Modifikasi Speed-Up Robust Feature (SURF) dengan Histogram of Oriented Gradient (HOG) pada Klasifikasi Citra Blur Chapter III V
BAB 3
METODOLOGI PENELITIAN
3.1. Alur Kerja Penelitian
Alur Kerja Penelitian ini di ilustrasikan pada gambar 3.1 :
Mengidentifikasi Masalah
Melakukan Studi Pustaka
Menentukan Tujuan Penelitian
Mengumpulkan Data
Menyimpulkan Penelitian
Menganalisa dan Mengevaluasi Metode
Menguji Coba Metode
Merancang dan Mengimplementasi
Metode
Gambar 3.1 Diagram Alur Kerja Penelitian
Berdasarkan gambar 3.1 dapat dijelaskan bahwa alur kerja penelitian ini dimulai
dengan tahapan mengidentifikasi sebuah masalah yang akan diteliti, kemudian dilakukan
studi pustaka yang berkaitan dengan masalah yang akan diteliti dilanjutkan dengan
menentukan tujuan penelitian agar penelitian tidak menyebar ke ruang lingkup yang lain,
selanjutnya dilakukan pengumpulan data atau sampel yang akan diteliti khususnya citra
blur berdasarkan jenisnya dilanjutkan dengan merancang dan mengimplementasi motode
menggunakan
sampel
yang
telah
dikumpulkan
dimana
perancangan
dan
pengimplementasian sesuai dengan tujuan penelitian yang telah ditentukan. Selanjutnya
dilakukan pengujian terhadap metode yang telah dirancang dan diimplementasikan dan
pada tahapan akhir dilakukan analisa dan evaluasi metode sehingga dapat diambil
kesimpulan terhadap penelitian.
Universitas Sumatera Utara
22
3.2. Data dan Peralatan Penelitian Yang Digunakan
Data yang digunakan dalam penelitian ini berjumlah 392 citra dengan ukuran 640x480
pixel yang diklassifikasikan menjadi 4 kategori, yaitu average blur, motion blur, gaussian
blur dan citra non blur. Data yang digunakan sebagai training set adalah 60 % dari total
imageset yang digunakan dan 40 % imageset sebagai testing set dimana pembagiannya
ditentukan secara acak. Sedangkan alat yang digunakan dalam penelitian ini adalah matlab
versi 2016b, dan file citra yang digunakan yaitu file yang berformat .jpg . Alasan pemilihan
file citra .jpg adalah untuk menjaga keaslian citra yang diperoleh, dimana citra diperoleh
menggunakan kamera.
3.3. Tahapan Modikifkasi Speed-up Robust Feature Dengan Histogram of Oriented
Gradient
Penelitian ini memodifikasi speed-up robust feature sebagai pendeteksi interest point
dengan histogram of oriented gradient sebagai interest deskriptor. Dengan speed-up robust
feature sebagai interest point detector, mendeteksi interest point pada citra yang blur
dengan skala yang berbeda-beda (multiscale). Setelah interest point diperoleh, maka akan
diextract dengan menggunakan histogram of oriented gradient (HOG). Dengan
mendapatkan intesitas histogram pada deskriptor akan diperoleh pola degradasi pada tiap
interest point. Tahapan modifikasi speed-up robust feature dengan histogram of oriented
gradient dalam skema bag of visual word dapat digambarkan seperti berikut:
Universitas Sumatera Utara
23
Training Pola
Input Citra
Citra Keabuan (Grayscale)
Testing Pola
Deteksi Interest Point Speed-Up Robust
Feature
Ekstraksi Interest Point meggunakan
Histogram of Oriented Gradients
Input Citra
Histogram Feature Vector
Citra Keabuan (Grayscale)
Bag Of Visual Words
Menyimpan Pola Bag of Visual Words
pada Support Vector Machine
Deteksi Interest Point Speed-Up Robust
Feature
Ekstraksi Interest Point meggunakan
Histogram of Oriented Gradients
Pencocokan Model Pola Pada Support
Vector Machine
Output (Klasifikasi Citra Blur)
Gambar 3.2 Tahapan Modifikasi speed-up robust feature dengan histogram of oriented
gradient pada skema bag of visual word untuk klassifikasi citra blur.
3.4. Modifikasi Speed-up Robust Feature (SURF) Dengan Histogram of Oriented
Gradient (HOG)
Skala pendeteksian interest point pada speed-up robust feature mempengaruhi
klassifikasi citra blur jika dimodifikasikan dengan histogram of oriented gradien sebagai
ekstraksi fiturnya. Hal ini disebabkan oleh proses ekraksi fitur yang berbeda pada kedua
metode ini. Speed-up robust feature mengintegralkan citra dalam proses pendeteksian
keypoint, sedangkan histogram menggunakan cell blok pada citra secara satu per satu atau
single detector. Seperti pada Gambar 3.3, speed-up robust feature sebagai deteksi fitur
menggunakan pengintegralan citra, dengan menggunakan skala invarian pada citra. Proses
ini mendeteksi fitur pada citra dengan membentuk bulatan-bulatan sebagai deteksi fitur
dalam citra.
Universitas Sumatera Utara
24
Gambar 3.3 Pendeteksian interest point dengan speed-up robust feature
Bulatan pada citra pada Gambar 3.3 dihasilkan dari integral grid speed-up robust feature
dengan menggunakan fast hessian matrix. Gambar 3.4 akan menunjukkan grid yang telah
dibentuk oleh speed-up robust feature. Pengintegralan grid tersebut dapat mengurangi
waktu komputasi dalam pendeteksian fitur yang diperoleh pada citra. Sedangkan
Histogram of oriented gradient, membentuk Cell block yang menghasilkan gradient
sebagai fitur citra. Gambar 3.5, menunjukkan penggunakan grid oleh Histogram of oriented
gradient yang berbeda dengan speed-up robust feature dalam proses pendeteksian fitur.
Proses pendeteksian Hitogram of oriented gradient, lebih lama waktu komputasinya
dibandingkan dengan speed-up robust feature, hal ini dikarenakan Histogram of oriented
gradient membentuk cell blok terhadap keseluruhan citra dan menghitung gradien sebagai
pendeteksian fitur terhadap cell blok yang telah dibentuk (lihat Gambar 3.5).
Universitas Sumatera Utara
25
Gambar 3.4 Grid x dan y pada speed-up robust feature mendeteksi fitur dengan
membentuk bulatan kecil (blob) terhadap citra.
Gambar 3.5 Histogram of oriented gradient membentuk cell blok pada citra dan
menghitung gradien citra sebagai pendeteksian fitur.
Universitas Sumatera Utara
26
Dengan memodifikasi Speed-up robust feature dengan Histogram of oriented gradient
menghasilkan pendeteksian fitur seperti yang ditunjukkan pada Gambar 3.6. Dengan
modifikasi ini dapat mengklasifikasikan citra blur berdasarkan tipe blur pada skema bag of
visual word dengan lebih akurat.
Gambar 3.6 Modifikasi Speed-up robust feature dengan Histogram of oriented gradient
3.5. Pembentukan Bag Of Visual Words
Setelah di dapat fitur dengan menggunakan modifikasi speed-up robust feature dengan
histogram of oriented gradients maka fitur-fitur dibentuk bag visual words atau codebook
fitur dari citra blur yang telah diinputkan. Fitur-fitur yang telah didapatkan akan di cluster
menggunakan k-means algorithm, untuk membedakan kelas fitur-fitur tersebut dengan k =
500. Dimana feature vector yang telah di clusterkan ini akan menjadi bag of visual words
atau codebook fitur untuk mengklasifikasikan citra pada training set maupun test set
menggunakan klassifer support vector machine seperti yang dicontohkan pada Gambar 3.7.
Universitas Sumatera Utara
27
Gambar 3.7 Histogram Feature Vector bag1 dengan K= 500 atau disebut dengan
codebook
3.6. Ukuran Performansi
Pada penelitian ini, pengukuran performansi klassifikasi menggunakan confusion matrix.
Confusion matrix adalah sebuah array 2 dimensi berukuran K x K (dimana K adalah total
jumlah kelas) yang digunakan untuk melaporkan hasil mentah dari eksperimen klasifikasi
(Marques, 2011). Nilai pada baris i, kolom j mengindikasikan berapa kali sebuah objek
yang tergolong benar pada kelas I yang berlabel kelas j. Tabel confusion matrix berisikan
empat kemungkinan keluaran sebagai bahan acuan dalam membandingkan antara kejadian
yang sebenarnya (aktual) dengan kejadian yang terprediksi. Berikut adalah ilustrasinya:
Tabel 3.1 Tabel Confusion Matrix
Prediksi
Aktual
Average Blur
Motion Blur
Average Blur
True Positive (TP)
False Negative (FN)
Motion Blur
False Positive (FP)
True Negative (TN)
Universitas Sumatera Utara
28
dimana :
True Positive (TP) adalah jumlah data average blur yang diprediksi average blur
False Negative (FN) adalah jumlah data average blur yang diprediksi motion blur
False Positive (FP) adalah jumlah data motion blur yang diprediksi average blur
True Negative (TN) adalah jumlah data motion yang diprediksi motion blur
Untuk menghitung akurasi menggunakan confusion matrix dapat dirumuskan sebagai
berikut:
�
�� + �
� �= (
� � �
�
�
)
Sedangkan untuk menghitung tingkat kesalahan klassifikasi adalah sebagai berikut:
�
� � � ��
�
�� + �
= (
� � �
�
�
)
Universitas Sumatera Utara
BAB 4
HASIL DAN PEMBAHASAN
4.1. Hasil
Hasil yang dibahas meliputi modifikasi speed-up robust feature dengan histogram of
oriented gradients, pengujian dengan variasi skala speed-up robust feature, perbandingan
modifikasi metode dengan penelitian sebelumnya dan pembahasan.
4.1.1. Sampel pelatihan dan sampel pengujian
Imageset pada penelitian ini terbagi menjadi sampel pelatihan dan sampel pengujian.
