Segmentasi citra tanaman hias menggunakan metode Boykov and Kolmogorov max flow/min cut graph

SEGMENTASI CITRA TANAMAN HIAS MENGGUNAKAN
METODE BOYKOV AND KOLMOGOROV MAX FLOW/MIN CUT
GRAPH

RAHMADI WISNU WIBOWO

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011

SEGMENTASI CITRA TANAMAN HIAS MENGGUNAKAN
METODE BOYKOV AND KOLMOGOROV MAX FLOW/MIN CUT
GRAPH

RAHMADI WISNU WIBOWO

Skripsi
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
2011

ABSTRACT
WISNU WIBOWO, RAHMADI. House Plant Segmentation Using Boykov and Kolmogorov Max
Flow/Min Cut Graph. Under the supervision of YENI HERDIYENI.
Segmentation is an important step to improve pattern recognition. But until recently, few studies
have been done yet to segment the image with complex background. This research is trying to
segment the image that has a complex background. This study used Boykov and Kolmogorov max
flow/min cut graph for segmentation. This method uses all the pixels to form a directed graph with
two terminals. Database of 300 house plant images belong to 30 different types of house plant in
Indonesia. In testing, 240 images are used and then extracted using Rotation Invariant Uniform
) and performed recognition using probabilistic neural network (PNN). Results
Patterns (
showed that accuracy increased between 8.33% to 22.22% after the segmentation.

Keywords: segmentation, background, max flow/min cut graph, local binary pattern, probabilistic
neural network.

Judul
Nama
NRP

: Segmentasi Citra Tanaman Hias Menggunakan Metode Boykov and Kolmogorov Max
Flow/Min Cut Graph
: Rahmadi Wisnu Wibowo
: G64060563

Menyetujui:

Pembimbing

Dr. Yeni Herdiyeni, S.Si., M.Kom.
NIP 19750923 200012 2 001

Mengetahui:

Ketua Departemen Ilmu Komputer
Institut Pertanian Bogor

Dr. Ir. Sri Nurdiati, M.Sc.
NIP 19601126 198601 2 001

Tanggal Lulus:

PRAKATA
Alhamdulillahi Rabbil’ alamin, segala puji dan syukur penulis panjatkan kepada Allah SWT atas
limpahan rahmat dan hidayah-Nya, sehingga penulis dapat menyelesaikan tugas akhir yang berjudul
Segmentasi Citra Tanaman Hias Menggunakan Metode Boykov and Kolmogrov`s Max Flow Min Cut
Graph dengan lancar dan baik. Penelitian ini dilaksanakan mulai Maret 2010 sampai dengan Oktober
2010, bertempat di Departemen Ilmu Komputer.
Penulis juga menyampaikan ucapan terima kasih kepada:
1. Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. selaku dosen pembimbing yang telah memberikan arahan
dan bimbingan dengan sabar kepada penulis dalam menyelesaikan skripsi ini.
2. Ayah, Ibu, dan adik tercinta Mohammad Isa yang tidak henti-hentinya memberikan doa, kasih
sayang, dan dukungan kepada penulis.
3. Bapak Aziz Kustiyo, S.Si., M.Kom. dan Mushthofa, S.Kom, M.Sc. selaku dosen penguji.

4. Nurafifah, Ikrima Nurni Hikmawati, Poetri Herningtyas, Lies Umi Kulsum, Dimas Perdana CKP,
dan Aristoteles sebagai teman satu bimbingan yang selalu memberikan masukan, saran, dan
semangat kepada penulis.
5. Rekan-rekan ilkomerz 43 dan Pondok Handayani atas segala kebersamaan, bantuan, dan motivasi
yang telah diberikan kepada penulis.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga skripsi
ini bermanfaat.

Bogor, Januari 2011

Rahmadi Wisnu Wibowo

RIWAYAT HIDUP

Rahmadi Wisnu Wibowo dilahirkan di Wonogiri pada tanggal 14 September 1987 dari pasangan
Ibu Endang Tri Jumadini dan Bapak Taryanto. Pada tahun 2006, penulis lulus dari Sekolah Menengah
Atas(SMA) Negeri 2 Wonogiri dan diterima di Program Studi Ilmu Komputer Institut Pertanian
Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI).
Pada tingkat pertama IPB, penulis aktif dalam beberapa lembaga kemahasiswaan seperti
Koperasi Mahasiswa (KOPMA) dan AIKIDO. Pada pertengahan tingkat pertama penulis menjadi

bendahara umum AIKIDO IPB dan pada tahun berikutnya penulis diangkat menjadi Ketua Umum
AIKIDO IPB. Pada tingkat departemen, penulis masih aktif dalam dunia kemahasiswaan dengan
menjadi salah satu kepala divisi di Badan Kerohanian Islam Ilmu komputer (BANKERZ).

DAFTAR ISI
Halaman
DAFTAR GAMBAR ............................................................................................................... v
DAFTAR TABEL.................................................................................................................... v
DAFTAR LAMPIRAN ............................................................................................................ v
PENDAHULUAN
Latar Belakang ................................................................................................................... 1
Tujuan Penelitian ................................................................................................................ 1
Ruang Lingkup Penelitian ................................................................................................... 1
TINJAUAN PUSTAKA
Graf dan Network ............................................................................................................... 1
Max flow /min cut graph ..................................................................................................... 1
Local Binary Pattern (LBP) ................................................................................................ 2
METODE PENELITIAN
Data Citra Tanaman Hias ....................................................................................................
Praproses Data ....................................................................................................................

Segmentasi Citra.................................................................................................................
Pengenalan .........................................................................................................................

3
4
4
6

HASIL DAN PEMBAHASAN
Praproses Data ....................................................................................................................
Segmentasi Citra.................................................................................................................
Citra dengan latar belakang sederhana ............................................................................
Citra dengan latar belakang kompleks ............................................................................
Citra dengan pencahayaan seragam ................................................................................
Citra dengan pencahayaan tidak seragam........................................................................
Citra dengan keragaman warna objek .............................................................................
Pengenalan .........................................................................................................................

6
6

6
7
7
8
8
9

KESIMPULAN DAN SARAN
Kesimpulan ....................................................................................................................... 11
Saran .................................................................................................................................. 11
DAFTAR PUSTAKA .............................................................................................................. 11
LAMPIRAN ............................................................................................................................ 13

iv

DAFTAR GAMBAR
Halaman
Graf.......…………. .............................................................................................................
Contoh Network ...............................................................................................................
Ilustrasi path dari s ke t ......................................................................................................

