ANALYSIS PERFORMANCE FITUR BENTUK, WARNA DAN TEKSTUR CITRA PADA PENELUSURAN INFORMASI ASET BERBASIS CBIR Jumi¹
ANALYSIS PERFORMANCE FITUR BENTUK, WARNA DAN TEKSTUR
CITRA PADA PENELUSURAN INFORMASI ASET BERBASIS CBIR
) 1)
Jumi¹ , Achmad Zaenuddin
1 Jurusan Administrasi Bisnis, Politeknik Negeri Semarang
1
2
jumimail06@gmail.com , zaeyenne@yahoo.co.id
Abstract
The image has the features of shape, color and texture that are vary. Each feature has a
different performance in supporting the accuracy of information retrieval using a process
approach to CBIR (Content-Based Image Retrieval). On the image with different objects
different erformance will be generated on each feature. For example that the performance
features of the form of the more dominant compared features color and texture on the image
with the asset, while the object on the image with the object of interest feature is more
dominant than the features of texture and shape.In this research was conducted on the
analysis of the performance features of the shape, color and texture in supporting the
accuracy of a search using the approach of CBIR (Content Based Image Retrieval). The
method used are invariant moment, color moment and GLCM ( Grey Level Co-occurrence
Matrix). The results showed that the best search accuracy is 95%, where the features of
shape has a performance by 50%, 30% color feature and texture feature by 20% with 600
test image with object database assets Keywords : Performance, Feature, Retrieval, Moment, GLCM
Abstrak
Setiap citra memiliki fitur bentuk, warna dan tekstur yang berbeda-beda. Masing-masing
fitur memiliki performance yang berbeda dalam mendukung keakurasian proses
penelusuran informasi menggunakan pendekatan Content Based Image Retrieval (CBIR).
Pada citra dengan objek yang berbeda akan berbeda pula performance yang dihasilkan
pada masing-masing fitur. Sebagai contoh bahwa performance fitur bentuk lebih dominan
dibandingan fitur warna dan tekstur pada citra dengan objek aset, sedangkan pada citra
dengan objek bunga fitur warna lebih dominan dibandingkan fitur tekstur dan bentuk.Pada
penelitian ini dilakukan analisis performance fitur bentuk, warna dan tekstur dalam
mendukung akurasi penelusuran menggunakan pendekatan Content Based Image Retrieval
(CBIR). Metode ekstraksiyang digunakan adalah invariant moment, color moment dan
GLCM atau Grey Level Co-occurrence Matrix .Hasil penelitian menunjukkan bahwa
akurasi penelusuran terbaik adalah 95%, dimana fitur bentuk memiliki performance
sebesar 50%, fitur warna sebesar 30% dan fitur tekstur sebesar 20% dengan 600 database
citra uji dengan objek aset.Kata kunci : Performance, Fitur, Retrieval, Moment, GLCM PENDAHULUAN
Citra adalah data yang menggambarkan wujud fisik sebuah objek. Citra melalui
content fiturnya memiliki keunikan atau ciri yang dapat membedakan antara objek yang
satu dengan objek yang lainnya. Hal ini memungkinkan citra menjadi kunci alternatif pada penelusuran informasi selain menggunakan key field teks. Model penelusuran menggunakan citra sebagai key field dapat dilakukan melalui pendekatan CBIR (Content
Based Image Retrieval ) dengan menggunakan fitur-fitur yang dimiliki oleh masing-
masing citra.Dalam perkembangan penelitian tentang retrieval image berbasis content atau disebut dengan Content Based Image Retrieval (CBIR) telah dilakukan beberapa metode berdasarkan fitur citra. Penelitian tentang CBIR menggunakan fitur tekstur
retrieval
sebagai metode analisis similarity atau kemiripan sebagai dasar untuk melakukan
retrieval telah dilakukan oleh Sani (2007) dengan menghasilkan nilai presisi similarity
sebesar 54%. Adapun penggunaan metode kombinasi fitur warna dan bentuk telah dilakukan oleh Vijay (2008) yang diterapkan pada database medical. Penelitian CBIR dengan mengkombinasikan lebih dari dua fitur citra juga dilakukan oleh Herry (2009) yaitu menggunakan fitur bentuk, warna, tekstur dan tepian dengan nilai akurasi retrieval lebih dari 75%, sedangkan akurasi retrieval menggunakan tiga fitur pada objek aset menghasilkan akurasi sebesar 85% dilakukan oleh Jumi dan Harjoko (2012).