Sampel pelatihan yang digunakan dalam penelitian ini berjumlah 236 citra, sedangkan
sampel pengujian terdiri dari 156 citra, yang terdiri dari 4 kategori citra. Yaitu kategori
average blur, citra non blur, gaussian blur dan motion blur, dimana penentuannya dilakukan
secara acak dan ukuran citra pada imageset penelitian ini sebesar 640 width x 480 height
pixel. Berikut adalah 4 contoh citra yang digunakan dalam sampel pelatihan:
Gambar 4.1 Citra 8.jpg pada kategori average blur
Universitas Sumatera Utara
30
Gambar 4.2 Citra 8.jpg pada kategori citra non blur
Gambar 4.3 Citra 8.jpg pada kategori gaussian blur
Gambar 4.4 Citra 8.jpg pada kategori motion blur
Universitas Sumatera Utara
31
4.1.2. Hasil bag of feature
Setelah menginput training set dan testing set, selanjutnya citra-citra pada training set akan
dideteksi interest pointnya menggunakan speed-up robust feature dan di ekstrak fiturnya
menggunakan histogram of oriented gradients. Bag of feature yang dibentuk pada
trainingSet1 adalah sebagai berikut:
Gambar 4.5 Bag of Feature TrainingSet1
Nilai masing-masing index pada gambar 4.5 menjadi acuan terhadap nilai fitur citra
lainnya. Dimana nilai index diatas merupakan nilai fitur yang telah sudah melalui tahapan
deteksi dan ekstraksi fitur, serta clustering nilai fitur-fitur, yang dikelompokkan menjadi
nilai visual word index. Nilai index tersebut, dapat dilihat pada nilai index masing-masing
citra, dimana nilai index pada gambar 4.1, gambar 4.2, gambar 4.3 dan gambar 4.4 tidak
lebih dari 200. Hal ini sesuai dengan penetapan jumlah index pada bag of feature yang
dibentuk, yaitu K=200. Berikut adalah nilai index gambar 4.1, gambar 4.2, gambar 4.3 dan
gambar 4.4 :
Universitas Sumatera Utara
32
Tabel 4.1 Nilai index gambar 4.1
116
95
113
153
16
102
53
113
164
135
87
153
36
123
165
136
178
197
78
18
43
11
69
3
98
150
21
195
160
27
60
73
31
75
126
82
11
94
195
89
142
149
192
11
20
81
50
189
175
49
180
70
146
24
21
117
114
195
70
160
182
182
131
30
158
60
39
29
137
163
164
106
32
119
164
169
112
34
108
1
88
153
200
115
64
199
75
101
142
120
144
118
146
192
14
118
145
43
185
145
7
39
42
13
178
47
75
186
117
104
52
23
9
63
18
196
31
150
116
144
33
110
10
112
146
108
50
81
145
178
42
167
3
121
136
56
35
126
150
32
72
146
108
7
138
190
104
98
122
110
180
65
114
84
94
191
49
171
88
2
199
197
134
160
174
192
103
50
147
183
49
141
177
17
198
115
151
128
187
140
182
44
124
111
133
166
42
115
82
147
52
60
23
200
79
12
26
85
113
11
154
118
158
141
146
125
33
30
125
101
29
80
34
159
177
16
Citra pada gambar 4.1
Histogram index pada citra gambar 4.1
Tabel 4.2 Nilai index gambar 4.2
194
170
170
85
15
34
167
113
153
16
87
130
13
21
111
96
165
161
160
20
162
81
34
161
56
194
151
142
162
15
37
14
110
49
170
28
132
175
184
158
143
166
37
98
37
171
178
195
51
158
13
158
104
147
30
147
170
158
67
11
37
158
98
159
169
114
37
166
121
158
163
183
56
174
134
116
151
185
37
33
158
62
37
158
187
98
158
166
163
98
158
161
37
200
37
37
176
91
82
158
37
151
12
172
127
69
158
37
56
184
34
118
171
143
Universitas Sumatera Utara
33
166
41
166
82
31
91
146
37
184
199
99
58
84
111
158
62
37
130
158
158
152
184
91
60
137
121
104
123
166
37
163
166
37
192
189
37
62
158
104
36
170
7
76
12
172
171
98
37
83
37
121
40
2
153
67
37
37
171
2
37
184
62
171
162
37
161
111
121
158
171
130
125
166
39
33
111
37
67
91
119
150
140
158
37
130
37
162
91
91
137
40
171
67
71
81
37
158
29
62
62
171
98
137
158
37
37
29
161
37
91
62
12
37
139
130
147
161
98
162
149
158
37
56
7
79
37
37
45
158
37
172
171
176
158
37
184
146
171
172
172
176
139
162
172
69
158
200
158
162
45
12
87
98
91
130
37
9
33
164
171
45
158
171
43
171
85
171
158
37
91
149
184
161
59
158
44
130
98
158
37
70
130
171
162
26
130
15
108
170
1
158
158
124
98
158
158
37
12
104
158
198
36
159
143
121
87
32
98
170
171
145
184
12
98
147
31
98
37
12
144
166
37
98
162
158
158
37
162
171
37
152
40
158
22
162
141
37
158
170
140
111
163
130
158
171
172
91
171
166
37
37
166
161
43
174
52
182
37
184
2
158
37
171
177
184
158
104
19
67
37
121
174
184
87
151
158
37
104
171
19
166
108
171
56
37
118
171
162
158
172
108
37
172
98
171
171
158
161
170
171
166
130
104
79
37
189
121
172
140
158
132
31
59
108
37
37
56
119
62
38
171
158
121
107
37
2
37
130
37
91
33
171
85
37
139
30
171
67
37
111
121
162
151
37
171
158
171
59
91
98
80
158
162
37
158
104
85
198
158
37
37
37
191
76
110
170
Citra pada gambar 4.2
Histogram index citra pada gambar 4.2
Universitas Sumatera Utara
34
62
158
79
12
37
158
120
158
172
130
91
194
171
37
158
37
37
91
37
184
182
130
37
170
43
2
158
158
172
37
37
130
171
43
184
81
13
189
91
111
172
124
37
158
21
76
130
21
158
70
17
130
37
161
33
67
63
121
196
37
147
91
111
62
37
47
98
171
176
98
98
98
171
172
100
111
184
184
37
158
98
12
37
67
37
37
37
7
98
172
91
143
158
37
174
159
158
158
98
11
172
13
120
158
78
43
158
117
158
149
37
180
184
82
161
161
182
166
158
143
158
33
172
158
37
17
171
138
140
37
37
21
37
12
176
171
158
98
171
40
98
98
171
91
33
85
158
161
158
37
37
23
183
37
31
37
37
37
9
123
183
43
37
36
161
171
37
147
37
91
37
174
19
171
37
158
37
185
37
108
37
158
189
158
130
130
109
178
37
196
158
37
140
158
67
124
37
110
151
98
37
98
149
158
37
170
143
33
158
37
140
47
12
162
172
62
171
37
37
152
117
130
12
152
37
37
162
171
198
85
171
37
37
96
145
183
139
62
31
12
162
171
37
2
37
140
24
37
37
158
130
147
111
62
37
19
124
171
37
21
62
143
2
162
82
98
59
47
96
158
145
37
37
147
173
37
158
158
171
91
171
98
189
162
43
172
91
98
91
158
13
170
158
171
133
158
174
37
151
145
158
37
98
Universitas Sumatera Utara
35
Tabel 4.3 Nilai index gambar 4.3
116
113
153
16
95
113
153
153
167
102
153
87
135
82
165
12
11
34
14
11
178
3
18
160
114
69
66
75
51
153
59
12
96
137
136
49
196
62
73
150
94
11
170
195
114
135
149
32
27
52
142
31
81
172
185
114
175
185
113
99
187
24
84
89
114
160
138
59
20
192
164
146
189
98
117
140
82
9
157
96
127
60
106
29
35
200
33
137
98
29
14
67
166
199
70
45
60
76
163
163
30
31
30
182
140
81
172
153
200
102
154
143
133
3
11
88
151
1
119
108
120
147
28
120
65
64
69
39
43
162
13
69
172
118
14
183
28
93
41
145
52
23
178
56
41
168
9
42
145
104
178
39
77
10
54
110
33
129
160
18
136
135
34
98
33
186
178
149
13
135
164
117
32
23
19
176
21
121
63
87
168
146
196
4
9
166
45
109
67
29
31
30
94
152
1
12
146
37
104
140
122
161
128
106
110
40
21
160
2
151
34
56
40
183
166
151
174
56
15
53
122
180
35
174
137
21
104
198
121
138
15
190
123
169
17
88
17
172
60
43
26
115
123
11
146
49
166
111
83
29
49
109
143
140
12
178
121
168
12
108
61
121
118
10
63
144
148
177
135
37
125
196
162
61
177
198
111
154
145
141
163
200
143
160
101
166
91
121
159
45
87
145
163
122
159
70
145
17
165
146
78
18
69
160
37
125
95
34
154
40
133
121
160
42
3
170
12
35
130
101
199
137
73
143
145
184
50
121
183
29
186
131
94
200
161
73
197
154
69
182
30
196
148
45
144
92
200
101
79
21
4
168
30
123
Citra pada gambar 4.3
Histogram index citra pada gambar 4.3
Universitas Sumatera Utara
36
177
140
152
167
54
140
37
28
15
163
13
66
180
122
47
111
101
172
166
31
147
Tabel 4.4 Nilai index gambar 4.4
13
95
103
102
1
103
116
60
61
28
135
40
153
95
165
87
11
133
136
96
122
195
172
183
147
92
109
72
30
194
98
64
35
96
96
164
90
131
96
157
105
126
89
11
163
96
109
150
26
101
59
127
128
109
130
85
98
180
94
102
66
146
84
88
165
52
165
3
115
148
139
54
109
133
148
133
106
133
188
199
148
39
109
109
32
80
75
102
78
54
165
96
96
170
60
45
96
115
95
44
66
190
109
88
115
44
125
50
95
153
105
133
165
15
103
115
39
80
165
145
133
166
22
9
28
72
93
196
159
133
130
13
188
59
179
88
44
133
109
165
109
109
196
59
165
133
133
183
7
154
80
26
190
80
196
37
20
96
109
64
161
136
172
44
145
115
109
136
96
133
109
28
103
133
80
200
115
133
144
61
1
43
80
133
101
109
78
103
54
105
54
109
113
179
195
194
109
40
109
95
22
153
109
109
105
106
166
109
183
172
103
75
179
58
165
153
123
46
78
103
145
36
133
133
86
78
44
109
64
145
125
15
148
78
42
133
95
165
96
105
95
96
111
173
131
183
133
133
54
166
109
21
Citra pada gambar 4.4
Histogram index citra pada gambar 4.4
4.1.3. Hasil klasifikasi support vector machine
Setelah masing-masing citra didapatkan nilai visual word indexnya, maka akan
diklasifikasikan menggunakan support vector machine. Support vector machine yang
digunakan dalam penelitian ini, menggunakan fungsi kernel gaussian. Citra 100.jpg, citra
Universitas Sumatera Utara
37
16.jpg, citra 18.jpg, citra 19.jpg, dan citra 20.jpg pada kategori average blur merupakan
citra yang termasuk ke dalam testingSet1. Sebelum diklasifikasikan, citra-citra tersebut
merupakan citra yang tergolong ke dalam average blur, namun hasil prediksi klasifikasi
menggunakan support vector machine tidaklah sama. Hasil prediksi klasifikasinya adalah
sebagai berikut:
Skor
Citra Non Blur
(2)
-0.30684513
Gaussian Blur
(3)
-0.37410361
Motion Blur
(4)
-0.4177559
PredictedLabel
No.
KnownLabel
Tabel 4.5 Hasil Klasifikasi Support Vector Machine
1
1
Average Blur
(1)
-0.23002604
2
1
-0.2938841
-0.4845694
-0.20611589
-0.49983257
3
3
1
-0.19163831
-0.48712417
-0.32290301
-0.43371373
1
4
1
-0.25048715
-0.40238863
-0.26704276
-0.44175404
1
5
1
-0.30074766
-0.46438521
-0.22137639
-0.41469043
3
1
Pada Tabel 4.5, menunjukkan KnownLabel adalah 1, yang merupakan id kategori
average blur. Support vector machine yang menggunakan fungsi kernel gaussian
menghitung skor terhadap data training, yang menghasilkan skor pada tiap-tiap kategori.