Ilustrasi max flow dan min cut .............................................................................................
Beberapa konstruksi circular neighborhood ........................................................................
Contoh rotation invariant ...................................................................................................
Tekstur uniform patterns.....................................................................................................
Metode Penelitian ...............................................................................................................
Citra dengan latar belakang sederhana .................................................................................
Citra dengan latar belakang kompleks .................................................................................
Citra dengan pencahayaan seragam (a) dan Citra dengan pencahayaan
tidak seragam (b) ..............................................................................................................
12 Citra dengan keragaman warna objek ...................................................................................
13 Contoh pelabelan citra .........................................................................................................
14 Konstruksi graf....................................................................................................................
15 Contoh pembagian citra di dalam sistem segmentasi ............................................................
16 Praproses data .....................................................................................................................
17 Contoh hasil segmentasi citra dengan latar belakang sederhana ............................................
18 Contoh hasil segmentasi citra dengan latar belakang kompleks.............................................
19 Contoh hasil segmentasi citra dengan pencahayaan seragam ................................................
20 Contoh hasil segmentasi citra dengan pencahayaan tidak seragam ........................................
21 Contoh hasil segmentasi citra dengan keragaman warna objek .............................................
22 Citra dengan keragaman warna objek asli (a) ,

citra dengan keragaman warna segmentasi pertama (b)
dan citra dengan keragaman warna segmentasi kedua (c) ....................................................
23 Akurasi rata-rata keempat operator LBPriu2 ........................................................................
24 Akurasi LBPriu2(2,8) tanpa segmentasi ...............................................................................
25 Citra tanpa segmentasi yang teridentifikasi 100%.................................................................
26 Citra tanpa segmentasi yang tak teridentifikasi .....................................................................
27 Akurasi LBPriu2(2.8) dengan segmentasi ............................................................................
28 Contoh citra dengan akurasi 100% menggunakan segmentasi ..............................................
29 Contoh citra tanpa segmentasi dengan penurunan akurasi .....................................................
30 Contoh citra segmentasi dengan penurunan akurasi ..............................................................
1
2
3
4
5
6
7
8
9
10

11

1
1
2
2
2
2
3
3
3
4
4
4
4
4
6
6
7
7

8
8
8

8
9
10
10
10
10
10
11
11

DAFTAR TABEL
Halaman
1. Rumusan perhitungan bobot link ......................................................................................... 5
2. Akurasi rata-rata LBPriu2 ................................................................................................... 9

DAFTAR LAMPIRAN
Halaman
1. Hasil segmentasi 30 kelas citra............................................................................................ 13
2. Model sistem segmentasi .................................................................................................... 23

v

PENDAHULUAN
Latar Belakang
Pada sistem pengenalan pola, segmentasi
citra merupakan tahapan penting untuk
memperbaiki pengenalan pola. Namun sampai
saat ini belum ada metode segmentasi yang
optimal untuk citra dengan latar belakang yang
kompleks. Citra tanaman hias umumnya
memiliki latar belakang yang kompleks. Oleh
karena itu, diperlukan teknik segmentasi yang
lebih baik untuk mengidentifikasi tanaman hias.
Beberapa penelitian sudah dilakukan untuk
segmentasi citra tanaman hias. Metode Hough
Transform dan Fourier Descriptor (Ramadhani
2009) serta penggunaan metode co-occurrence
matrix untuk ekstraksi fitur citra (Annisa 2009)
adalah beberapa penelitian yang pernah
dilakukan. Selain itu, identifikasi menggunakan
metode Boykov and Kolmogorov max flow/min
cut graph untuk segmentasi dan ekstraksi fitur
menggunakan Gabor Wavelet juga pernah
dilakukan
sebelumnya.
Penelitian
ini
menunjukkan bahwa untuk 60% kueri, citra
hasil temu kembali yang benar terdapat di 10
urutan pertama (Kebabci et al 2001).
Penelitian ini melakukan segmentasi citra
menggunakan metode Boykov and Kolmogorov
max flow/ min cut graph untuk mengidentifikasi
tanaman hias. Penelitian ini menggunakan
jumlah dan jenis citra tanaman hias yang lebih
banyak dibandingkan dengan penelitian
Kebabci et al (2001).
Tujuan
Tujuan dari penelitian ini adalah untuk
mengaplikasikan
metode
Boykov
and
Kolmogorov max flow min-cut graph untuk
segmentasi citra tanaman hias secara automatis
serta pengenalan tanaman hias.
Ruang Lingkup

wilayah citra yaitu wilayah objek utama dan
background atau latar. Secara umum,
segmentasi yang baik akan menjadikan peluang
keberhasilan proses pengenalan citra lebih besar
(Gonzalez 2002).
Segmentasi dilakukan untuk memisahkan
objek daun atau bunga dengan latar belakang
citra. Proses ini untuk memisahkan objek
penyusun citra tanaman hias seperti pot, lantai,
dan rerumputan.
Graf dan Network
Teori graf pertama kali muncul pada tahun
1736 sebagai solusi Euler dalam memecahkan
“Masalah Jembatan Konighberg”. Secara
struktur, graf merupakan kumpulan dari node
dan edge yang saling berhubungan seperti
terlihat pada Gambar 1.

Gambar 1 Graf.
Graf dapat diaplikasikan dalam berbagai
masalah,
seperti
masalah
pencocokan,
penjadwalan, networking dan lain sebagainya.
Dalam penelitian ini jenis graf yang digunakan
adalah network. Network memiliki beberapa
spesifikasi seperti edge yang berarah, edge yang
memiliki kapasitas dan adanya suatu terminal
atau titik awal dan titik akhir seperti terlihat
pada Gambar 2. Salah satu metode atau cara
untuk memecahkan masalah dalam aplikasi
network adalah max flow / min cut graph
(Chartrand & Oellermann 1993).

Ruang lingkup penelitian adalah melakukan
segmentasi citra untuk tanaman hias dengan
ekstraksi ciri menggunakan Rotation Invariant
Uniform Patterns (LBPriu2) (Kulsum 2010)
dan klasifikasi Probabilistic Neural Network
(PNN) (Nurafifah 2010).
TINJAUAN PUSTAKA
Segmentasi Citra
Segmentasi merupakan langkah awal dari
ekstraksi fitur pada suatu citra. Prosedur
segmentasi membagi citra menjadi beberapa
bagian pokok penyusun citra. Dalam penelitian
ini segmentasi hanya akan membedakan dua

Gambar 2 Contoh network.
Max flow / min cut graph
Max flow/min cut graf merupakan salah
satu cara untuk memecahkan masalah yang

1

berhubungan
dengan
aplikasi
network.
Algoritme ini bekerja untuk memisahkan
background dan foreground. Dalam algoritme
ini terdapat beberapa istilah dan ketentuan
operasionalnya. Adapun istilah-istilah tersebut
adalah sebagai berikut:











Node adalah himpunan berhingga dan tak
kosong dari elemen graf yang berbentuk
titik.
Edge adalah himpunan pasangan tak terurut
dari verteks-verteks yang berbeda.
Path adalah barisan node dan edge yang
dimulai dan berakhir di node serta memiliki
node yang berbeda untuk setiap
rangkaiannya.
Kapasitas edge (c) adalah kapasitas yang
dimiliki oleh edge yang menghubungkan
dua buah node.
flow(f) adalah aliran yang melewati path
tertentu.
Max flow/ min cut adalah maksimum aliran
pada suatu path yang merupakan nilai
minimum dari seluruh kapasitas edge
penyusun path.
Source adalah terminal dengan derajat
masuk atau in degree 0
Sink adalah terminal dengan derajat keluar
atau out degree 0.