Beberapa penelitian CBIR dengan menggunakan kombinasi 3 fitur adalah Hiremath dan Jagadesh (2015) menghasilkan nilai presisi lebih dari 60%, Sumana dan Remesh (2015) nilai recall hasil pengujian menggunakan data Wang adalah lebih dari 85%, Linggadalli dan Ramesh (2015) dengan hasil nilai presisi dan recall lebih dari 90%. Dari beberapa penelitian diatas dapat disimpulkan bahwa kombinasi dari beberapa fitur citra akan menghasilkan tingkat akurasi kemiripan yang lebih tinggi dibandingkan tanpa melakukan kombinasi. Dengan demikian masing-masing fitur memiliki performance yang berbeda-beda dalam dukungannya terhadap peningkatan akurasi penelusuran dengan pendekaran CBIR. Kompleksnya metode ekstraksi yang digunakan juga berpengaruh terhadap akurasi retrieval dengan pendekatan CBIR.
Pada penelitian ini dilakukan analysis performance masing-masing fitur yaitu fitur bentuk, warna dan tekstur terhadap dukungannya dalam peningkatan akurasi retrieval. Setiap fitur memiliki persentase dukungan yang berbeda-beda pada penelusuran informasi berbasis CBIR. Pada citra objek yang berbeda akan berbeda pula persentase dari masing-masing fitur yang dihasilkan.
performance
METODE YANG DIUSULKAN
Beberapa penelitian yang sudah dilakukan belum dilakukan analisis performance fitur bentuk, warna dan teksturdalam dukungannya terhadap peningkatan akurasi penelusuran citra berbasis CBIR.Pada penelitian ini telah dilakukan retrieval imagemenggunakan ketiga fitur dengan tahapan penelitian yang ditunjukkan oleh Gambar 1.
Pre Ekstraksi Input Processing(Gray Fitur tekstur, database scale, resize, edge Images warna dan image
Aquisition Enhancement, bentuk representation Hist. Equalization) RETRIEVAL Pre Processing Ekstraksi
IMAGE Image (Grayscale, resize, Fitur tekstur, ( MATCHING Query edge Enhancement, warna dan SIMILARITY ) Hist.Equalization) bentuk
Informasi Citrayang dicari
Gambar1. Gambaran Umum Tahapan Retrieval Citra Dengan Pendekatan CBIR Menggunakan
Fitur Tekstur, Warna dan BentukRincian tahapan penelitian ini adalah sebagai berikut :
1 Preprocessing
Preprocessing adalah perbaikan kualitas citra sebelum ekstraksi fitur dengan tujuan meningkatkan performance fitur citra dalam mendukung akurasi retrieval. Terdapat perbedaan preprocessingpada ekstraksi fitur bentuk dengan ekstraksi fitur warna dan tekstur. Perbedaan preprocessing tersebut untuk mendapatkan citra yang berkualitas sebelum ekstraksi fitur.
a. Preprocessing Fitur Tekstur dan Fitur warna sebagai berikut: 1.
Resize adalah tahapan mengubah ukuran citra menjadi 200 x 200 pixel.
2. Grayscale merupakan tahapan mengubah citra warna menjadi citra grayslace yang dilakukan untuk ektraksi fitur tekstur, sedangkan pada ekstraksi fitur warna tidak dilakukan grayscale karena nilai warna yang akan diperhitungkan.
3. Histogram Equalization adalah tahap perataan histogram agar kualitas gambar menjadi lebih kontras untuk mendapatkan nilai fitur warna dan tekstur yang berkualitas. Hasil perataan histogram dapat dilihat pada Gambar 2. q n c u e e y 0.016 0.018 0.012 0.014 0.02 0.01 histogram eq ue nc y 0.018 0.016 0.014 0.012 0.01 0.02 perataan histogram
Fr 0.008 0.002 0.004 0.006 50 100 150 200 250 Data value Fr 0.002 0.004 0.006 0.008 50 100 150 200 250 Data Value
(a) (b)
Gambar 2.Perbandingan citra sebelum dan sesudah proses histogram, (a) Citra Asli, (b) Citra Hasil Histogram Equalization (HE) b. Preprocessing Fitur Bentuk Pada tahapan preprocessing dalam ekstraksi fitur bentuk dilakukan antara lain: 1.