Support vector machine memutuskan klasifikasi kategori citra tersebut berdasarkan nilai
skor yang terbesar. Seperti pada citra nomor 2, skor terbesarnya adalah -0.20611589 pada
kategori gaussian blur, maka support vector machine mengkategorikan citra nomor 2 ke
dalam gaussian blur. Hal ini merupakan klasifikasi yang salah, dimana citra nomor 2
merupakan citra yang tergolong ke dalam average blur. Kesalahan klasifikasi ini
disebabkan oleh tipisnya perbedaan skor antara average blur dan gaussian blur. Support
vector machine sendiri mempunyai 3 fungsi kernel yang sering digunakan dalam
penelitian-penelitan
sebelumnya.
Kekurangan
ini
dapat
dikembangkan
dengan
menggunakan fungsi kernel yang berbeda, ataupun memakai fungsi clustering yang
berbeda. Hal ini dikarenakan bag of feature menggunakan visual word index yang terbentuk
dengan mengklusterisasi fitur-fitur pada citra.
Universitas Sumatera Utara
38
4.1.4. Modifikasi Speed-Up Robust Feature dengan Histogram of Oriented Gradients
Modifikasi speed-up robust feature dengan histogram of oriented gradients dimulai dengan
pembentukan grid untuk menentukan lokasi pendeteksian interest point. Grid Step yang
digunakan ialah 8, grid step ini berfungsi sebagai jarak antara pixel x (width) dan y (height).
Dimana untuk setiap x selanjutnya akan berjarak 8 pixel, pada ukuran citra 480 height dan
640 width akan menghasilkan grid x = 80 dan grid y = 60. Berikut adalah tabel koordinat
gridX dan gridY;
Tabel 4.6 Koordinat gridX
1
1
11
81
21
161
31
241
41
321
51
401
61
481
71
561
2
9
12
89
22
169
32
249
42
329
52
409
62
489
72
569
3
17
13
97
23
177
33
257
43
337
53
417
63
497
73
577
4
25
14
105
24
185
34
265
44
345
54
425
64
505
74
585
5
33
15
113
25
193
35
273
45
353
55
433
65
513
75
593
6
41
16
121
26
201
36
281
46
361
56
441
66
521
76
601
7
49
17
129
27
209
37
289
47
369
57
449
67
529
77
609
8
57
18
137
28
217
38
297
48
377
58
457
68
537
78
617
9
65
19
145
29
225
39
305
49
385
59
465
69
545
79
625
10
73
20
153
30
233
40
313
50
393
60
473
70
553
80
633
8
57
18
137
28
217
38
297
48
377
58
457
9
65
19
145
29
225
39
305
49
385
59
465
10
73
20
153
30
233
40
313
50
393
60
473
Tabel 4.7 Koordinat gridY
1
1
11
81
21
161
31
241
41
321
51
401
2
9
12
89
22
169
32
249
42
329
52
409
3
17
13
97
23
177
33
257
43
337
53
417
4
25
14
105
24
185
34
265
44
345
54
425
5
33
15
113
25
193
35
273
45
353
55
433
6
41
16
121
26
201
36
281
46
361
56
441
7
49
17
129
27
209
37
289
47
369
57
449
Universitas Sumatera Utara
39
Pada tabel 4.1 dan tabel 4.2 menampilkan koordinat gridX (1x80) dan gridY (1x60)
yang akan digunakan dalam pendeteksian interest point pada citra. Sehingga menghasilkan
koordinat deteksi interest point dengan ukuran matriks 4800x2, koordinat deteksi interest
point ini diilustrasikan pada Gambar 4.1.
Gambar 4.6 Koordinat deteksi interest point
Kemudian dengan menggunakan koordinat deteksi pada gambar 4.6 akan dilakukan
deteksi interest point menggunakan speed-up robust feature dengan menggunakan 3 skala
pendeteksian pada citra yaitu skala 1.6, 3.2 dan 4.8. Gambar 4.2 adalah hasil pendeteksian
interest point speed-up robust feature dengan menggunakan 3 skala pendeteksian pada citra
1.jpg.
Gambar 4.7 Hasil pendeteksian speed-up robust feature dengan menggunakan 3 skala
Universitas Sumatera Utara
40
Setelah interest point di dapatkan, maka di ekstrak menggunakan hitogram of
oriented gradients, yang menghasilkan ekstraksi seperti pada gambar 4.8 .
Gambar 4.8 Ekstraksi Histogram of Oriented Gradients
Dengan menerapkan modifikasi metode ini, maka di peroleh fitur 83x36 atau 2.988
fitur pada citra 1.jpg. Selanjutnya metode di uji dengan membentuk bag of visual words,
dimana menghasilkan 41.987 fitur pada trainingSet1. Angka fitur ini tidak tetap, mengingat
penentuan training set dan testing set dilakukan secara acak. Sehingga fitur yang ditemukan
berbeda-beda pada tiap citra, hal ini juga dipengaruhi oleh objek yang berbeda pada citra
dan tipe blur yang berbeda pada masing-masing citra.
4.2. Pengujian Dengan Variasi Skala Speed-Up Robust Feature
Pada Pengujian ini skala variasi speed-up robust feature akan di uji cobakan pada 3
model skala level, model pertama menggunakan 3 skala, model kedua dengan
menggunakan 4 skala dan model terakhir menggunakan 5 skala. Berikut adalah hasil
pengujian dari masing-masing skala.
Universitas Sumatera Utara
41
Tabel 4.8 Pengujian klassifikasi pada trainingSet1 dengan menggunakan 3 skala deteksi
Average Blur
Citra non Blur
Gaussian Blur
Motion Blur
Average Blur
97 %
0%
3%
0%
Citra non Blur
0%
100%
0%
0%
Gaussian Blur
5%
0%
95%
0%
Motion Blur
0%
0%
0%
100%
Rata-rata Akurasi
98%
Tabel 4.9 Pengujian klassifikasi pada testingSet1 dengan menggunakan 3 skala deteksi
Average Blur
Citra non Blur
Gaussian Blur
Motion Blur
Average Blur
44%
3%
46%
7%
Citra non Blur
0%
90%
2%
8%
Gaussian Blur
69%
0%
26%
5%
Motion Blur
13%
3%
2%
82%
Rata-rata Akurasi
60%
Tabel 4.10 Pengujian klassifikasi pada trainingSet1 dengan menggunakan 4 skala deteksi
Average Blur
Citra non Blur
Gaussian Blur
Motion Blur
Average Blur
100%
0%
0%
0%
Citra non Blur
0%
100%
0%
0%
Gaussian Blur
14%
0%
86%
0%
Motion Blur
0%
0%
0%
100%
Rata-rata Akurasi
97%
Tabel 4.11 Pengujian klassifikasi pada testingSet1 dengan menggunakan 4 skala deteksi
Average Blur
Citra non Blur
Gaussian Blur
Motion Blur
Average Blur
62%
0%
28%
10%
Citra non Blur
0%
95%
0%
5%
Gaussian Blur
69%
0%
18%
13%
Motion Blur
0%
2%
3%
95%
Rata-rata Akurasi
67%
Universitas Sumatera Utara
42
Tabel 4.12 Pengujian klassifikasi pada trainingSet1 dengan menggunakan 5 skala deteksi
Average Blur
Citra non Blur
Gaussian Blur
Motion Blur
Average Blur
97%
0%
2%
1%
Citra non Blur
0%
100%
0%
0%
Gaussian Blur
5%
0%
95%
0%
Motion Blur
0%
0%
0%
100%
Rata-rata Akurasi
98%
Tabel 4.13 Pengujian klassifikasi pada testingSet1 dengan menggunakan 5 skala deteksi
Average Blur
Citra non Blur
Gaussian Blur
Motion Blur
Average Blur
56%
0%
31%
13%
Citra non Blur
0%
92%
0%
8%
Gaussian Blur
36%
0%
38%
26%
Motion Blur
3%
0%
5%
92%
Rata-rata Akurasi
70%
Tabel 4.8 menunjukkan klasifikasi dengan akurasi yang cukup tinggi yaitu 98%, namun
pada tabel 4.9 menunjukkan akurasi klasifikasi yang rendah yaitu 60%. Hal ini
menunjukkan diperlukan pengujian lebih lanjut terhadap skala yang digunakan pada
pendeteksian interest point. Dimana pendeteksian pola blur pada citra kurang dikenali
dengan menggunakan hanya 3 skala pendeteksian interest point. Hal ini juga ditunjukkan
pada bag of feature yang terbentuk, dimana bag of feature yang dihasilkan memiliki rentang
index word yang jauh. Gambar 4.9 adalah gambar bag of feature yang dibentuk.
Universitas Sumatera Utara
43
Gambar 4.9 Bag of Visual Word yang dibentuk
Pada pengujian yang telah dilakukan pada tabel 4.11 ditemukan peningkatan akurasi
klasifikasi citra blur sebesar 7% dari sebelumnya yaitu pada tabel 4.9. Dimana pada tabel
4.11 menggunakan 4 skala deteksi dan pada tabel 4.9 menggunakan 3 skala deteksi.