Secara umum, algoritme ini terdiri atas
beberapa langkah yaitu mencari path yang
berawal dari terminal source dan berakhir di
terminal sink, update bobot dan mengambil cut
dari suatu graf. Ilustrasi pencarian path dari
terminal source (s) ke terminal sink (t) terlihat
pada Gambar 2 yang ditunjukkan dengan panah
tebal. Pencarian path dilakukan sampai tidak
terdapat path dari terminal source ke terminal
sink.

Gambar 3 Ilustrasi path dari s ke t.
Setelah tidak terdapat path dari terminal
source ke terminal sink, langkah terakhir adalah
mencari anggota masing-masing terminal yang
dipisahkan oleh minimum cut. Ilustrasi max
flow atau min cut terlihat pada Gambar 4
dengan cut yang ditunjukkan dengan garis
terputus-putus.

Gambar 4 Ilustrasi max flow dan min cut.
Local Binary Pattern (LBP)
Local Binary Pattern merupakan algoritme
untuk mendeskripsikan tekstur pada citra
grayscale.
Algoritme
ini
bekerja
mendeskripsikan tekstur secara lokal pada suatu
blok tertentu di citra grayscale. Pendeskripsian
ini menggunakan beberapa jenis ketetanggaan
yang tersebar secara melingkar circular
neighborhoods. Gambar 5 memperlihatkan
contoh circular neighborhood tiga operator
(Kulsum 2010).

Gambar

5

Beberapa ukuran
neighborhood.

circular

Salah satu kelebihan dari algoritme Local
Binary Pattern adalah tidak sensitif terhadap
rotasi. Gambar 6 menunjukkan contoh rotation
invariant yang memiliki pola 00001111 dan
memiliki nilai 15.

Gambar 6 Contoh rotation invariant.
Local Binary Pattern menyimpan berbagai
informasi menggunakan pola-pola tertentu.
Informasi penting pada suatu citra akan
disimpan ke dalam pola-pola yang disebut
uniform patterns. Suatu pola merupakan
uniform pattern jika terdapat pola transisi bit
dari 0 ke 1 atau sebaliknya. Uniform patterns
berfungsi untuk mengidentifikasi noda flat area
atau dark spot, sudut, dan tepi. Gambar 7
menunjukkan beberapa jenis uniform pattern
(Kulsum 2010).

2

Spot

Spot/flat Line end

Edge

Corner

Gambar 7 Tekstur uniform patterns.
Penggabungan antara Rotation Invariant dan
Uniform Pattern menghasilkan variasi Local
Binary Pattern yang disebut Rotation Invariant
Uniform Pattern atau LBPriu2 (Kulsum 2010).
METODE PENELITIAN
Penelitian ini dilakukan dalam beberapa
tahap. Tahap-tahap tersebut diselesaikan dengan
metode penelitian yang dapat dilihat pada
Gambar 8.
Data Citra Tanaman Hias
Data citra tanaman hias yang dipergunakan
dalam penelitian ini adalah citra tanaman hias
lokal Indonesia. Lokasi pengambilan citra
tersebut adalah Kebun Raya Bogor dan
beberapa tempat lainnya. Jumlah data yang
diambil berjumlah 300 buah dengan berbagai
macam sudut pengambilan yang kemudian
dikelompokkan menjadi 30 kelas. Semua citra
tersebut kemudian dimasukkan ke dalam
beberapa kelompok kelas antara lain
berdasarkan latar belakang, berdasarkan
pencahayaan dan berdasarkan keragaman warna
objek citra.
Kelompok citra berdasarkan latar belakang
dapat dibagi menjadi 2 jenis yaitu citra dengan
latar belakang sederhana seperti pada Gambar 9
dan citra dengan latar belakang kompleks yang
dapat dilihat pada Gambar 10. Kelompok citra
berdasarkan pencahayaan dapat dibagi menjadi
2 macam yaitu citra dengan pencahayaan
seragam seperti pada Gambar 11 dan citra
dengan pencahayaan tidak seragam seperti pada
Gambar 11. Citra dengan keragaman warna
objek dapat dilihat pada Gambar 12.

Gambar 8 Metode Penelitian.

Gambar

9 Citra dengan latar belakang
sederhana.

3

Gambar

10 Citra dengan latar belakang
kompleks.

(a)

(b)

Gambar 11 Citra dengan pencahayaan seragam
(a) dan Citra dengan pencahayaan
tidak seragam (b).

Gambar

daerah yaitu daerah yang mewakili objek
utama, daerah yang mewakili background dan
daerah yang belum teridentifikasi seperti
terlihat pada Gambar 13. Pada sistem
segmentasi, pemilihan inisialisasi wilayah
dilakukan oleh pengguna sistem dengan
memilih dua titik untuk dua wilayah yang
berbeda.

12 Citra dengan keragaman warna
objek.

Praproses Data
Praproses data pada penelitian ini
dilakukan dengan memperkecil ukuran citra.
Hal ini dilakukan karena keterbatasan sistem
sehingga citra masukan hanya berukuran
270x210 pixel.
Segmentasi Citra
Tahapan selanjutnya setelah praproses
adalah melakukan segmentasi.
Segmentasi
dilakukan menggunakan metode Boykov and
Kolmogrov`s max flow/ min cut graph (Boykov
& Kolmogorov 2001). Segmentasi ini tidak
dilakukan secara manual tetapi menggunakan
sebuah sistem yang memanfaatkan metode
tersebut. Dalam sistem ini citra masukan
memiliki channel Red, Green, Blue (RGB) yang
kemudian akan menghasilkan citra hasil
segmentasi yang memiliki channel RGB dan
Grayscale.

Gambar 13 Contoh pelabelan citra.
Setelah pelabelan selesai dilakukan,
langkah berikutnya adalah penentuan pivot atau
terminal. Pivot atau terminal digunakan sebagai
inisialisasi daerah tertentu pada hasil pelabelan.
Pada penelitian ini pivot atau terminal mewakili
daerah objek utama dan daerah background.
Terminal yang mewakili daerah objek utama
disebut terminal source dan terminal yang
mewakili background disebut terminal sink.
Kedua
terminal
tersebut
selanjutnya
dihubungkan dengan seluruh pixel untuk
membentuk sebuah graf. Graf yang terbentuk
dapat dilihat pada Gambar 14.
Tahapan terakhir dalam membentuk graf
adalah menghitung bobot untuk setiap link yang
terjadi dalam graf. Secara umum, terdapat tiga
macam link graf yaitu link antara terminal
source dengan node, link antara terminal sink
dengan node dan link antara node yang
bersebelahan. Ketentuan perhitungan bobot link
terlihat pada Tabel 1 (Boykov & Jolly 2001).