Resizing pada penelitian ini adalah dilakukan resize citra menjadi 200 x 200 pixel.
2. Grayscale yaitu Citra warna diubah menjadi grayscale.
3. Edge Enhancement dan Histogram Equalization (HE) adalah tahapan perbaikan kualitas citra . Tahapan ini menggunakan metode konvolusi dengan operatorSobel
(Gonzales & Woods, 2008). Hasil penajaman tepi dapat dilihat pada Gambar 3.
(a) (b) (c) (d)
Gambar 3. Tahapan Preprocessing Fitur Bentuk, (a) Citra Grayscale, (b) Resize, (c) Citra Hasil
Edge Enhancement2. Ekstraksi Fitur Tekstur
Tekstur merupakan keteraturan pola-pola tertentu yang terbentuk dari susunan piksel-piksel pada suatu citra. Nilai tekstur dapat digunakan sebagai salah satu variabel untuk pengukuran kemiripan citra. Terdapat tiga algoritma untuk pengolahan tekstur pada citra (Gonzales dan Woods, 2008) yaitu structural, spectral dan statistical. Statistik orde pertama dan kedua yang biasa disebut dengan Gray Level Co-Occurrence
Matrix (GLCM) adalah salah satu metode ekstraksi fitur yang sering
digunakan.Ekstraksi fitur orde pertama merupakan metode pengambilan fitur yang didasarkan pada karakteristik histogram citra.Hsitogram menunjukkan menunjukkan probabilitas kemunculan nilai keabuan suatu piksel pada sebuah citra. Dari nilai histogram yang dihasilkan kemudian dihitung beberapa dimensi fitur orde pertama yaitumean, skewness, variance, kurtosisdan entrophy.
Pada beberapa kasus tertentu penggunaan orde pertama tidak dapat digunakan untuk membedakan antara objek satu dengan objek lainnya, sehingga diperlukan penggunaan GLCM pada ekstraksi fitur citra. Haralick dkk (1973) telah mengusulkan GLCM melalui ekstraksi menggunakan matriks kookurensi yaitu suatu matriks antara yang merepresentasikan hubungan ketetanggaan antar piksel dalam citra pada berbagai arah orientasi dan jarak spasial seperti pada Gambar 4.
135
90
45 Gambar 4. Hubungan ketetanggaan antar piksel Salah satu teknik yang dapat digunakan untuk mendapatkan fitur statistik orde kedua adalah dengan cara menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu (Gonzales dan Woods, 2008). Hubungan ketetanggan piksel yang digunakan pada penelitian ini adalah menggunakan orientasi sudut dalam empat arah yaitu 0 , 45 , 90 , 135 .Sedangkan matriks kookurensi merupakan matriks bujursangkar dengan jumlah elemen sebanyak kuadrat jumlah level intensitas piksel pada citra.
Setelah memperoleh matriks kookurensi tersebut, maka dapat dihitung fitur statistik orde kedua yang merepresentasikan citra (Haralick dkk, 1973) mengusulkan berbegai fitur tekstur yang dapat diekstraksi dari matrik kookurensi.Fitur statistik orde kedua yang dihitung pada penelitian ini adalah energy, homogeneity, contrast dan correlation. Dimensi energy dihitung menggunakan rumus
(1) ( | ) ( | ) ∑ ∑ ( | )
(2) ∑ ∑ ( ) Energy untuk mengukur konsentrasi pasangan intensitas pada matriks GLCM
(3) ( ) ∑ ∑ | |
Sedangkan homogeneity menunjukkan kehomogenan variasi intensitas citra. Adapun Contrast dihitung menggunakan rumus
(4) ∑ ( )| | Contrast menunjukkan ukuran penyebaran elemen-elemen matriks. Jika letaknya jauh dari
diagonal utama maka nilai kekontrasan akan besar. Selanjutnya Correlation dihitung
menggunakan rumus(5) ( )( ) ( )
- – Correlation menunjukan ukuran ketergantungan linear derajat keabuan dari piksel piksel yang saling bertetangga dalam sebuah citra abu-abu.
Adapun tahapan penelusuran citra berdasarkan fitur tekstur adalah : 1.
Baca citra query 2. Konversi citra RGB menjadi Grayscale
3. , 45 , 90 , 135 Hitung 4 arah GLCM matriks pada 0
4. Hitung pada masing-masing arah untuk nilai energy, homogeneity, contrastdan correlation.
5. Lakukan matching similarity antara citra query dengan citra pada database 6.
Pilih nilai jarak minimum sebagai citra yang paling mirip 3. Ekstraksi Fitur Bentuk.