Sedangkan pada tabel 4.13 ditemukan peningkatan akurasi klasifikasi citra blur sebesar 3
% dari sebelumnya yaitu pada tabel 4.11. Dimana pada tabel 4.13 menggunakan 5 skala
deteksi dan pada tabel 4.11 menggunakan 4 skala deteksi. Untuk itu diperlukan pengujian
lebih lanjut dengan melakukan 10 kali pengujian terhadap 3, 4 dan 5 skala pendeteksian
pada metode speed-up robust feature sebelum dimodifikasi dengan metode speed-up robust
feature setelah dimodifikasi. Hal ini berfungsi untuk menemukan akurasi yang konsisten
terhadap klasifikasi citra blur sebelum dan sesudah modifikasi, mengingat penentuan
trainingSet dan testingSet dilakukan secara acak. Selain itu pengujian akan dilakukan
dengan mengubah nilai K pada clustering k-means. Hal ini dikarenakan bag of visul words
yang dihasilkan pada pengujian pada tabel 4.10, tabel 4.11, tabel 4.12 dan tabel 4.13 tidak
mencapai 500 index, seperti terlihat pada gambar 4.9. Untuk itu akan dilakukan
pengurangan nilai K menjadi 200. Berikut adalah hasil pengujiannya :
Universitas Sumatera Utara
44
Tabel 4.14 Percobaan 1 Menggunakan 3 Skala Pendeteksian Interest Point
Percobaan 1 Menggunakan 3 Skala Pendeteksian Interest Point
testingSet1 (sebelum modifikasi speed-up robust feature)
Average Blur Citra Non Blur Gaussian Blur Motion Blur
Average Blur
33%
15%
21%
31%
Citra Non Blur
3%
74%
0%
23%
Gaussian Blur
38%
23%
18%
21%
Motion Blur
15%
5%
3%
77%
Rata-rata Akurasi
51%
testingSet1 (setelah modifikasi speed-up robust feature )
Average blur Citra Non Blur Gaussian Blur Motion Blur
Average Blur
44%
3%
46%
8%
Citra Non Blur
0%
90%
3%
8%
Gaussian Blur
69%
0%
26%
5%
Motion Blur
13%
3%
3%
82%
Rata-rata Akurasi
60%
Pada percobaan 1 menggunakan 3 skala pendeteksian interest point pada testingSet1
sebelum dimodifikasi speed-up robust feature, menghasilkan nilai akurasi average blur
sebesar 33%, citra non blur sebesar 74 %, gaussian blur sebesar 18 %, motion blur sebesar
77 % dengan rata-rata akurasi sebesar 51 %, seperti terlihat pada tabel 4.9. Selain itu terjadi
banyak miss classification, seperti klasifikasi average blur yang diklasifikasikan ke dalam
citra non blur sebesar 15 %, yang diklasifikasikan ke dalam gaussian blur sebesar 21 %,
dan diklasifikasikan ke dalam motion blur sebesar 31 %. Sedangkan pengujian pada
testingSet1 menggunakan speed-up robust feature yang telah dimodifikasi mengalami
peningkatan nilai akurasi average blur sebesar 44 %. Namun masih terjadi miss
classification terhadap 3 kelas lainnya, untuk itu akan dilakukan 10 kali pengujian
menggunakan speed-up robust feature yang belum dimodifikasi dengan speed-up robust
feature yang telah dimodifikasi, untuk mendapatkan nilai akurasi yang konsisten. Hasil
pengujiannya ditunjukkan pada tabel 4.15 dan tabel 4.16.
Universitas Sumatera Utara
45
Tabel 4.15 Hasil Keseluruhan 10 Kali Pengujian Pada testingSet1 Sebelum di Modifikasi
Testing
Test 1
Test 2
Test 3
Test 4
Test 5
Test 6
Test 7
Test 8
Test 9
Test 10
Akurasi Tertinggi
Akurasi Terendah
Rata-rata Akurasi
Skala yang digunakan
3 Skala 4 Skala 5 Skala
51%
50%
48%
50%
47%
46%
53%
47%
53%
49%
51%
49%
50%
49%
49%
54%
45%
49%
52%
52%
47%
52%
50%
53%
50%
54%
49%
49%
46%
53%
54%
54%
53%
49%
45%
46%
51.0%
49.1%
49.6%
Tabel 4.16 Hasil Keseluruhan 10 Kali Pengujian Pada testingSet1 Setelah di Modifikasi
Testing
Test 1
Test 2
Test 3
Test 4
Test 5
Test 6
Test 7
Test 8
Test 9
Test 10
Akurasi Tertinggi
Akurasi Terendah
Rata-rata Akurasi
Skala yang digunakan
3 Skala
4 Skala
5 Skala
60%
67%
70%
63%
70%
70%
69%
71%
74%
67%
75%
77%
61%
72%
73%
65%
67%
69%
70%
69%
71%
60%
71%
69%
67%
74%
76%
63%
72%
74%
70%
75%
77%
60%
67%
69%
64.50% 70.80% 72.30%
Setelah dilakukan 10 kali pengujian pada testingSet1 menggunakan speed-up robust
feature yang belum dimodifikasi dengan speed-up robust feature yang telah dimodifikasi,
didapatkan peningkatan nilai akurasi pada speed-up robust feature yang telah dimodifikasi.
Universitas Sumatera Utara
46
54%
54%
53%
52%
51%
50%
48%
51%
49%
50%
47%
46%
50%
49%
53%
52%
50%
49%
47%
53%
50%
49%
49%
47%
46%
45%
Test 1 Test 2 Test 3 Test 4 Test 5 Test 6 Test 7 Test 8 Test 9 Test 10
Skala yang digunakan 3 Skala
Skala yang digunakan 4 Skala
Skala yang digunakan 5 Skala
Gambar 4.10 Hasil Klasifikasi Citra Blur Sebelum Modifikasi
70%
67%
70%
74%
71%
69%
77%
75%
76%
74%
73%
72%
69%
67%
65%
67%
71%
70%
69%
71%
69%
67%
63%
63%
60%
74%
72%
61%
60%
Test 1 Test 2 Test 3 Test 4 Test 5 Test 6 Test 7 Test 8 Test 9 Test 10
Skala yang digunakan 3 Skala
Skala yang digunakan 4 Skala
Skala yang digunakan 5 Skala
Gambar 4.11 Hasil Klasifikasi Citra Blur Setelah Modifikasi
Dimana rata-rata akurasi tertinggi menggunakan 3 skala pendeteksian interest point
menggunakan speed-up robust feature yang telah dimodifikasi sebesar 64.5 %, sedangkan
nilai akurasi tertinggi mengggunakan speed-up robust feature yang belum dimodifikasi
sebesar 51.0 % . Rata-rata akurasi tertinggi menggunakan 4 skala pendeteksian interest
point menggunakan speed-up robust feature yang telah dimodifikasi sebesar 70.8 %,
Universitas Sumatera Utara
47
sedangkan nilai akurasi tertinggi mengggunakan speed-up robust feature yang belum
dimodifikasi sebesar 49.1 % . Dan rata-rata akurasi tertinggi menggunakan 5 skala
pendeteksian interest point menggunakan speed-up robust feature yang telah dimodifikasi
sebesar 72.3 %, sedangkan nilai akurasi tertinggi mengggunakan speed-up robust feature
yang belum dimodifikasi sebesar 49.6 %. Grafik klasifikasi citra blur sebelum modifikasi
dan sesudah dimodifikasi dapat dilihat pada Gambar 4.10 dan Gambar 4.11.
Setelah dilakukan 10 kali pengujian pada 3 skala yang berbeda yaitu skala 3, 4 dan 5
pendeteksian interest point, maka ditemukan rata-rata akurasi tertinggi klasifikasi citra blur
sebesar 72,3% dengan menggunakan 5 skala pendeteksian seperti yang ditunjukkan pada
tabel 4.16.
4.3. Pembahasan
Hasil keseluruhan pengujian pada tabel 4.15 menunjukkan nilai akurasi terendah dan
tertinggi pada 3 skala pendeteksian interest point sebelum dimodifikasi. Dimana pada tabel
4.15 yaitu hasil keseluruhan 10 kali pengujian pada testingSet1 sebelum dimodifikasi
menunjukkan nilai akurasi terendah menggunakan 3 skala pendeteksian interest point
sebesar 49 % pada percobaan 4 dan percobaan 10, sedangkan akurasi tertinggi
menggunakan 3 skala pendeteksian interest point sebesar 54 % pada percobaan 6. Nilai
akurasi terendah menggunakan 4 skala pendeteksian interest point sebesar 45 % pada
percobaan 6, sedangkan akurasi tertinggi menggunakan 4 skala pendeteksian interest point
sebesar 54 % pada percobaan 9. Nilai akurasi terendah menggunakan 5 skala pendeteksian
interest point sebesar 46 % pada percobaan 2, sedangkan akurasi tertinggi menggunakan 5
skala pendeteksian interest point sebesar 53 % pada percobaan 3, percobaan 8 dan
percobaan 10.
Hasil keseluruhan pengujian pada tabel 4.16 menunjukkan nilai akurasi terendah dan
tertinggi pada 3 skala pendeteksian interest point setelah dimodifikasi. Dimana pada tabel
4.11 yaitu hasil keseluruhan 10 kali pengujian pada testingSet1 setelah dimodifikasi
menunjukkan nilai akurasi terendah menggunakan 3 skala pendeteksian interest point
sebesar 60 % pada percobaan 1 dan percobaan 8, sedangkan akurasi tertinggi menggunakan
3 skala pendeteksian interest point sebesar 70 % pada percobaan 7. Nilai akurasi terendah
Universitas Sumatera Utara
48
menggunakan 4 skala pendeteksian interest point sebesar 67 % pada percobaan 1 dan
percobaan 6, sedangkan akurasi tertinggi menggunakan 4 skala pendeteksian interest point
sebesar 75 % pada percobaan 4. Nilai akurasi terendah menggunakan 5 skala pendeteksian
interest point sebesar 69 % pada percobaan 6 dan percobaan 8, sedangkan akurasi tertinggi
menggunakan 5 skala pendeteksian interest point sebesar 77 % pada percobaan 4.
Berdasarkan hasil penelitian yang telah dilakukan, dengan menggunakan 5 skala
pendeteksian interest point pada modifikasi speed-up robust feature dengan histogram of
oriented gradients dapat mengenali pola blur secara konsisten. Seperti yang ditunjukkan
pada tabel 4.16, dimana dalam 10 kali pengujian dalam 8 kali pengujian menghasilkan nilai
akurasi 70%, hanya 2 pengujian yang menghasilkan nilai akurasi dibawah 70%. Hal ini
berkaitan dengan penentuan skala pada interest point citra, yang dijelaskan pada subbab
2.5 dimana menggunakan skala pendeteksian dapat mengenali pola objek pada citra.
Penelitian ini telah membuktikan dengan menggunakan 5 skala pendeteksian interest point
pada modifikasi speed-up robust feature dan histogram of oriented gradients dapat
mengenali pola blur pada citra yang tidak hanya berfokus pada penentuan prediksi model
degradasi citra untuk mengklasifikasikan daerah blur pada citra seperti penelitianpenelitian sebelumnya. Namun modifikasi metode ini masih sulit untuk mengklasifikasikan
jenis gaussian blur pada citra, dimana pada semua skala yang digunakan dalam pengujian
hanya menghasilkan akurasi true positif tertinggi testingSet1 sebesar 56%.
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Tesis ini menghasilkan beberapa kesimpulan sebagai berikut:
1. Modifikasi speed-up robust feature dan histogram of oriented gradient, dapat
mengenali pola blur secara konsisten dengan rata-rata akurasi tertinggi klasifikasi
citra blur sebesar 72,3% dengan menggunakan 5 skala pendeteksian.
2. Modifikasi metode speed-up robust feature dan histogram of oriented gradient sulit
untuk mengklasifikasikan jenis gaussian blur pada citra. Dimana pada semua skala
yang digunakan dalam pengujian, dimana pada semua skala yang digunakan dalam
pengujian hanya menghasilkan akurasi true positif tertinggi testingSet1 sebesar
56%.
3. Ditemukan peningkatan akurasi klasifikasi citra blur, dimana sebelum
memodifikasi pendeteksian interest point pada speed-up robust feature hanya
menghasilkan akurasi tertinggi sebesar 51%. Sedangkan setelah memodifikasi
pendeteksian interest point pada speed-up robust feature menghasilkan akurasi
tertinggi sebesar 72.3%. Hal ini membuktikan bahwasanya dengan memodifikasi
pendeteksian interest point speed-up robust feature dengan histogram of oriented
gradient menghasilkan akurasi klasifikasi yang lebih baik pada citra blur.