Tahapan pertama dalam segmentasi adalah
membentuk sebuah graf. Dalam penelitian ini
graf dibentuk menggunakan seluruh pixel yang
terdapat pada citra. Tahapan ini dapat dibagi
menjadi beberapa langkah yaitu pelabelan
daerah, penentuan pivot atau terminal dan
perhitungan bobot link.
Pelabelan daerah pada penelitian ini
digunakan untuk membagi citra menjadi 3

Gambar 14 Konstruksi Graf.

4

Edge yang menghubungkan antara terminal
source dengan node dilambangkan dengan tlink {p, s}. Pada hubungan ini, terdapat
beberapa
ketentuan
untuk
menghitung
bobotnya. Pertama adalah ketentuan untuk
menghitung bobot antara terminal source dan
node dengan kondisi node merupakan anggota
bagian objek utama (O) dan background (B).
Formulasi untuk menghitungnya adalah sebagai
berikut:

Tabel 1 Rumusan perhitungan bobot link
Edge
n-link {p, q}
t-link {p, s}

Bobot

Kondisi

B{p, q}

{p, q}∈N

λ ∙ Dp (s)

K

p∈P,
p∈OUB
p∈O

Dp(s) ∞ exp( -|| Ip – Is ||2 / 2σ2 )

(3)

s

0
t-link {p, t}

λ ∙ Dp (t)

dengan Ip dan I merupakan intensitas node dan
intensitas terminal source serta λ yang bernilai
1. Contoh perhitungan t-link {p, s} adalah
sebagai berikut:

p∈B
p∈P,
p∈OUB

0

p∈O

K

p∈B

Is = 200, 150, 250
Ip = 150, 180, 120
dalam contoh ini variance bernilai 2000
|| Ip – Is || 2 = (200-150)2 + (150-180)2 + (250120)
|| Ip – Is || 2 = 28400.
Dp (s) = exp(-28400/2*2000)
Dp (s) = 8.251 x 10-4.

Untuk link antara dua buah node yang
bersebelahan dilambangkan sebagai n-link
{p,q} dengan p dan q adalah dua buah pixel
yang
bersebelahan.
Persamaan
untuk
menghitung bobot n-link terlihat pada
persamaan berikut:

 (I p  I q )2 
1

B{ p ,q}  exp  
2
 dist ( p, q)

2



(1)

dengan Ip dan Iq merupakan intensitas dua buah
pixel yang bersebelahan. Pada penelitian ini
nilai intensitas merupakan rata-rata dari ketiga
channel masukan yaitu Red, Green dan Blue.
dist(p,q) merupakan jarak antara kedua buah
pixel dengan persamaan perhitungan sebagai
berikut:
Jarak2 = (Rp – Rq)2 + (Gp – Gq)2 + (Bp – Bq)2 (2)
dengan Rp, Rq, Gp, Gq, Bp, Bq adalah nilai
channel Red, Green dan Blue pada citra. Contoh
perhitungan untuk n-link adalah sebagai berikut:
Ip = 255, 200, 70
Iq = 50, 10, 15
dalam contoh ini variance bernilai 2000
Ip = (255 + 200 + 70)/3 = 175
Iq = (50 + 10 + 15)/3 = 25
dist(p,q)2 = (255-50)2 + (200-10)2 + (70-15)2
dist(p,q) = 284.8683.
B{p,q} = exp(-(175-25)2/2*2000 ) * 1/284.8683
B{p,q} = 1.263 x 10-5

Selanjutnya adalah ketentuan untuk menghitung
bobot antara terminal source dan node dengan
kondisi node merupakan anggota objek utama
(O). Persamaan untuk menghitung bobot ini
adalah sebagai berikut:



K  1  max   B{ p ,q} 
pP

 q:{ p ,q}N

(4)

Untuk hubungan terminal source dan node
dengan kondisi node merupakan anggota
background maka bobot yang diberikan adalah
0.
Hubungan antara terminal sink dengan
node dilambangkan sebagai t-link {p, t} dengan
p merupakan pixel node dan t merupakan pixel
terminal sink. Dalam hubungan ini, terdapat
beberapa ketentuan untuk menghitung bobot.
Ketentuan pertama adalah untuk menghitung
bobot dengan kondisi node p merupakan
anggota dari objek utama (O) dan background
(B) dengan persamaan perhitungan sebagai
berikut:
Dp(t) ∞ exp( -|| Ip – It ||2 / 2σ2 )

(5)

dengan Ip dan It merupakan intensitas node dan
intensitas terminal sink serta λ yang bernilai 1.
Contoh perhitungan t-link {p, t} adalah sebagai
berikut:
It = 200, 150, 250
Ip = 150, 180, 120

5

dalam contoh ini variance bernilai 2000
|| Ip – It || 2 = (200-150)2 + (150-180)2 + (250120)
|| Ip – It || 2 = 28400.
Dp (t) = exp(-28400/2*2000)
Dp (t) = 8.251 x 10-4.
Untuk bobot t-link {p, t} dengan p merupakan
anggota background (B) maka bobot akan
bernilai K dengan formulasi perhitungan terlihat
pada persamaan 4. Jika p merupakan anggota
objek utama (O) maka akan bernilai 0.
Setelah graf terbentuk, tahapan selanjutnya
adalah melakukan implementasi algoritme
Boykov and Kolmogorov max flow/min cut
graph. Langkah detail dari algoritme ini adalah
sebagai berikut: (Boykov & kolmogorov 2001)
1.

Mencari path atau lintasan dari terminal
source ke terminal sink.

2.

Mencari bobot yang paling minimum
antara dua buah node yang bertetanggaan
dalam path atau lintasan tersebut sebagai
representasi minimum cut atau maksimum
dari flow yang bisa melewati path atau
lintasan tersebut.

3.

Update masing-masing bobot antar node
yang bertetanggaan dalam path atau
lintasan tersebut dengan nilai yang
ditemukan pada langkah kedua dengan
mengurangkan setiap bobot pada edge
penyusun path.

4.

Lakukan langkah 1 sampai 3 hingga tidak
terdapat path atau lintasan dari source ke
sink.

5.

Mencari node anggota masing-masing
terminal berdasarkan karakteristik terminal.

Dalam sistem segmentasi citra masukan
akan dipecah menjadi 4 bagian seperti terlihat
pada Gambar 15. Untuk setiap bagian hasil
pemecahan citra akan dilakukan segmentsi
dengan membentuk graf dan implementasi
metode Boykov and Kolmogorov max flow/min
cut graph.

Gambar 15 Contoh pembagian citra di dalam
sistem segmentasi.

Pengenalan
Pada tahapan ini semua citra hasil
segmentasi dipilih berdasarkan kriteria tertentu
untuk diuji menggunakan sistem Local Binary
Pattern
(LBP)
dan
diklasifikasikan
menggunakan Probabilistic Neural Network
(PNN).
HASIL DAN PEMBAHASAN
Praproses Data
Sebelum semua citra disegmentasi, pada
penelitian ini terlebih dahulu citra akan diubah
ukurannya. Pada tahapan ini, citra akan diubah
ukurannya mejadi berukuran 270x210 pixel atau
di bawahnya. Hasil praproses dapat dilihat pada
Gambar 16.