Ekstraksi fitur bentuk dilakukan dengan menggunakan metode invariant moment. Metode ini digunakan karena tidak rentan terhadap perubahan citra yang disebabkan oleh Rotation, Scale dan Translation (RST)(Acharya T, Ray, A. K, 2005). Invariant
Moment akan menghasilkan tujuh nilai invariant yang konstan terhadap RST
(Castleman, K. R., 1996). Pada invariant moment juga dapat dilakukan analisis bentuk himpunan moment suatu fungsi f(x,y) dari dua variabel yang menghasilkan tujuh nilai moment (Gonzales, R. C., Woods, R. E., 2008).
Nilai dari ketujuh moments tersebut tidak berubah terhadap rotasi, translasi dan skala (Gonzales, R. C., Woods, R. E., 2008). Adapun tahapan ekstraksi fitur bentuk adalah sebagai berikut:
1. Baca citra 2.
Konversi citra menjadi Gray Scale 3. Hitung tujuh nilai invariant moment 4. Hitung nilai jarak melalui tujuh nilai fitur bentuk antara citra query dengan citra database
5. Nilai jarak citra yang paling mirip adalah citra yang dicari
4. Ekstraksi Fitur Warna Preprocessing dengan histogram equalization pada Gambar 2 menghasilkan citra
yang lebih kontras. Citra tersebut adalah citra input pada ekstraksi fitur warna dengan menggunakan warna HSV. Hal ini dikarenakan warna HSV dapat memilah warna citra seperti penglihatan manusia sehingga dapat mengenali citra dengan baik (Gonzales dan Woods, 2008). HSV merupakan salah satu cara untuk mendefinisikan warna didasarkan pada roda warna. Hue untuk mengukur sudut sekitar roda warna ( 0 derajat pada warna merah, 120 derajat pada warna hijau dan 240 derajat pada warna biru). Saturation menunjukkan radius roda warna sehingga proporsi antara warna gelap menuju warna terang atau putih murni atau menyatakan tingkat kemurnian warna yaitu mengindikasikan seberapa banyak warna putih yang diberikan pada warna. Value atribut yang menyatakan banyaknya cahaya yang diterima oleh mata tanpa mempedulikan warna atau menyatakan tingkat kecerahan warna atau brightness.
Model HSV merupakan turunan dari RGB sehingga diperlukan konversi dari RGB ke HSV. RGB atau Red, Green dan Blue adalah warna
- – warna yang dibentuk oleh model warna yang merupakan campuran dari warna-warna primer merah hijau dan biru dengan komposisi tertentu. Tahapan penelusurancitra berdasarkan fitur warna adalah sebagai berikut: 1.
Baca citra
2. Konversi citra warna RGB menjadi HSV 3.
Quantize masing-masing piksel dalam 256 histogram bins 4. Lakukan normalisasi histogram dengan membagi jumlah piksel 5. Simpan 256 nilai fitur warna dalam vektor database 6. Hitung kemiripan citra menggunakan ueclidean distance 7. Citra yang memiliki jarak kemiripan terkecil adalah citra yang dicari.
5. Pengukuran Kemiripan
Pengukuran kemiripan digunakan Euclidean distance, dimana pada citra yang memiliki jarak kemiripan yang mendekati nol dapat dikategorikan yang paling mirip. Penghitungan nilai jarak kemiripan menggunakan rumus
(6) ( ) √∑( )
Dimana ; ( ) = Jarak citra query (Q) dengan citra pada database (M) = Nilai fitur ke-n pada citra Q (query)
= Nilai fitur ke-n pada citradatabase ke M n = Banyaknya dimensi
Hasil penghitungan kemiripan diurutkan sehingga nilai kemiripan yang mendekati nol mempunyai tingkat kemiripan yang paling tinggi.
6. Pengukuran Performance Masing-masing Fitur Dalam Mendukung Akurasi
RetrievalPenelusuran data citra dilakukan dengan menggunakan metode CBIR (Content
Based Image Retrieval) dengan menggunakan tiga fitur citra untuk matching kemiripan
citra yang akan menjadi kunci penelusuran data citra. Masing-masing fitur memiliki
performance yang berbeda-beda dalam mendukung peningkatan hasil retrieval atau
penelusuran.Pada penelitian ini digunakan metode K-Fold CrossValidationdan
confusion matrix untuk mengukur performance fitur dalam mendukung akurasi retrieval.
