putar arah gradien θ ke arah 45ْ terdekat, kemudian hubungkan dengan 8 titik tetangga yang terhubung dengannya.

  2. Bandingkan nilai piksel tepian saat ini dengan nilai piksel tepian dalam arah positif dan negatif gradien. Jika arah gradien adalah utara (θ =90 ◦), bandingkan

  Sebuah contoh sederhana dari penghapusan non maksimum ditunjukkan pada

Gambar 2.6. Hampir semua piksel yang memiliki arah gradien yang menunjukkan arah utara, oleh karena itu mereka dibandingkan dengan piksel atas dan bawah.

  Piksel yang berubah menjadi maksimal dalam perbandingan ini ditandai dengan warna putih pada perbatasan, sisanya dihapus. Gambar 5 menunjukkan efek pada gambar tes.

Gambar 2.6 Ilustrasi Penghapusan Non MaksimumGambar 2.7 Penghapusan Non Maksimum

  Piksel tepian yang tersisa setelah dilakukan penghapusan non maksimum ditandai dengan nilai piksel per piksel yang kuat. Kebanyakan dari titik ini adalah tapian yang nyata pada gambar, akan tetapi beberapa kemungkinan disebabkan oleh noise atau variasi wana karena permukaan yang kasar. Cara paling sederhana untuk membedakannya adalaha menggunakan nilai threshold (ambang batas) sehingga digunakan sebagai acuan menentukan tepian dan nilai thresolding yang kecil akan dihilangkan [11].

Gambar 2.8 Hasil akhir Edge Detection Canny

2.5.5 Ekstraksi Fitur

  Ektraksi fitur atau featur extraction merupakan suatu pengambilan ciri / feature dari suatu bentuk yang nantinya nilai yang didapatkan akan dianalisis untuk proses selanjutnya. feature extraction dilakukan dengan cara menghitung jumlah titik atau pixel yang ditemukan dalam setiap pengecekan, dimana pengecekan dilakukan dalam berbagai arah tracing pengecekan pada kordinat kartesial dari gambar digital yang dianalisis.

  Ektraksi fitur terbagi kedalam tiga macam, yaitu :

  a. Ektraksi fitur bentuk Bentuk dari suatu objek adalah karakter konfigurasi permukaan yang diwakili oleh garis dan kontur. Fitur bentuk dikategorikan bergantung pada teknik yang digunakan. Kategori tersebut adalah berdasarkan batas (boundary-based) dan berdasarkan daerah (region-based). Teknik berdasarkan batas (boundary-based) menggambarkan bentuk daerah dengan menggunakan karakteristik eksternal, contohnya adalah piksel sepanjang batas objek. Sedangkan teknik berdasarkan daerah (region- based) menggambarkan bentuk wilayah dengan menggunakan karakteristik terkenal untuk ekstraksi fitur adalah matriks gray level co- occurrence. Teknik tersebut dilakukan dengan melakukan pemindaian untuk mencari jejak derajat keabuan setiap dua buah piksel yang dipisahkan dengan jarak d dan sudut θ yang tetap. Biasanya sudut yang digunakan adalah 0

  ᵒ

  , 45

  ᵒ

  , 90

  ᵒ

  , dan 135

  ᵒ .

  c. Ektraksi fitur warna Pada ekstraksi fitur warna, ciri pembeda adalah warna. Biasanya ekstraksi fitur ini digunakan pada gambar berwarna yang memiliki komposisi warna RGB (red, green, blue) Singular Value Decomposition ( SVD ) SVD adalah metode aljabar linier yang memecah matriks A berdimensi m x n menjadi tiga matriks USV. m merupakan nilai dari ekstraksi fitur dari masing

• masing gambar dan n merupakan banyak gambar dalam database. Berikut persamaan yang dilakukan pada SVD ditunjukan pada persamaan (2.8):

  = T

  (2.8) Keterangan :

  A : Matrik ukuran m x n S : Matrik ukuran r x r U : Matrik ukuran m x r

  V T : Matrik ukuran r x n

  Dimana S adalah matriks diagonal berisi nilai scalar (eigen values) berdimensi r x r dan r ditentukan sebelumnya,U dan V adalah matriks orthogonal yang berisi egen vektor. Berikut merupakan ilustrasi dari SVD [12].

Gambar 2.9 Proses LSI Pada Gambar

  Untuk memudahkan pemahaman SVD, berikut adalah contoh matrik ordo kecil A yang akan digunakan untuk perhitungan.

  Contoh Diketahui : Matrik A dengan ordo 2x3

  A = 3 1 1 −1 3 1

  Hitung SVD dari matrik A Jawab

  T

  1. Untuk mendapatkan matrik U diawali dengan menghitung AA 3 −1

  T

  AA = 11 1 = 3 1 1

  1

  3 −1 3 1 1 11

  1

  1 T Setelah mendapat nilai AA dilanjutkan dengan menghitung nilai eigen dan

  11 −

  1 = 0 1 11 −

  (11 − )(11 − ) − 1 x 1 = 0 (( − 22 + 121) − 1 = 0 ( − 22 + 120) = 0 ( − 10)( − 12) = 0 Sehingga diperoleh nilai = 10 dan = 12, dimana nilai merupakan nilai eigen. Untuk memperoleh vektor eigen niai disubstitusikan ke persamaan ( − ) = (2.10) Untuk nilai = 10 diperoleh hasil sebagai berikut : 11 − 10

  1 ̅ = 0 1 11 − 10 x 1 1 x = 1 1

  = 0 ; + + = 0 = − sehingga diperoleh eigen vektor 1

  −1 Untuk nilai = 12 diperoleh hasil sebagai berikut : 11 − 12

  1 ̅ = 0 1 11 − 12 x

  −1

  1 x = 1 −1

  − + = 0 ; − = 0 = sehingga diperoleh eigen vektor 11

  Vektor eigen tersebut menjadi kolom vektor pada matrik diurut berdasarkan Kemudian matrik tersebut dilakukan normalisasi terhadap kolom vektor dengan menggunakan gramschmidt. Perhitunganya adalah sebagai berikut : [1,1]

  1

  1 = ,

  = | | → √1 + 1 √2 √2

  1

  1 [1, −1]

  = , − = | | → 1 + (−1) √2 √2

  Sehingga matrik U yang diperoleh adalah

  1

  1 ⎡ ⎤

  √2 √2 ⎢ ⎥