Gambar 16 Praproses data.
Segmentasi
Setelah semua data melalui praproses maka
tahapan
berikutnya
adalah
melakukan
segmentasi pada data citra. Pada tahapan ini
segmentasi dilakukan pada beberapa tipe citra
antara lain citra dengan latar belakang
sederhana, citra dengan latar belakang
kompleks, citra dengan pencahayaan seragam
dan citra pencahayaan tidak seragam serta citra
dengan keragaman warna objek. Tampilan
sistem segmentasi dapat dilihat pada Lampiran
2. Hasil segmentasi untuk keseluruhan jenis
citra dapat dilihat pada Lampiran 1. Berikut
hasil segmentasi untuk semua tipe citra.
Citra dengan latar belakang sederhana
Citra dengan latar belakang sederhana
merupakan citra yang sebagian besar bagian
penyusunnya adalah objek utama. Dalam citra
ini objek utama tersusun oleh kumpulan
intensitas yang memiliki kemiripan nilai. Untuk
komponen background, citra ini hanya memiliki
satu komponen background sederhana dan
memiliki intensitas yang berbeda dengan
komponen objek utama.
Pelabelan pada citra jenis ini akan
menghasilkan dua wilayah yang besar dan satu
wilayah yang kecil. Kedua wilayah yang besar
tersebut adalah wilayah objek utama dan
wilayah background. Kedua wilayah besar ini

6

terjadi karena citra hanya disusun oleh satu
jenis objek utama dan satu background yang
sederhana dan masing-masing penyusunnya
memiliki kemiripan nilai intensitas.
Pada konstruksi link objek utama, semua
node memiliki konstruksi yang kuat antara satu
node dengan node yang lain. Hal ini
ditunjukkan dengan besarnya nilai perhitungan
bobot yang terjadi antar pixel dalam objek
utama. Untuk konstruksi link background,
semua node memiliki konstruksi yang kuat
seperti yang terjadi pada konstruksi link objek
utama. Namun untuk konstruksi link pada batas
antara objek utama dan background, terdapat
konstruksi link yang lemah. Konstruksi lemah
ini terjadi karena pixel-pixel yang menjadi batas
antara objek utama dan background memiliki
perbedaan yang besar.
Algoritme max flow/min cut mencari path
berdasarkan hubungan ketetanggaan yang
minimum untuk terminal maupun untuk
ketetanggaan antar pixel. Cara kerja ini
menyebabkan edge lemah yang terjadi di antara
objek utama dan background menjadi anggota
path dari source ke sink. Pengambilan ini akan
mengakibatkan edge-edge tersebut menjadi cut
yang memisahkan objek utama dengan
background. Pemisahan ini yang menyebabkan
hasil segmentasi untuk citra jenis ini baik. Hasil
segmentasi terlihat pada Gambar 17.

Pelabelan pada objek utama menghasilkan
inisialisasi wilayah yang baik. Namun untuk
background, inisialisasi wilayah tidak berjalan
dengan baik. Hasil ini disebabkan oleh
keragaman objek pada background yang
memiliki intensitas berbeda untuk setiap
komponennya.
Konstruksi link pada objek utama
menghasilkan konstruksi yang kuat antar pixel
atau node penyusun objek utama. Konstruksi
ini dihasilkan oleh pixel-pixel penyusun yang
memiliki nilai yang hampir sama. Untuk
konstruksi background, konsruksi akan kuat
pada beberapa komponen yang memiliki nilai
intensitas yang hampir sama dengan intensitas
yang dipilih oleh pengguna. Namun hal yang
sama tidak terjadi pada konstruksi antar
komponen penyusun background. Kondisi ini
disebabkan oleh perbedaan nilai intensitas pada
komponen penyusun background.
Keragaman objek atau komponen pada
background juga menyebabkan segmentasi
dilakukan lebih dari satu kali untuk
mendapatkan hasil yang baik. Perlakuan ini
dilakukan karena algoritme max flow/min cut
hanya mampu menghilangkan satu atau dua
komponen background dalam satu kali
segmentasi. Pada citra jenis ini pengambilan cut
terjadi pada batas antara objek utama dan
background yang terinisialisasi wilayahnya dan
tidak pada seluruh batas antara objek utama dan
background untuk satu kali segmentasi. Hasil
segmentasi pada citra jenis ini cukup baik
seperti terlihat pada Gambar 18.

.

Gambar

17 Contoh hasil segmentasi citra
dengan
latar
belakang
sederhana.

Citra dengan latar belakang kompleks
Citra dengan latar belakang kompleks
merupakan jenis citra yang memiliki
bermacam-macam komponen background atau
latar. Keragaman objek ini memungkinkan
intensitas beberapa komponen background
memiliki nilai yang sama atau mirip dengan
objek utama. Untuk memperkecil kemungkinan
tersebut, citra masukan dibagi menjadi empat
bagian yang sama besar.

Gambar

18 Contoh hasil segmentasi citra
dengan
latar
belakang
kompleks.

Citra dengan pencahayaan seragam
Citra dengan pencahayaan seragam
merupakan citra yang memiliki pencahayaan
seragam untuk setiap bagian citra. Citra jenis ini
sebagian besar merupakan anggota dari citra
dengan background yang sederhana.

7

Pelabelan pada citra jenis ini baik karena
sebagian besar bagian objek utama dan
background dapat diinisialisasi dengan baik.
kondisi ini disebabkan oleh perbedaan intensitas
antara objek utama dan background.
Algoritme max flow/min cut pada citra jenis
ini memisahkan objek utama dan background
pada batas antara keduanya. Pemisahan ini
terjadi karena edge penghubung antara objek
utama dan background lemah sehingga mudah
terputus pada saat update bobot. Hasil
segmentasi pada citra jenis ini cukup baik
seperti terlihat pada Gambar 19.

Citra dengan keragaman warna objek
Citra dengan keragaman warna objek
merupakan citra yang memiliki objek utama
dengan beberapa warna. Pada citra jenis ini
terdapat dua variasi hasil segmentasi. Variasi
yang pertama adalah terpisahnya objek utama
dan background dengan baik seperti terlihat
pada Gambar 21.
Variasi kedua adalah
terpisahnya sebagian komponen objek utama
seperti terlihat pada Gambar 22.