Pembagian data data training dan data uji untuk pengujian akurasi, presisi dan
recall dilakukan bervariasi mulai dari K=3 sampai dengan k=10 .Seperti contoh jika
K=3, maka bagian pertama dimulai dari data ke-1 sampai dengan data ke-180 sebagai data training, bagian kedua dimulai dari data ke-181 sampai dengan data ke-360 sebagai data validasi dan bagian ketiga dimulai dari data ke-361 sampai dengan data ke-480 . sebagai data training serta data ke-481 sampai dengan ke-600 merupakan data uji
HASIL DAN PEMBAHASAN
Pengujian pada penelitian ini mengunakan 5 jenis citra aset dengan jumlah citra sebanyak600 berukuran 300 x 300 pixel.
Hasil Retrieval
Pengujian retrieval dilakukan dengan variasi jumlah kluster dan variasi persentase bobot fitur. Hasil pengujian dengan variasi pembobotan 50% untuk bobot fitur bentuk, 30% bobot fitur warna dan 20% bobot fitur tekstur dengan variasi 5 kluster dengan jumlah citra tertampil 24 ditunjukkan pada Gambar 5.
Gambar 5. Retrieval Menggunakan Persentase Fitur
Pada Gambar 5. ditampilkan hasil retrieval dengan rangking kemiripan 1 sampai 24 dari database citra aset. Pengujian dengan variasi pembobotan dan variasi jumlah kluster akan menghasilkan output retrieval yang berbeda pada data yang sama.
Pembahasan
Pada tahap ini dilakukan analisis akurasi retrieval citra aset berdasarkan performance fitur bentuk, warna dan tekstur menggunakan database citra aset sebelum dan sesudah klustering. Pada Tabel 1 ditampilkan persentase akurasi retrieval menggunakan bobot fitur yang berbeda pada database citra sebelum klustering.
a.
Sebelum Clustering Hasil analisis akurasi retrieval pada database citra aset sebelum klustering dengan variasi pembobotan pada fitur bentuk, warna dan teksturdapat dilihat pada Tabel 1.
Tabel 1
Prosentase Akurasi retrieval dengan variasi skema pembobotan fitur sebelum klustering
Nama Citra Bobot Fitur sama W1 W2 W3 W4
Kursi75.23% 78.99% 87.52% 83.69% 68.03%
Meja 74.13% 77.65% 85.52% 83.69% 67.33%
Mobil 75.20% 78.99% 87.52% 83.69% 68.03%
Photocopy 75.15% 78.99% 85.52% 82.00% 67.33%
Almari 74.13% 76.40% 87.52% 83.69% 68.03% Tabel 1 menunjukkan bahwa akurasi retrieval dengan skema W2 menghasilkan akurasi paling tinggi yaitu lebih dari 85% dan variasi bobot W4 menghasilkan akurasi paling rendah yaitu kurang dari 69%. Adapun skema W2 adalah pembobotan fitur dimana 50% fitur bentuk, 30% fitur warna dan 20% fitur tekstur. Dari Tabel 1 dapat dilihat bahwa performance fitur tekstur lebih dominan pada retrieval citra aset.Grafik akurasi retrieval dengan bobot fitur sama dan bobot fitur bervariasi sebelum klustering ditunjukkan oleh Gambar 6.
Akurasi Retrieval Sebelum Klustering 100.00% 80.00%
Kursi 60.00% Meja 40.00% Mobil 20.00% Photocopy 0.00% Almari Bobot W1 W2 W3 W4
Fitur sama
Gambar 6. Grafik Akurasi Retrieval dengan Bobot Fitur Sama dan Bervariasi Sebelum
Klustering pada Database Citra AsetPada Gambar 5.16, menunjukkan bahwa variasi bobot W2 menghasilkan akurasi retrieval yang paling tinggi dibandingkan variasi bobot lainnya.
b.
Sesudah Clustering
Tahapan klustering dan variasi skema pembobotan berpengaruh terhadap kecepatan proses retrieval dan tingkat akurasi retrieval. Persentase akurasi retrieval dengan perbedaan skema bobot fitur dan jumlah kluster dapat dilihat pada Tabel 2.