5.2. Saran
Modifikasi metode ini dapat dikembangkan untuk mengenali pola gaussian blur pada
citra blur dengan memodifikasi pendeteksian interest point yang lebih baik dalam
mengenali pola gaussian blur ataupun dengan memodifikasi klusterisasi feature vector pada
k-means.
Universitas Sumatera Utara
METODOLOGI PENELITIAN
3.1. Alur Kerja Penelitian
Alur Kerja Penelitian ini di ilustrasikan pada gambar 3.1 :
Mengidentifikasi Masalah
Melakukan Studi Pustaka
Menentukan Tujuan Penelitian
Mengumpulkan Data
Menyimpulkan Penelitian
Menganalisa dan Mengevaluasi Metode
Menguji Coba Metode
Merancang dan Mengimplementasi
Metode
Gambar 3.1 Diagram Alur Kerja Penelitian
Berdasarkan gambar 3.1 dapat dijelaskan bahwa alur kerja penelitian ini dimulai
dengan tahapan mengidentifikasi sebuah masalah yang akan diteliti, kemudian dilakukan
studi pustaka yang berkaitan dengan masalah yang akan diteliti dilanjutkan dengan
menentukan tujuan penelitian agar penelitian tidak menyebar ke ruang lingkup yang lain,
selanjutnya dilakukan pengumpulan data atau sampel yang akan diteliti khususnya citra
blur berdasarkan jenisnya dilanjutkan dengan merancang dan mengimplementasi motode
menggunakan
sampel
yang
telah
dikumpulkan
dimana
perancangan
dan
pengimplementasian sesuai dengan tujuan penelitian yang telah ditentukan. Selanjutnya
dilakukan pengujian terhadap metode yang telah dirancang dan diimplementasikan dan
pada tahapan akhir dilakukan analisa dan evaluasi metode sehingga dapat diambil
kesimpulan terhadap penelitian.
Universitas Sumatera Utara
22
3.2. Data dan Peralatan Penelitian Yang Digunakan
Data yang digunakan dalam penelitian ini berjumlah 392 citra dengan ukuran 640x480
pixel yang diklassifikasikan menjadi 4 kategori, yaitu average blur, motion blur, gaussian
blur dan citra non blur. Data yang digunakan sebagai training set adalah 60 % dari total
imageset yang digunakan dan 40 % imageset sebagai testing set dimana pembagiannya
ditentukan secara acak. Sedangkan alat yang digunakan dalam penelitian ini adalah matlab
versi 2016b, dan file citra yang digunakan yaitu file yang berformat .jpg . Alasan pemilihan
file citra .jpg adalah untuk menjaga keaslian citra yang diperoleh, dimana citra diperoleh
menggunakan kamera.
3.3. Tahapan Modikifkasi Speed-up Robust Feature Dengan Histogram of Oriented
Gradient
Penelitian ini memodifikasi speed-up robust feature sebagai pendeteksi interest point
dengan histogram of oriented gradient sebagai interest deskriptor. Dengan speed-up robust
feature sebagai interest point detector, mendeteksi interest point pada citra yang blur
dengan skala yang berbeda-beda (multiscale). Setelah interest point diperoleh, maka akan
diextract dengan menggunakan histogram of oriented gradient (HOG). Dengan
mendapatkan intesitas histogram pada deskriptor akan diperoleh pola degradasi pada tiap
interest point. Tahapan modifikasi speed-up robust feature dengan histogram of oriented
gradient dalam skema bag of visual word dapat digambarkan seperti berikut:
Universitas Sumatera Utara
23
Training Pola
Input Citra
Citra Keabuan (Grayscale)
Testing Pola
Deteksi Interest Point Speed-Up Robust
Feature
Ekstraksi Interest Point meggunakan
Histogram of Oriented Gradients
Input Citra
Histogram Feature Vector
Citra Keabuan (Grayscale)
Bag Of Visual Words
Menyimpan Pola Bag of Visual Words
pada Support Vector Machine
Deteksi Interest Point Speed-Up Robust
Feature
Ekstraksi Interest Point meggunakan
Histogram of Oriented Gradients
Pencocokan Model Pola Pada Support
Vector Machine
Output (Klasifikasi Citra Blur)
Gambar 3.2 Tahapan Modifikasi speed-up robust feature dengan histogram of oriented
gradient pada skema bag of visual word untuk klassifikasi citra blur.
3.4. Modifikasi Speed-up Robust Feature (SURF) Dengan Histogram of Oriented
Gradient (HOG)
Skala pendeteksian interest point pada speed-up robust feature mempengaruhi
klassifikasi citra blur jika dimodifikasikan dengan histogram of oriented gradien sebagai
ekstraksi fiturnya. Hal ini disebabkan oleh proses ekraksi fitur yang berbeda pada kedua
metode ini. Speed-up robust feature mengintegralkan citra dalam proses pendeteksian
keypoint, sedangkan histogram menggunakan cell blok pada citra secara satu per satu atau
single detector. Seperti pada Gambar 3.3, speed-up robust feature sebagai deteksi fitur
menggunakan pengintegralan citra, dengan menggunakan skala invarian pada citra. Proses
ini mendeteksi fitur pada citra dengan membentuk bulatan-bulatan sebagai deteksi fitur
dalam citra.
Universitas Sumatera Utara
24
Gambar 3.3 Pendeteksian interest point dengan speed-up robust feature
Bulatan pada citra pada Gambar 3.3 dihasilkan dari integral grid speed-up robust feature
dengan menggunakan fast hessian matrix. Gambar 3.4 akan menunjukkan grid yang telah
dibentuk oleh speed-up robust feature. Pengintegralan grid tersebut dapat mengurangi
waktu komputasi dalam pendeteksian fitur yang diperoleh pada citra. Sedangkan
Histogram of oriented gradient, membentuk Cell block yang menghasilkan gradient
sebagai fitur citra. Gambar 3.5, menunjukkan penggunakan grid oleh Histogram of oriented
gradient yang berbeda dengan speed-up robust feature dalam proses pendeteksian fitur.
Proses pendeteksian Hitogram of oriented gradient, lebih lama waktu komputasinya
dibandingkan dengan speed-up robust feature, hal ini dikarenakan Histogram of oriented
gradient membentuk cell blok terhadap keseluruhan citra dan menghitung gradien sebagai
pendeteksian fitur terhadap cell blok yang telah dibentuk (lihat Gambar 3.5).
Universitas Sumatera Utara
25
Gambar 3.4 Grid x dan y pada speed-up robust feature mendeteksi fitur dengan
membentuk bulatan kecil (blob) terhadap citra.
Gambar 3.5 Histogram of oriented gradient membentuk cell blok pada citra dan
menghitung gradien citra sebagai pendeteksian fitur.
Universitas Sumatera Utara
26
Dengan memodifikasi Speed-up robust feature dengan Histogram of oriented gradient
menghasilkan pendeteksian fitur seperti yang ditunjukkan pada Gambar 3.6. Dengan
modifikasi ini dapat mengklasifikasikan citra blur berdasarkan tipe blur pada skema bag of
visual word dengan lebih akurat.
Gambar 3.6 Modifikasi Speed-up robust feature dengan Histogram of oriented gradient
3.5. Pembentukan Bag Of Visual Words
Setelah di dapat fitur dengan menggunakan modifikasi speed-up robust feature dengan
histogram of oriented gradients maka fitur-fitur dibentuk bag visual words atau codebook
fitur dari citra blur yang telah diinputkan. Fitur-fitur yang telah didapatkan akan di cluster
menggunakan k-means algorithm, untuk membedakan kelas fitur-fitur tersebut dengan k =
500. Dimana feature vector yang telah di clusterkan ini akan menjadi bag of visual words
atau codebook fitur untuk mengklasifikasikan citra pada training set maupun test set
menggunakan klassifer support vector machine seperti yang dicontohkan pada Gambar 3.7.
Universitas Sumatera Utara
27
Gambar 3.7 Histogram Feature Vector bag1 dengan K= 500 atau disebut dengan
codebook
3.6. Ukuran Performansi
Pada penelitian ini, pengukuran performansi klassifikasi menggunakan confusion matrix.
Confusion matrix adalah sebuah array 2 dimensi berukuran K x K (dimana K adalah total
jumlah kelas) yang digunakan untuk melaporkan hasil mentah dari eksperimen klasifikasi
(Marques, 2011). Nilai pada baris i, kolom j mengindikasikan berapa kali sebuah objek
yang tergolong benar pada kelas I yang berlabel kelas j. Tabel confusion matrix berisikan
empat kemungkinan keluaran sebagai bahan acuan dalam membandingkan antara kejadian
yang sebenarnya (aktual) dengan kejadian yang terprediksi. Berikut adalah ilustrasinya:
Tabel 3.1 Tabel Confusion Matrix
Prediksi
Aktual
Average Blur
Motion Blur
Average Blur
True Positive (TP)
False Negative (FN)
Motion Blur
False Positive (FP)
True Negative (TN)
Universitas Sumatera Utara
28
dimana :
True Positive (TP) adalah jumlah data average blur yang diprediksi average blur
False Negative (FN) adalah jumlah data average blur yang diprediksi motion blur
False Positive (FP) adalah jumlah data motion blur yang diprediksi average blur
True Negative (TN) adalah jumlah data motion yang diprediksi motion blur
Untuk menghitung akurasi menggunakan confusion matrix dapat dirumuskan sebagai
berikut:
�
�� + �
� �= (
� � �
�
�
)
Sedangkan untuk menghitung tingkat kesalahan klassifikasi adalah sebagai berikut:
�
� � � ��
�
�� + �
= (
� � �
�
�
)
Universitas Sumatera Utara
BAB 4
HASIL DAN PEMBAHASAN
4.1. Hasil
Hasil yang dibahas meliputi modifikasi speed-up robust feature dengan histogram of
oriented gradients, pengujian dengan variasi skala speed-up robust feature, perbandingan
modifikasi metode dengan penelitian sebelumnya dan pembahasan.
4.1.1. Sampel pelatihan dan sampel pengujian
Imageset pada penelitian ini terbagi menjadi sampel pelatihan dan sampel pengujian.