Gambar

Gambar

21 Contoh hasil segmentasi citra
dengan keragaman warna objek.

19 Contoh hasil segmentasi citra
dengan pencahayaan seragam.

Citra dengan pencahayaan tidak seragam
Citra jenis ini memiliki pencahayaan yang
berbeda pada beberapa bagian penyusunnya.
pada penelitian ini terdapat beberapa citra yang
termasuk dalam tipe ini. Citra-citra tersebut
sebagian besar memiliki pencahayaan yang
berbeda pada bagian kanan dan kiri objek
utama.
Pelabelan pada citra jenis ini tidak berjalan
dengan baik. Hal ini disebabkan oleh intensitas
penyusun objek utama dan background
memiliki nilai yang hampir sama yang
mengakibatkan
wilayah
background
terinisialisasi sebagai objek utama. Kondisi
tersebut menyebabkan terdapat kontruksi link
yang kuat antara objek utama dan beberapa
bagian background.
Algoritme max flow/min cut selalu mencari
path berdasarkan edge yang paling minimum.
Ketentuan ini akan menghasilkan cut pada
objek yang memiliki perbedaan intensitas yang
besar. Pada citra jenis ini cut terjadi di antara
kedua pencahayaan seperti terlihat pada
Gambar 20.

Gambar

20 Contoh hasil segmentasi citra
dengan
pencahayaan
tidak
seragam.

(a)
Gambar

(b)

(c)

22 Citra dengan keragaman warna
objek asli (a), citra dengan
keragaman warna segmentasi
pertama (b) dan citra dengan
keragaman warna segmentasi
kedua (c).

Pada variasi pertama, pelabelan berjalan
dengan baik pada objek utama dan background.
Hasil ini disebabkan oleh kemiripan nilai
intensitas yang terjadi pada penyusun objek
utama maupun background. Pada variasi ini
konstruksi link memiliki karakter yang sama
dengan konstruksi link citra yang memiliki
background sederhana. Untuk konstruksi
ketetanggaan, terjadi link yang kuat antara
pixel-pixel penyusun objek utama dan
background namun terjadi konstruksi yang
lemah di batas antara keduanya.
Pada variasi kedua, pelabelan tidak berjalan
dengan baik. Kondisi ini disebabkan oleh
intensitas penyusun objek utama yang memiliki
perbedaan nilai yang besar antar komponennya
sehingga pelabelan hanya terjadi pada objek
yang telah diinisialisasi oleh pengguna. Selain
menyebabkan pelabelan yang tidak baik,
perbedaan intensitas tersebut mengakibatkan
adanya konstruksi link yang lemah antar
penyusun objek utama. Konstruksi ini yang
menyebabkan cut yang terjadi berada pada batas

8

antara komponen objek utama yang memiliki
perbedaan intensitas dan pada sebagian batas
antara objek utama dan background.
Pengenalan
Tahapan pengenalan merupakan tahapan
untuk identifikasi dengan menggunakan citra
hasil segmentasi. Tahapan ini menggunakan
algoritme Local Binary Pattern dengan jenis
Rotation invariant uniform pattern (LBPriu2)
dan Probabilistic Neural Network (PNN) untuk
mengekstraksi fitur citra hasil segmentasi
seperti pada penelitian Kulsum (2010). Untuk
LBPriu2, sampling point yang digunakan adalah
8, 16 dan 24 dengan radius 1, 2 dan 3 yang
digunakan dalam empat operator yaitu
LBPriu2(1,8), LBPriu2(2,8), LBPriu2(2,16) dan
LBPriu2(3,24). Pada operator LBP, radius
menyatakan ukuran blok yang akan digunakan.
Untuk radius 1 memiliki ukuran blok 3x3 pixel,
radius 2 memiliki blok berukuran 5x5 pixel dan
radius 3 memiliki ukuran blok sebesar 7x7
pixel. Sampling point menyatakan jumlah titik
yang melingkari titik pusat pada blok.
Pada tahapan ini citra yang digunakan
berjumlah 240 atau 24 kelas berdasarkan
evaluasi visual. Tabel 2 dan Gambar 23
menunjukkan akurasi rata-rata LBPriu2 dari
keempat operator.
Tabel 2 Akurasi rata-rata LBPriu2
Tanpa
Segmentasi

Dengan
Segmentasi

LBPriu2 1,8

0.6250

0.70833

LBPriu2 2,16

0.4444

0.66667

LBPriu2 2,8

0.5694

0.69444

LBPriu2 3,24

0.3888

0.58333

Jenis Operator

Gambar 23 Akurasi rata-rata keempat operator
LBPriu2.
Tabel 2 menunjukkan bahwa LBPriu2(2,8)
memiliki akurasi tertinggi dengan persentase
sebesar 70.83% pada citra segmentasi. Dari
Tabel 2 terlihat bahwa kenaikan akurasi
tertinggi terjadi pada operator LBPriu2 dengan
sampling point 16 dan radius 2. Secara umum,
penggunaan segmentasi pada citra dapat
menaikkan akurasi sebesar 8.33% sampai
22.22% pada operator LBPriu2. Namun secara
komputasi, penggunaan radius 1 dan sampling
point 8 kurang baik walaupun menghasilkan
akurasi tertinggi. Hal ini karena radius 1
memiliki ukuran blok 3x3 yang menyebabkan
waktu eksekusi ekstraksi menjadi lebih lama
dibandingkan radius 2 atau 3 yang memiliki
ukuran blok 5x5 dan 7x7 dengan jumlah
sampling point yang sama. Oleh karena itu,
fokus pembahasan pada sub bab pengenalan
hanya difokuskan pada hasil penggunaan
operator LBPriu2 dengan sampling point 8 dan
radius 2.
Operator LBPriu2 dengan sampling point 8
dan radius 2 atau LBPriu2(2,8) memiliki ukuran
blok pengolahan sebesar 5x5 sehingga
perhitungan ekstraksi akan lebih cepat dan
efektif daripada operator lainnya. Hasil akurasi
pada operator LBPriu2(2.8) untuk citra tanpa
segmentasi terlihat pada Gambar 24.

9

Gambar 26 Citra tanpa segmentasi yang tak
teridentifikasi.
Pada Gambar 26 terlihat bahwa citra yang
tidak dapat teridentifikasi adalah citra dengan
backgound kompleks. Hal menunjukkan bahwa
kerumitan background akan memengaruhi
tahapan pengenalan.
Gambar

24

Akurasi LBPriu2(2,8)
segmentasi.

tanpa

Hasil pengenalan menggunakan operator
LBPriu2(2,8) pada citra tanpa segmentasi
memiliki hasil yang kurang baik. Hal ini terlihat
pada akurasi rata-rata yang hanya mencapai
56,94%. Namun pada akurasi kelas, terdapat
beberapa kelas yang memiliki akurasi sebesar
100% atau dapat teridentifikasi dengan baik.
Kelas-kelas tersebut antara lain kelas 2, 4, 6, 8,
15, 17 dan 18. Contoh citra dari kelas-kelas
tersebut dapat dilihat pada Gambar 25.

Hasil pengenalan pada citra dengan
segmentasi memiliki akurasi rata-rata yang
lebih baik dibandingkan dengan akurasi ratarata citra tanpa segmentasi yaitu 70.83%. Untuk
akurasi kelas, kenaikan juga terjadi pada
sebagian besar kelas seperti terlihat pada
Gambar 27.