Tabel 2 Prosentase akurasi retrieval dengan bobot fitur sama dan variasi skema pembobotan fitur serta jumlah kluster yang bervariasi pada database citra
Jumlah Bobot Sama W1 W2 W3 W4
Kluster3 72,13% 75,59% 92,67% 82,38% 63,33%
5 75,23% 77,45% 95,60% 86,36% 65,40%7 76,40% 77,75% 95,60% 86,38% 65,67%
9 76,40% 77,45% 95,67% 86,87% 65,66%
10 76,40% 77,65% 95,67% 86,67% 65,69%
15 74,13% 75,15% 93,55% 84% 64,23%
20 73,10% 74,25% 93% 835,33% 64,67%
Dari Tabel 2 menunjukkan bahwa variasi skema pembobotan W2 dengan bobot 50% fitur bentuk, 30% fitur warna dan 20% fitur tekstur serta variasi jumlah kluster antara 5 sampai dengan 10 kluster menghasilkan rata-rata akurasi retrieval lebih dari 95% lebih tinggi dibandingkan kluster yang lainnya. Sedangkan variasi pembobotan W4 dengan 30% bobot fitur bentuk, 50% bobot fitur warna dan 20% bobot fitur tekstur dengan variasi jumlah kluster 3 menghasilkan akurasi paling rendah yaitu kurang dari 64%.
Grafik akurasi retrieval pada database citra aset menggunakan bobot fitur sama dan bervariasi yaitu W1, W2, W3 serta W4 dengan variasi jumlah kluster mulai dari 3 sampai dengan 20 dapat dilihat pada Gambar 6.
120.00%
Grafik Akurasi Retrieval Berdasarkan
Kluster
100.00% rasi
80.00% Bobot Sama Aku
W1 60.00% tase
W2 40.00% sen o
W3 Pr 20.00%
W4 0.00% 3 4 5 6 7 8 9 10 15 20
Jumlah Kluster
Gambar 6 Grafik Akurasi Retrieval dengan Variasi Bobot Fitur dan Variasi Jumlah
KlusterPada Gambar 6., menunjukkan bahwa akurasi retrieval cenderung naik hingga variasi jumlah kluster mulai dari 5 sampai dengan 10 dan cenderung menurun pada jumlah kluster lebih besar dari 10. Pengujian ini dilakukan pada 600 data citra aset dengan 480 citra training dan 120 citra uji. Citra uji diambil secara acak dengan 24 data tertampil.
c. Pengujian Performance Fitur
Untuk mengetahui performa fitur citra dalam menunjang keakuratan sistem dilakukan pengujian. Metode pengujian yang digunakan pada penelitian ini adalah K- fold Cross Validation. Pada pengujian ini menggunakan 3 nilai fitur yang memiliki 7 dimensi untuk fitur bentuk, 9 dimensi untuk fitur warna dan 16 dimensi untuk fitur tekstur. Total data yang digunakan pada penujian ini adalah 600 data citra yaitu 120 citra kursi (KU), 120 citra mesin photocopy (PH), 120 citra mobil (MB), 120 citra almari (AL) dan 120 citra meja (MJ).
Pengujian performa fitur citra menggunakan K-fold dengan nilai 2, 3, 6 dan 9 dengan klasifikasi SMO. Variasi nilai K-fold untuk mengetahui besaran nilai K-fold yang menghasilkan persentase akurasi, presisi dan recall mencapai level paling tinggi. Tabel perbandingan nilai akurasi, presisi dan recall dapat dilihat pada Tabel 3 dan nilai confusion matrix pada K-fold dengan nilai k=3 ditunjukkan oleh Tabel 4.