Sampel pelatihan yang digunakan dalam penelitian ini berjumlah 236 citra, sedangkan
sampel pengujian terdiri dari 156 citra, yang terdiri dari 4 kategori citra. Yaitu kategori
average blur, citra non blur, gaussian blur dan motion blur, dimana penentuannya dilakukan
secara acak dan ukuran citra pada imageset penelitian ini sebesar 640 width x 480 height
pixel. Berikut adalah 4 contoh citra yang digunakan dalam sampel pelatihan:
Gambar 4.1 Citra 8.jpg pada kategori average blur
Universitas Sumatera Utara
30
Gambar 4.2 Citra 8.jpg pada kategori citra non blur
Gambar 4.3 Citra 8.jpg pada kategori gaussian blur
Gambar 4.4 Citra 8.jpg pada kategori motion blur
Universitas Sumatera Utara
31
4.1.2. Hasil bag of feature
Setelah menginput training set dan testing set, selanjutnya citra-citra pada training set akan
dideteksi interest pointnya menggunakan speed-up robust feature dan di ekstrak fiturnya
menggunakan histogram of oriented gradients. Bag of feature yang dibentuk pada
trainingSet1 adalah sebagai berikut:
Gambar 4.5 Bag of Feature TrainingSet1
Nilai masing-masing index pada gambar 4.5 menjadi acuan terhadap nilai fitur citra
lainnya. Dimana nilai index diatas merupakan nilai fitur yang telah sudah melalui tahapan
deteksi dan ekstraksi fitur, serta clustering nilai fitur-fitur, yang dikelompokkan menjadi
nilai visual word index. Nilai index tersebut, dapat dilihat pada nilai index masing-masing
citra, dimana nilai index pada gambar 4.1, gambar 4.2, gambar 4.3 dan gambar 4.4 tidak
lebih dari 200. Hal ini sesuai dengan penetapan jumlah index pada bag of feature yang
dibentuk, yaitu K=200. Berikut adalah nilai index gambar 4.1, gambar 4.2, gambar 4.3 dan
gambar 4.4 :
Universitas Sumatera Utara
32
Tabel 4.1 Nilai index gambar 4.1
116
95
113
153
16
102
53
113
164
135
87
153
36
123
165
136
178
197
78
18
43
11
69
3
98
150
21
195
160
27
60
73
31
75
126
82
11
94
195
89
142
149
192
11
20
81
50
189
175
49
180
70
146
24
21
117
114
195
70
160
182
182
131
30
158
60
39
29
137
163
164
106
32
119
164
169
112
34
108
1
88
153
200
115
64
199
75
101
142
120
144
118
146
192
14
118
145
43
185
145
7
39
42
13
178
47
75
186
117
104
52
23
9
63
18
196
31
150
116
144
33
110
10
112
146
108
50
81
145
178
42
167
3
121
136
56
35
126
150
32
72
146
108
7
138
190
104
98
122
110
180
65
114
84
94
191
49
171
88
2
199
197
134
160
174
192
103
50
147
183
49
141
177
17
198
115
151
128
187
140
182
44
124
111
133
166
42
115
82
147
52
60
23
200
79
12
26
85
113
11
154
118
158
141
146
125
33
30
125
101
29
80
34
159
177
16
Citra pada gambar 4.1
Histogram index pada citra gambar 4.1
Tabel 4.2 Nilai index gambar 4.2
194
170
170
85
15
34
167
113
153
16
87
130
13
21
111
96
165
161
160
20
162
81
34
161
56
194
151
142
162
15
37
14
110
49
170
28
132
175
184
158
143
166
37
98
37
171
178
195
51
158
13
158
104
147
30
147
170
158
67
11
37
158
98
159
169
114
37
166
121
158
163
183
56
174
134
116
151
185
37
33
158
62
37
158
187
98
158
166
163
98
158
161
37
200
37
37
176
91
82
158
37
151
12
172
127
69
158
37
56
184
34
118
171
143
Universitas Sumatera Utara
33
166
41
166
82
31
91
146
37
184
199
99
58
84
111
158
62
37
130
158
158
152
184
91
60
137
121
104
123
166
37
163
166
37
192
189
37
62
158
104
36
170
7
76
12
172
171
98
37
83
37
121
40
2
153
67
37
37
171
2
37
184
62
171
162
37
161
111
121
158
171
130
125
166
39
33
111
37
67
91
119
150
140
158
37
130
37
162
91
91
137
40
171
67
71
81
37
158
29
62
62
171
98
137
158
37
37
29
161
37
91
62
12
37
139
130
147
161
98
162
149
158
37
56
7
79
37
37
45
158
37
172
171
176
158
37
184
146
171
172
172
176
139
162
172
69
158
200
158
162
45
12
87
98
91
130
37
9
33
164
171
45
158
171
43
171
85
171
158
37
91
149
184
161
59
158
44
130
98
158
37
70
130
171
162
26
130
15
108
170
1
158
158
124
98
158
158
37
12
104
158
198
36
159
143
121
87
32
98
170
171
145
184
12
98
147
31
98
37
12
144
166
37
98
162
158
158
37
162
171
37
152
40
158
22
162
141
37
158
170
140
111
163
130
158
171
172
91
171
166
37
37
166
161
43
174
52
182
37
184
2
158
37
171
177
184
158
104
19
67
37
121
174
184
87
151
158
37
104
171
19
166
108
171
56
37
118
171
162
158
172
108
37
172
98
171
171
158
161
170
171
166
130
104
79
37
189
121
172
140
158
132
31
59
108
37
37
56
119
62
38
171
158
121
107
37
2
37
130
37
91
33
171
85
37
139
30
171
67
37
111
121
162
151
37
171
158
171
59
91
98
80
158
162
37
158
104
85
198
158
37
37
37
191
76
110
170
Citra pada gambar 4.2
Histogram index citra pada gambar 4.2
Universitas Sumatera Utara
34
62
158
79
12
37
158
120
158
172
130
91
194
171
37
158
37
37
91
37
184
182
130
37
170
43
2
158
158
172
37
37
130
171
43
184
81
13
189
91
111
172
124
37
158
21
76
130
21
158
70
17
130
37
161
33
67
63
121
196
37
147
91
111
62
37
47
98
171
176
98
98
98
171
172
100
111
184
184
37
158
98
12
37
67
37
37
37
7
98
172
91
143
158
37
174
159
158
158
98
11
172
13
120
158
78
43
158
117
158
149
37
180
184
82
161
161
182
166
158
143
158
33
172
158
37
17
171
138
140
37
37
21
37
12
176
171
158
98
171
40
98
98
171
91
33
85
158
161
158
37
37
23
183
37
31
37
37
37
9
123
183
43
37
36
161
171
37
147
37
91
37
174
19
171
37
158
37
185
37
108
37
158
189
158
130
130
109
178
37
196
158
37
140
158
67
124
37
110
151
98
37
98
149
158
37
170
143
33
158
37
140
47
12
162
172
62
171
37
37
152
117
130
12
152
37
37
162
171
198
85
171
37
37
96
145
183
139
62
31
12
162
171
37
2
37
140
24
37
37
158
130
147
111
62
37
19
124
171
37
21
62
143
2
162
82
98
59
47
96
158
145
37
37
147
173
37
158
158
171
91
171
98
189
162
43
172
91
98
91
158
13
170
158
171
133
158
174
37
151
145
158
37
98
Universitas Sumatera Utara
35
Tabel 4.3 Nilai index gambar 4.3
116
113
153
16
95
113
153
153
167
102
153
87
135
82
165
12
11
34
14
11
178
3
18
160
114
69
66
75
51
153
59
12
96
137
136
49
196
62
73
150
94
11
170
195
114
135
149
32
27
52
142
31
81
172
185
114
175
185
113
99
187
24
84
89
114
160
138
59
20
192
164
146
189
98
117
140
82
9
157
96
127
60
106
29
35
200
33
137
98
29
14
67
166
199
70
45
60
76
163
163
30
31
30
182
140
81
172
153
200
102
154
143
133
3
11
88
151
1
119
108
120
147
28
120
65
64
69
39
43
162
13
69
172
118
14
183
28
93
41
145
52
23
178
56
41
168
9
42
145
104
178
39
77
10
54
110
33
129
160
18
136
135
34
98
33
186
178
149
13
135
164
117
32
23
19
176
21
121
63
87
168
146
196
4
9
166
45
109
67
29
31
30
94
152
1
12
146
37
104
140
122
161
128
106
110
40
21
160
2
151
34
56
40
183
166
151
174
56
15
53
122
180
35
174
137
21
104
198
121
138
15
190
123
169
17
88
17
172
60
43
26
115
123
11
146
49
166
111
83
29
49
109
143
140
12
178
121
168
12
108
61
121
118
10
63
144
148
177
135
37
125
196
162
61
177
198
111
154
145
141
163
200
143
160
101
166
91
121
159
45
87
145
163
122
159
70
145
17
165
146
78
18
69
160
37
125
95
34
154
40
133
121
160
42
3
170
12
35
130
101
199
137
73
143
145
184
50
121
183
29
186
131
94
200
161
73
197
154
69
182
30
196
148
45
144
92
200
101
79
21
4
168
30
123
Citra pada gambar 4.3
Histogram index citra pada gambar 4.3
Universitas Sumatera Utara
36
177
140
152
167
54
140
37
28
15
163
13
66
180
122
47
111
101
172
166
31
147
Tabel 4.4 Nilai index gambar 4.4
13
95
103
102
1
103
116
60
61
28
135
40
153
95
165
87
11
133
136
96
122
195
172
183
147
92
109
72
30
194
98
64
35
96
96
164
90
131
96
157
105
126
89
11
163
96
109
150
26
101
59
127
128
109
130
85
98
180
94
102
66
146
84
88
165
52
165
3
115
148
139
54
109
133
148
133
106
133
188
199
148
39
109
109
32
80
75
102
78
54
165
96
96
170
60
45
96
115
95
44
66
190
109
88
115
44
125
50
95
153
105
133
165
15
103
115
39
80
165
145
133
166
22
9
28
72
93
196
159
133
130
13
188
59
179
88
44
133
109
165
109
109
196
59
165
133
133
183
7
154
80
26
190
80
196
37
20
96
109
64
161
136
172
44
145
115
109
136
96
133
109
28
103
133
80
200
115
133
144
61
1
43
80
133
101
109
78
103
54
105
54
109
113
179
195
194
109
40
109
95
22
153
109
109
105
106
166
109
183
172
103
75
179
58
165
153
123
46
78
103
145
36
133
133
86
78
44
109
64
145
125
15
148
78
42
133
95
165
96
105
95
96
111
173
131
183
133
133
54
166
109
21
Citra pada gambar 4.4
Histogram index citra pada gambar 4.4
4.1.3. Hasil klasifikasi support vector machine
Setelah masing-masing citra didapatkan nilai visual word indexnya, maka akan
diklasifikasikan menggunakan support vector machine. Support vector machine yang
digunakan dalam penelitian ini, menggunakan fungsi kernel gaussian. Citra 100.jpg, citra
Universitas Sumatera Utara
37
16.jpg, citra 18.jpg, citra 19.jpg, dan citra 20.jpg pada kategori average blur merupakan
citra yang termasuk ke dalam testingSet1. Sebelum diklasifikasikan, citra-citra tersebut
merupakan citra yang tergolong ke dalam average blur, namun hasil prediksi klasifikasi
menggunakan support vector machine tidaklah sama. Hasil prediksi klasifikasinya adalah
sebagai berikut:
Skor
Citra Non Blur
(2)
-0.30684513
Gaussian Blur
(3)
-0.37410361
Motion Blur
(4)
-0.4177559
PredictedLabel
No.