Gambar 27 Akurasi LBPriu2(2.8) dengan
segmentasi.
Gambar

25 Citra tanpa segmentasi yang
teridentifikasi 100%.

Pada Gambar 25 terlihat bahwa sebagian
besar citra tanpa segmentasi yang teridentifikasi
dengan baik adalah citra dengan background
yang sederhana walaupun terdapat 2 citra
dengan background yang kompleks. Selain
terdapat citra yang dapat diidentifikasi dengan
baik, terdapat kelas yang tidak dapat
diidentifikasi atau memiliki akurasi kelas
sebesar 0%. Kelas-kelas tersebut antara lain 9,
14 dan 24. Contoh dari citra tersebut dapat
dilihat pada Gambar 26.

Pada Gambar 27 terlihat beberapa kelas
yang dapat diidentifikasi dengan baik. Kelaskelas tersebut antara lain kelas 1, 2, 3, 5, 6, 9,
10, 13, 16 dan 17. Contoh citra dari kelas-kelas
tersebut dapat dilihat pada Gambar 28.

Gambar 28 Contoh citra dengan akurasi 100%
menggunakan segmentasi.
Pada hasil akurasi kelas untuk
citra
segmentasi terdapat kelas yang mengalami

10

kenaikan akurasi sebesar 100%. Kelas tersebut
adalah kelas yang tidak dapat diidentifikasi
tanpa segmentasi yaitu kelas 9. Kelas 9
merupakan citra dengan latar belakang
kompleks
dengan
berbagai
macam
penyusunnya. Setelah segmentasi, kelas ini
dapat teridentifikasi dengan baik dan memiliki
akurasi 100%.
Hasil akurasi setiap kelas pada Gambar 27
menunjukkan penurunan akurasi beberapa
kelas. Kelas-kelas tersebut antara lain kelas 15,
18,21, 22 dan 23. Contoh citra tanpa segmentasi
yang mengalami penurunan akurasi dapat
dilihat pada Gambar 29.

Gambar

29 Contoh citra tanpa segmentasi
dengan penurunan akurasi.

Citra yang mengalami penurunan akurasi
adalah citra dengan intensitas yang hampir
seragam pada semua penyusunnya. Hal ini
mengakibatkan konstruksi link akan memiliki
nilai yang hampir sama untuk semua link.
Konstruksi tersebut akan mengakibatkan
terjadinya cut pada tempat yang tidak
semestinya. Hal ini akan mengakibatkan hasil
segmentasi dan hasil pengenalan kurang baik.
Contoh hasil segmentasi pada beberapa kelas
tersebut terlihat pada Gambar 30.

Saran
Pada hasil segmentasi yang kurang baik,
dapat dilakukan perbaikan pada sistem
segmentasi dengan menambahkan wilayah
terminal source dan sink secara dinamis.
DAFTAR PUSTAKA
Annisa. 2009. Ekstraksi ciri morfologi dan
tekstur untuk temu kembali citra helai daun
[skripsi]. Bogor: Departemen Ilmu Komputer,
Institut Pertanian Bogor.
Boykov Y, Jolly M-P. 2001. Interactive
graph cut for optimal boundary & region
segmentation of object in N-D image.
International Conference on Computer vision
1:377-384.
Boykov Y, Kolmogorov V. 2004. An
experimental comparison of min-cut/max-flow
algorithms for energy minimization in vision.
Pattern Analysis and Machine Intelligence.
IEEE Transactions 26:1124–1137.
Boykov Y, Kolmogorov V. 2001. An
experimental comparison of min-cut/max-flow
algorithms for energy minimization in vision.
International
Workshop
on
Energy
Minimization Method in Computer Vision and
Pattern
Recognition.
Springer-Verlag
2134:359-374.
Chartrand G, Oellermann OR. 1993.
Applied Algorithmic Graph Theory. New York:
McGraw-Hill, Inc.
Han J, Ma KK. 2002. Fuzzy Color
Histogram and Its Use in Color Image
Retrieval. IEEE Transaction on Image
Processing, vol. 11, no. 8, 2002.

Gambar 30 Contoh citra segmentasi dengan
penurunan akurasi.
KESIMPULAN DAN SARAN
Kesimpulan
Penelitian ini menerapkan metode Boykov
and Kolmogorov max flow/ min cut graph untuk
melakukan segmentasi pada citra tanaman hias.
Metode ini dapat digunakan dengan baik pada
citra yang memiliki perbedaan intensitas yang
besar antara objek utama dan background.
Pada penelitian ini hasil evaluasi terbaik
ditunjukkan operator LBPriu2(2.8) dengan
akurasi sebesar 69.44%. Pada operator ini
akurasi meningkat sebesar 12.5% dari akurasi
citra tanpa segmentasi.

Kebapci H, Yanikoglu B, Unal Gozde.
Plant Image Retrieval Using Color and Texture
Feature. Sabanci University, Faculty of
Engineering and Natural Science, 2008.
Kulsum, Lies Umi. 2010. Identifikasi
tanaman hias secara automatis menggunakan
metode Local Binary Descriptor dan
Probabilistic Neural Network [skripsi]. Bogor:
Departemen Ilmu Komputer, Institut Pertanian
Bogor.
Mc Andrew. 2004. Digital Image
Processing with Matlab. Australia : Victoria
University.
Ramadhani. 2009. Ekstraksi Fitur Bentuk
dan Venasi Citra Daun dengan
Pemodelan
Fourier dan B-Spline [skripsi]. Bogor:
Departemen Ilmu Komputer, Institut Pertanian
Bogor.

11

LAMPIRAN

Lampiran 1 Hasil segmentasi 30 kelas citra.
No

Citra Asli

Citra hasil segmentasi
berwarna

Citra hasil segmentasi
grayscale

1.

2.

3.

4.

5.

6.

7.

8.

13

Lampitan 1 Lanjutan
9.

10.

11.

12.

13.

14.

15.

16.

17.

14

Lampiran 1 Lanjutan
18.

19.

20.

21.

22.

23.

24.

25.

26.

15

Lampiran 1 Lanjutan
27.

28.

29.

30.

31.

32.

33.

34.

35.

16

Lampiran 1 Lanjutan
36.

37.

38.

39.

40.

41.

42.

43.

44.

17

Lampiran 1 Lanjutan
45.

46.

47.

48.

49.

50.

51.

52.

53.

18

Lampiran 1 Lanjutan
54.

55.

56.

57.

58.

59

60.

61.

62.

19

Lampiran 1 Lanjutan
63.

64.

65.

66.

67.

68.

69.

70.

71.

20

Lampiran 1 Lanjutan
72.

73.

74.

75.

76.

77.

78.

79.

80.

21

Lampiran 1 Lanjutan
81.

82.

83.

84.

85.

86.

87.

88.

89.

22

Lampiran 2 Model sistem segmentasi.
1.

Model awal sistem sebelum menerima masukan

2.