Tabel 3 Nilai akurasi, presisi dan recall fitur citra
K-Fold Akurasi Presisi (%) Recall (%) (%) KU 100 KU 100 PH
97.2 PH
85.1
2
94.99 MB 100 MB 100 AL
99.2 AL
99.6 MJ 100 MJ
95.0 KU 100 KU 100 PH
98.1 PH
85.1
3
95.62 MB 100 MB 100 AL
96.8 AL 100 MJ
88.8 MJ
97.5 KU 100 KU 100 PH
98.1 PH
85.1
6
95.62 MB 100 MB 100 AL
96.8 AL 100 MJ
88.8 MJ
97.5 KU 100 KU 100 PH
98.1 PH
85.1
9
95.62 MB 100 MB 100 AL
96.8 AL 100 MJ
88.8 MJ
97.5 Tabel 4 Confusion matrix fitur citra aset pada K-Fold = 3
Prediksi Aktua
l KU PH MB AL MJ Total
KU 119119 PH 15 103 3 121 MB 119
1 120
AL 120 120
MJ2 1 117 120
Total 134 105 119 124 118 600
Dari Tabel 4 tersebut menunjukkan bahwa mulai pada K-fold dengan nilai 3, 6 dan 9 mempunyai nilai akurasi yang tinggi yaitu lebih dari 95% dibandingkan dengan
K-fold sebesar 2. Pada K-fold dengan nilai 3 memperoleh nilai rata-rata presisi sebesar
95,7% dan nilai rata-rata recall sebesar 95,5%. Selanjutnya nilai akurasi, presisi dan recall pada K-fold 6 dan 9 juga memiliki nilai akurasi, presisi dan recall yang sama.
d. Waktu Komputasi
Pada pengujian waktu penelusuran aset dilakukan dengan variasi jumlah kluster database citra. Hasil pengujian merupakan rata-rata waktu penelusuran aset yang dapat dilihat pada Tabel 3.
Tabel 3. Hasil pengujian rata-rata waktu penelusuran aset dengan variasi jumlah
kluster Waktu penelusuran (milisecond)Jumlah Bobot Sama W1 W2 W3 W4
Kluster
3 93.601 93.465 93.502 93.201 93.601
4 62.412 62.320 62.320 62.221 62.221
5 56.263 56.263 56.263 56.263 56.263
6 55.200 55.200 55.200 55.200 55.200
7 54.060 54.060 54.060 54.060 54.060
8 53.311 53.311 53.311 53.311 53.311
9 51.154 51.154 51.154 51.154 51.154
10 49.681 49.681 49.681 49.681 49.681
Dari Tabel 3 menunjukkan bahwa pada kluster yang sama, cenderung memiliki rata- rata waktu penelusuran yang sama
SIMPULAN
Pada setiap fitur memiliki performance yang berbeda-beda dalam mendukung akurasi retrieval berbasis CBIR. Pada penelitian ini membuktikan bahwa penggunaan skema pembobotan fitur yang bervariasi pada masing-masing nilai fitur dan variasi jumlah cluster akan berpengaruh terhadap peningkatan akurasi retrieval image aset. Hasil Penelitian menunjukkan bahwa fitur bentuk pada citra aset merupakan
performance yang lebih tinggi pada peningkatan akurasi retrieval, sedangkan fitur
warna dan fitur tekstur merupakan fitur pelengkapnya. Waktu komputasi rata-rata yang dibutuhkan untuk retrieval adalah 5mili-second.
DAFTAR PUSTAKA
Acharya T, Ray, A. K, 2005,
“Image Processing Principle and Applications”, John
Willey & Sons, USA Castleman, K. R., 1996, Digital Image Processing, Prentice Hall Inc., New Jersey. Gonzales, R. C., Woods, R. E., 2008, Digital Image Processing, ThirdEdition, Pearson Prentice Hall, New Jersey. Herry, S., 2009, Sistem Pencarian Citra Digital Menggunakan Content Based Image Retrieval, Proceeding Seminasif ISSN : 1979-2328, Yogyakarta. Hiremath and Jagadesh, 2012, Content Based Image Retrieval Based on Color, Texture and Shape Feature Using Image and Its Complement, International Journal of
Computer Science and Security, Volume (1) : Issue (4), India Jumi and Harjoko, A., 2012, Image Similarity Analysis Based on Shape, Color and
Texture Feature of Asset Image , International Conference on Computer Science
Electronics and Instrumentation, Yogyakarta, Indonesia Lingadalli, K.R. dan Ramesh, N., 2015, Content Based Image Retrieval Using Color,
Shape and Texture, International Advanced Research Journal in Science, Engineering and Technology , ISSN (on-line) : 2393-8021 India. Sani, 2007, Aplikasi Image Retrieval berdasarkan tekstur dengan menggunakan transformasi Haar Wavelet , Seminar Nasional Sistem dan Informasi, Bali. Sumana, K, Remesh, A., 2015, Efficient Technique Using Color, Texture and Shape
Feature In Skecthes, IJAETAE, Vol 5, ISSN : 2250 2459 Vijay, K., 2008, A Content Based Approach to Image Database Retrieval, Journal of
Computer Applications Vol.1 No.4