KnownLabel
Tabel 4.5 Hasil Klasifikasi Support Vector Machine
1
1
Average Blur
(1)
-0.23002604
2
1
-0.2938841
-0.4845694
-0.20611589
-0.49983257
3
3
1
-0.19163831
-0.48712417
-0.32290301
-0.43371373
1
4
1
-0.25048715
-0.40238863
-0.26704276
-0.44175404
1
5
1
-0.30074766
-0.46438521
-0.22137639
-0.41469043
3
1
Pada Tabel 4.5, menunjukkan KnownLabel adalah 1, yang merupakan id kategori
average blur. Support vector machine yang menggunakan fungsi kernel gaussian
menghitung skor terhadap data training, yang menghasilkan skor pada tiap-tiap kategori.
Support vector machine memutuskan klasifikasi kategori citra tersebut berdasarkan nilai
skor yang terbesar. Seperti pada citra nomor 2, skor terbesarnya adalah -0.20611589 pada
kategori gaussian blur, maka support vector machine mengkategorikan citra nomor 2 ke
dalam gaussian blur. Hal ini merupakan klasifikasi yang salah, dimana citra nomor 2
merupakan citra yang tergolong ke dalam average blur. Kesalahan klasifikasi ini
disebabkan oleh tipisnya perbedaan skor antara average blur dan gaussian blur. Support
vector machine sendiri mempunyai 3 fungsi kernel yang sering digunakan dalam
penelitian-penelitan
sebelumnya.
Kekurangan
ini
dapat
dikembangkan
dengan
menggunakan fungsi kernel yang berbeda, ataupun memakai fungsi clustering yang
berbeda. Hal ini dikarenakan bag of feature menggunakan visual word index yang terbentuk
dengan mengklusterisasi fitur-fitur pada citra.
Universitas Sumatera Utara
38
4.1.4. Modifikasi Speed-Up Robust Feature dengan Histogram of Oriented Gradients
Modifikasi speed-up robust feature dengan histogram of oriented gradients dimulai dengan
pembentukan grid untuk menentukan lokasi pendeteksian interest point. Grid Step yang
digunakan ialah 8, grid step ini berfungsi sebagai jarak antara pixel x (width) dan y (height).
Dimana untuk setiap x selanjutnya akan berjarak 8 pixel, pada ukuran citra 480 height dan
640 width akan menghasilkan grid x = 80 dan grid y = 60. Berikut adalah tabel koordinat
gridX dan gridY;
Tabel 4.6 Koordinat gridX
1
1
11
81
21
161
31
241
41
321
51
401
61
481
71
561
2
9
12
89
22
169
32
249
42
329
52
409
62
489
72
569
3
17
13
97
23
177
33
257
43
337
53
417
63
497
73
577
4
25
14
105
24
185
34
265
44
345
54
425
64
505
74
585
5
33
15
113
25
193
35
273
45
353
55
433
65
513
75
593
6
41
16
121
26
201
36
281
46
361
56
441
66
521
76
601
7
49
17
129
27
209
37
289
47
369
57
449
67
529
77
609
8
57
18
137
28
217
38
297
48
377
58
457
68
537
78
617
9
65
19
145
29
225
39
305
49
385
59
465
69
545
79
625
10
73
20
153
30
233
40
313
50
393
60
473
70
553
80
633
8
57
18
137
28
217
38
297
48
377
58
457
9
65
19
145
29
225
39
305
49
385
59
465
10
73
20
153
30
233
40
313
50
393
60
473
Tabel 4.7 Koordinat gridY
1
1
11
81
21
161
31
241
41
321
51
401
2
9
12
89
22
169
32
249
42
329
52
409
3
17
13
97
23
177
33
257
43
337
53
417
4
25
14
105
24
185
34
265
44
345
54
425
5
33
15
113
25
193
35
273
45
353
55
433
6
41
16
121
26
201
36
281
46
361
56
441
7
49
17
129
27
209
37
289
47
369
57
449
Universitas Sumatera Utara
39
Pada tabel 4.1 dan tabel 4.2 menampilkan koordinat gridX (1x80) dan gridY (1x60)
yang akan digunakan dalam pendeteksian interest point pada citra. Sehingga menghasilkan
koordinat deteksi interest point dengan ukuran matriks 4800x2, koordinat deteksi interest
point ini diilustrasikan pada Gambar 4.1.
Gambar 4.6 Koordinat deteksi interest point
Kemudian dengan menggunakan koordinat deteksi pada gambar 4.6 akan dilakukan
deteksi interest point menggunakan speed-up robust feature dengan menggunakan 3 skala
pendeteksian pada citra yaitu skala 1.6, 3.2 dan 4.8. Gambar 4.2 adalah hasil pendeteksian
interest point speed-up robust feature dengan menggunakan 3 skala pendeteksian pada citra
1.jpg.
Gambar 4.7 Hasil pendeteksian speed-up robust feature dengan menggunakan 3 skala
Universitas Sumatera Utara
40
Setelah interest point di dapatkan, maka di ekstrak menggunakan hitogram of
oriented gradients, yang menghasilkan ekstraksi seperti pada gambar 4.8 .
Gambar 4.8 Ekstraksi Histogram of Oriented Gradients
Dengan menerapkan modifikasi metode ini, maka di peroleh fitur 83x36 atau 2.988
fitur pada citra 1.jpg. Selanjutnya metode di uji dengan membentuk bag of visual words,
dimana menghasilkan 41.987 fitur pada trainingSet1. Angka fitur ini tidak tetap, mengingat
penentuan training set dan testing set dilakukan secara acak. Sehingga fitur yang ditemukan
berbeda-beda pada tiap citra, hal ini juga dipengaruhi oleh objek yang berbeda pada citra
dan tipe blur yang berbeda pada masing-masing citra.
4.2. Pengujian Dengan Variasi Skala Speed-Up Robust Feature
Pada Pengujian ini skala variasi speed-up robust feature akan di uji cobakan pada 3
model skala level, model pertama menggunakan 3 skala, model kedua dengan
menggunakan 4 skala dan model terakhir menggunakan 5 skala. Berikut adalah hasil
pengujian dari masing-masing skala.
Universitas Sumatera Utara
41
Tabel 4.8 Pengujian klassifikasi pada trainingSet1 dengan menggunakan 3 skala deteksi
Average Blur
Citra non Blur
Gaussian Blur
Motion Blur
Average Blur
97 %
0%
3%
0%
Citra non Blur
0%
100%
0%
0%
Gaussian Blur
5%
0%
95%
0%
Motion Blur
0%
0%
0%
100%
Rata-rata Akurasi
98%
Tabel 4.9 Pengujian klassifikasi pada testingSet1 dengan menggunakan 3 skala deteksi
Average Blur
Citra non Blur
Gaussian Blur
Motion Blur
Average Blur
44%
3%
46%
7%
Citra non Blur
0%
90%
2%
8%
Gaussian Blur
69%
0%
26%
5%
Motion Blur
13%
3%
2%
82%
Rata-rata Akurasi
60%
Tabel 4.10 Pengujian klassifikasi pada trainingSet1 dengan menggunakan 4 skala deteksi
Average Blur
Citra non Blur
Gaussian Blur
Motion Blur
Average Blur
100%
0%
0%
0%
Citra non Blur
0%
100%
0%
0%
Gaussian Blur
14%
0%
86%
0%
Motion Blur
0%
0%
0%
100%
Rata-rata Akurasi
97%
Tabel 4.11 Pengujian klassifikasi pada testingSet1 dengan menggunakan 4 skala deteksi
Average Blur
Citra non Blur
Gaussian Blur
Motion Blur
Average Blur
62%
0%
28%
10%
Citra non Blur
0%
95%
0%
5%
Gaussian Blur
69%
0%
18%
13%
Motion Blur
0%
2%
3%
95%
Rata-rata Akurasi
67%
Universitas Sumatera Utara
42
Tabel 4.12 Pengujian klassifikasi pada trainingSet1 dengan menggunakan 5 skala deteksi
Average Blur
Citra non Blur
Gaussian Blur
Motion Blur
Average Blur
97%
0%
2%
1%
Citra non Blur
0%
100%
0%
0%
Gaussian Blur
5%
0%
95%
0%
Motion Blur
0%
0%
0%
100%
Rata-rata Akurasi
98%
Tabel 4.13 Pengujian klassifikasi pada testingSet1 dengan menggunakan 5 skala deteksi
Average Blur
Citra non Blur
Gaussian Blur
Motion Blur
Average Blur
56%
0%
31%
13%
Citra non Blur
0%
92%
0%
8%
Gaussian Blur
36%
0%
38%
26%
Motion Blur
3%
0%
5%
92%
Rata-rata Akurasi
70%
Tabel 4.8 menunjukkan klasifikasi dengan akurasi yang cukup tinggi yaitu 98%, namun
pada tabel 4.9 menunjukkan akurasi klasifikasi yang rendah yaitu 60%. Hal ini
menunjukkan diperlukan pengujian lebih lanjut terhadap skala yang digunakan pada
pendeteksian interest point. Dimana pendeteksian pola blur pada citra kurang dikenali
dengan menggunakan hanya 3 skala pendeteksian interest point. Hal ini juga ditunjukkan
pada bag of feature yang terbentuk, dimana bag of feature yang dihasilkan memiliki rentang
index word yang jauh. Gambar 4.9 adalah gambar bag of feature yang dibentuk.
Universitas Sumatera Utara
43
Gambar 4.9 Bag of Visual Word yang dibentuk
Pada pengujian yang telah dilakukan pada tabel 4.11 ditemukan peningkatan akurasi
klasifikasi citra blur sebesar 7% dari sebelumnya yaitu pada tabel 4.9. Dimana pada tabel
4.11 menggunakan 4 skala deteksi dan pada tabel 4.9 menggunakan 3 skala deteksi.