Model setelah sistem menerima inputan dan menampilkan hasil segmentasi.

23

ABSTRACT
WISNU WIBOWO, RAHMADI. House Plant Segmentation Using Boykov and Kolmogorov Max
Flow/Min Cut Graph. Under the supervision of YENI HERDIYENI.
Segmentation is an important step to improve pattern recognition. But until recently, few studies
have been done yet to segment the image with complex background. This research is trying to
segment the image that has a complex background. This study used Boykov and Kolmogorov max
flow/min cut graph for segmentation. This method uses all the pixels to form a directed graph with
two terminals. Database of 300 house plant images belong to 30 different types of house plant in
Indonesia. In testing, 240 images are used and then extracted using Rotation Invariant Uniform
) and performed recognition using probabilistic neural network (PNN). Results
Patterns (
showed that accuracy increased between 8.33% to 22.22% after the segmentation.
Keywords: segmentation, background, max flow/min cut graph, local binary pattern, probabilistic
neural network.

PENDAHULUAN
Latar Belakang
Pada sistem pengenalan pola, segmentasi
citra merupakan tahapan penting untuk
memperbaiki pengenalan pola. Namun sampai
saat ini belum ada metode segmentasi yang
optimal untuk citra dengan latar belakang yang
kompleks. Citra tanaman hias umumnya
memiliki latar belakang yang kompleks. Oleh
karena itu, diperlukan teknik segmentasi yang
lebih baik untuk mengidentifikasi tanaman hias.
Beberapa penelitian sudah dilakukan untuk
segmentasi citra tanaman hias. Metode Hough
Transform dan Fourier Descriptor (Ramadhani
2009) serta penggunaan metode co-occurrence
matrix untuk ekstraksi fitur citra (Annisa 2009)
adalah beberapa penelitian yang pernah
dilakukan. Selain itu, identifikasi menggunakan
metode Boykov and Kolmogorov max flow/min
cut graph untuk segmentasi dan ekstraksi fitur
menggunakan Gabor Wavelet juga pernah
dilakukan
sebelumnya.
Penelitian
ini
menunjukkan bahwa untuk 60% kueri, citra
hasil temu kembali yang benar terdapat di 10
urutan pertama (Kebabci et al 2001).
Penelitian ini melakukan segmentasi citra
menggunakan metode Boykov and Kolmogorov
max flow/ min cut graph untuk mengidentifikasi
tanaman hias. Penelitian ini menggunakan
jumlah dan jenis citra tanaman hias yang lebih
banyak dibandingkan dengan penelitian
Kebabci et al (2001).
Tujuan
Tujuan dari penelitian ini adalah untuk
mengaplikasikan
metode
Boykov
and
Kolmogorov max flow min-cut graph untuk
segmentasi citra tanaman hias secara automatis
serta pengenalan tanaman hias.
Ruang Lingkup

wilayah citra yaitu wilayah objek utama dan
background atau latar. Secara umum,
segmentasi yang baik akan menjadikan peluang
keberhasilan proses pengenalan citra lebih besar
(Gonzalez 2002).
Segmentasi dilakukan untuk memisahkan
objek daun atau bunga dengan latar belakang
citra. Proses ini untuk memisahkan objek
penyusun citra tanaman hias seperti pot, lantai,
dan rerumputan.
Graf dan Network
Teori graf pertama kali muncul pada tahun
1736 sebagai solusi Euler dalam memecahkan
“Masalah Jembatan Konighberg”. Secara
struktur, graf merupakan kumpulan dari node
dan edge yang saling berhubungan seperti
terlihat pada Gambar 1.

Gambar 1 Graf.
Graf dapat diaplikasikan dalam berbagai
masalah,
seperti
masalah
pencocokan,
penjadwalan, networking dan lain sebagainya.
Dalam penelitian ini jenis graf yang digunakan
adalah network. Network memiliki beberapa
spesifikasi seperti edge yang berarah, edge yang
memiliki kapasitas dan adanya suatu terminal
atau titik awal dan titik akhir seperti terlihat
pada Gambar 2. Salah satu metode atau cara
untuk memecahkan masalah dalam aplikasi
network adalah max flow / min cut graph
(Chartrand & Oellermann 1993).

Ruang lingkup penelitian adalah melakukan
segmentasi citra untuk tanaman hias dengan
ekstraksi ciri menggunakan Rotation Invariant
Uniform Patterns (LBPriu2) (Kulsum 2010)
dan klasifikasi Probabilistic Neural Network
(PNN) (Nurafifah 2010).
TINJAUAN PUSTAKA
Segmentasi Citra
Segmentasi merupakan langkah awal dari
ekstraksi fitur pada suatu citra. Prosedur
segmentasi membagi citra menjadi beberapa
bagian pokok penyusun citra. Dalam penelitian
ini segmentasi hanya akan membedakan dua

Gambar 2 Contoh network.
Max flow / min cut graph
Max flow/min cut graf merupakan salah
satu cara untuk memecahkan masalah yang

1

PENDAHULUAN
Latar Belakang
Pada sistem pengenalan pola, segmentasi
citra merupakan tahapan penting untuk
memperbaiki pengenalan pola. Namun sampai
saat ini belum ada metode segmentasi yang
optimal untuk citra dengan latar belakang yang
kompleks. Citra tanaman hias umumnya
memiliki latar belakang yang kompleks. Oleh
karena itu, diperlukan teknik segmentasi yang
lebih baik untuk mengidentifikasi tanaman hias.
Beberapa penelitian sudah dilakukan untuk
segmentasi citra tanaman hias. Metode Hough
Transform dan Fourier Descriptor (Ramadhani
2009) serta penggunaan metode co-occurrence
matrix untuk ekstraksi fitur citra (Annisa 2009)
adalah beberapa penelitian yang pernah
dilakukan. Selain itu, identifikasi menggunakan
metode Boykov and Kolmogorov max flow/min
cut graph untuk segmentasi dan ekstraksi fitur
menggunakan Gabor Wavelet juga pernah
dilakukan
sebelumnya.
Penelitian
ini
menunjukkan bahwa untuk 60% kueri, citra
hasil temu kembali yang benar terdapat di 10
urutan pertama (Kebabci et al 2001).
Penelitian ini melakukan segmentasi citra
menggunakan metode Boykov and Kolmogorov
max flow/ min cut graph untuk mengidentifikasi
tanaman hias. Penelitian ini menggunakan
jumlah dan jenis citra tanaman hias yang lebih
banyak dibandingkan dengan penelitian
Kebabci et al (2001).
Tujuan
Tujuan dari penelitian ini adalah untuk
mengaplikasikan
metode
Boykov
and
Kolmogorov max flow min-cut graph untuk
segmentasi citra tanaman hias secara automatis
serta pengenalan tanaman hias.
Ruang Lingkup

wilayah citra yaitu wilayah objek utama dan
background atau latar. Secara umum,
segmentasi yang baik akan menjadikan peluang
keberhasilan proses pengenalan