Sedangkan pada tabel 4.13 ditemukan peningkatan akurasi klasifikasi citra blur sebesar 3
% dari sebelumnya yaitu pada tabel 4.11. Dimana pada tabel 4.13 menggunakan 5 skala
deteksi dan pada tabel 4.11 menggunakan 4 skala deteksi. Untuk itu diperlukan pengujian
lebih lanjut dengan melakukan 10 kali pengujian terhadap 3, 4 dan 5 skala pendeteksian
pada metode speed-up robust feature sebelum dimodifikasi dengan metode speed-up robust
feature setelah dimodifikasi. Hal ini berfungsi untuk menemukan akurasi yang konsisten
terhadap klasifikasi citra blur sebelum dan sesudah modifikasi, mengingat penentuan
trainingSet dan testingSet dilakukan secara acak. Selain itu pengujian akan dilakukan
dengan mengubah nilai K pada clustering k-means. Hal ini dikarenakan bag of visul words
yang dihasilkan pada pengujian pada tabel 4.10, tabel 4.11, tabel 4.12 dan tabel 4.13 tidak
mencapai 500 index, seperti terlihat pada gambar 4.9. Untuk itu akan dilakukan
pengurangan nilai K menjadi 200. Berikut adalah hasil pengujiannya :
Universitas Sumatera Utara
44
Tabel 4.14 Percobaan 1 Menggunakan 3 Skala Pendeteksian Interest Point
Percobaan 1 Menggunakan 3 Skala Pendeteksian Interest Point
testingSet1 (sebelum modifikasi speed-up robust feature)
Average Blur Citra Non Blur Gaussian Blur Motion Blur
Average Blur
33%
15%
21%
31%
Citra Non Blur
3%
74%
0%
23%
Gaussian Blur
38%
23%
18%
21%
Motion Blur
15%
5%
3%
77%
Rata-rata Akurasi
51%
testingSet1 (setelah modifikasi speed-up robust feature )
Average blur Citra Non Blur Gaussian Blur Motion Blur
Average Blur
44%
3%
46%
8%
Citra Non Blur
0%
90%
3%
8%
Gaussian Blur
69%
0%
26%
5%
Motion Blur
13%
3%
3%
82%
Rata-rata Akurasi
60%
Pada percobaan 1 menggunakan 3 skala pendeteksian interest point pada testingSet1
sebelum dimodifikasi speed-up robust feature, menghasilkan nilai akurasi average blur
sebesar 33%, citra non blur sebesar 74 %, gaussian blur sebesar 18 %, motion blur sebesar
77 % dengan rata-rata akurasi sebesar 51 %, seperti terlihat pada tabel 4.9. Selain itu terjadi
banyak miss classification, seperti klasifikasi average blur yang diklasifikasikan ke dalam
citra non blur sebesar 15 %, yang diklasifikasikan ke dalam gaussian blur sebesar 21 %,
dan diklasifikasikan ke dalam motion blur sebesar 31 %. Sedangkan pengujian pada
testingSet1 menggunakan speed-up robust feature yang telah dimodifikasi mengalami
peningkatan nilai akurasi average blur sebesar 44 %. Namun masih terjadi miss
classification terhadap 3 kelas lainnya, untuk itu akan dilakukan 10 kali pengujian
menggunakan speed-up robust feature yang belum dimodifikasi dengan speed-up robust
feature yang telah dimodifikasi, untuk mendapatkan nilai akurasi yang konsisten. Hasil
pengujiannya ditunjukkan pada tabel 4.15 dan tabel 4.16.
Universitas Sumatera Utara
45
Tabel 4.15 Hasil Keseluruhan 10 Kali Pengujian Pada testingSet1 Sebelum di Modifikasi
Testing
Test 1
Test 2
Test 3
Test 4
Test 5
Test 6
Test 7
Test 8
Test 9
Test 10
Akurasi Tertinggi
Akurasi Terendah
Rata-rata Akurasi
Skala yang digunakan
3 Skala 4 Skala 5 Skala
51%
50%
48%
50%
47%
46%
53%
47%
53%
49%
51%
49%
50%
49%
49%
54%
45%
49%
52%
52%
47%
52%
50%
53%
50%
54%
49%
49%
46%
53%
54%
54%
53%
49%
45%
46%
51.0%
49.1%
49.6%
Tabel 4.16 Hasil Keseluruhan 10 Kali Pengujian Pada testingSet1 Setelah di Modifikasi
Testing
Test 1
Test 2
Test 3
Test 4
Test 5
Test 6
Test 7
Test 8
Test 9
Test 10
Akurasi Tertinggi
Akurasi Terendah
Rata-rata Akurasi
Skala yang digunakan
3 Skala
4 Skala
5 Skala
60%
67%
70%
63%
70%
70%
69%
71%
74%
67%
75%
77%
61%
72%
73%
65%
67%
69%
70%
69%
71%
60%
71%
69%
67%
74%
76%
63%
72%
74%
70%
75%
77%
60%
67%
69%
64.50% 70.80% 72.30%
Setelah dilakukan 10 kali pengujian pada testingSet1 menggunakan speed-up robust
feature yang belum dimodifikasi dengan speed-up robust feature yang telah dimodifikasi,
didapatkan peningkatan nilai akurasi pada speed-up robust feature yang telah dimodifikasi.
Universitas Sumatera Utara
46
54%
54%
53%
52%
51%
50%
48%
51%
49%
50%
47%
46%
50%
49%
53%
52%
50%
49%
47%
53%
50%
49%
49%
47%
46%
45%
Test 1 Test 2 Test 3 Test 4 Test 5 Test 6 Test 7 Test 8 Test 9 Test 10
Skala yang digunakan 3 Skala
Skala yang digunakan 4 Skala
Skala yang digunakan 5 Skala
Gambar 4.10 Hasil Klasifikasi Citra Blur Sebelum Modifikasi
70%
67%
70%
74%
71%
69%
77%
75%
76%
74%
73%
72%
69%
67%
65%
67%
71%
70%
69%
71%
69%
67%
63%
63%
60%
74%
72%
61%
60%
Test 1 Test 2 Test 3 Test 4 Test 5 Test 6 Test 7 Test 8 Test 9 Test 10
Skala yang digunakan 3 Skala
Skala yang digunakan 4 Skala
Skala yang digunakan 5 Skala
Gambar 4.11 Hasil Klasifikasi Citra Blur Setelah Modifikasi
Dimana rata-rata akurasi tertinggi menggunakan 3 skala pendeteksian interest point
menggunakan speed-up robust feature yang telah dimodifikasi sebesar 64.5 %, sedangkan
nilai akurasi tertinggi mengggunakan speed-up robust feature yang belum dimodifikasi
sebesar 51.0 % . Rata-rata akurasi tertinggi menggunakan 4 skala pendeteksian interest
point menggunakan speed-up robust feature yang telah dimodifikasi sebesar 70.8 %,
Universitas Sumatera Utara
47
sedangkan nilai akurasi tertinggi mengggunakan speed-up robust feature yang belum
dimodifikasi sebesar 49.1 % . Dan rata-rata akurasi tertinggi menggunakan 5 skala
pendeteksian interest point menggunakan speed-up robust feature yang telah dimodifikasi
sebesar 72.3 %, sedangkan nilai akurasi tertinggi mengggunakan speed-up robust feature
yang belum dimodifikasi sebesar 49.6 %. Grafik klasifikasi citra blur sebelum modifikasi
dan sesudah dimodifikasi dapat dilihat pada Gambar 4.10 dan Gambar 4.11.
Setelah dilakukan 10 kali pengujian pada 3 skala yang berbeda yaitu skala 3, 4 dan 5
pendeteksian interest point, maka ditemukan rata-rata akurasi tertinggi klasifikasi citra blur
sebesar 72,3% dengan menggunakan 5 skala pendeteksian seperti yang ditunjukkan pada
tabel 4.16.
4.3. Pembahasan
Hasil keseluruhan pengujian pada tabel 4.15 menunjukkan nilai akurasi terendah dan
tertinggi pada 3 skala pendeteksian interest point sebelum dimodifikasi. Dimana pada tabel
4.15 yaitu hasil keseluruhan 10 kali pengujian pada testingSet1 sebelum dimodifikasi
menunjukkan nilai akurasi terendah menggunakan 3 skala pendeteksian interest point
sebesar 49 % pada percobaan 4 dan percobaan 10, sedangkan akurasi tertinggi
menggunakan 3 skala pendeteksian interest point sebesar 54 % pada percobaan 6. Nilai
akurasi terendah menggunakan 4 skala pendeteksian interest point sebesar 45 % pada
percobaan 6, sedangkan akurasi tertinggi menggunakan 4 skala pendeteksian interest point
sebesar 54 % pada percobaan 9. Nilai akurasi terendah menggunakan 5 skala pendeteksian
interest point sebesar 46 % pada percobaan 2, sedangkan akurasi tertinggi menggunakan 5
skala pendeteksian interest point sebesar 53 % pada percobaan 3, percobaan 8 dan
percobaan 10.
Hasil keseluruhan pengujian pada tabel 4.16 menunjukkan nilai akurasi terendah dan
tertinggi pada 3 skala pendeteksian interest point setelah dimodifikasi. Dimana pada tabel
4.11 yaitu hasil keseluruhan 10 kali pengujian pada testingSet1 setelah dimodifikasi
menunjukkan nilai akurasi terendah menggunakan 3 skala pendeteksian interest point
sebesar 60 % pada percobaan 1 dan percobaan 8, sedangkan akurasi tertinggi menggunakan
3 skala pendeteksian interest point sebesar 70 % pada percobaan 7. Nilai akurasi terendah
Universitas Sumatera Utara
48
menggunakan 4 skala pendeteksian interest point sebesar 67 % pada percobaan 1 dan
percobaan 6, sedangkan akurasi tertinggi menggunakan 4 skala pendeteksian interest point
sebesar 75 % pada percobaan 4. Nilai akurasi terendah menggunakan 5 skala pendeteksian
interest point sebesar 69 % pada percobaan 6 dan percobaan 8, sedangkan akurasi tertinggi
menggunakan 5 skala pendeteksian interest point sebesar 77 % pada percobaan 4.
Berdasarkan hasil penelitian yang telah dilakukan, dengan menggunakan 5 skala
pendeteksian interest point pada modifikasi speed-up robust feature dengan histogram of
oriented gradients dapat mengenali pola blur secara konsisten. Seperti yang ditunjukkan
pada tabel 4.16, dimana dalam 10 kali pengujian dalam 8 kali pengujian menghasilkan nilai
akurasi 70%, hanya 2 pengujian yang menghasilkan nilai akurasi dibawah 70%. Hal ini
berkaitan dengan penentuan skala pada interest point citra, yang dijelaskan pada subbab
2.5 dimana menggunakan skala pendeteksian dapat mengenali pola objek pada citra.
Penelitian ini telah membuktikan dengan menggunakan 5 skala pendeteksian interest point
pada modifikasi speed-up robust feature dan histogram of oriented gradients dapat
mengenali pola blur pada citra yang tidak hanya berfokus pada penentuan prediksi model
degradasi citra untuk mengklasifikasikan daerah blur pada citra seperti penelitianpenelitian sebelumnya. Namun modifikasi metode ini masih sulit untuk mengklasifikasikan
jenis gaussian blur pada citra, dimana pada semua skala yang digunakan dalam pengujian
hanya menghasilkan akurasi true positif tertinggi testingSet1 sebesar 56%.
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Tesis ini menghasilkan beberapa kesimpulan sebagai berikut:
1. Modifikasi speed-up robust feature dan histogram of oriented gradient, dapat
mengenali pola blur secara konsisten dengan rata-rata akurasi tertinggi klasifikasi
citra blur sebesar 72,3% dengan menggunakan 5 skala pendeteksian.
2. Modifikasi metode speed-up robust feature dan histogram of oriented gradient sulit
untuk mengklasifikasikan jenis gaussian blur pada citra. Dimana pada semua skala
yang digunakan dalam pengujian, dimana pada semua skala yang digunakan dalam
pengujian hanya menghasilkan akurasi true positif tertinggi testingSet1 sebesar
56%.
3. Ditemukan peningkatan akurasi klasifikasi citra blur, dimana sebelum
memodifikasi pendeteksian interest point pada speed-up robust feature hanya
menghasilkan akurasi tertinggi sebesar 51%. Sedangkan setelah memodifikasi
pendeteksian interest point pada speed-up robust feature menghasilkan akurasi
tertinggi sebesar 72.3%. Hal ini membuktikan bahwasanya dengan memodifikasi
pendeteksian interest point speed-up robust feature dengan histogram of oriented
gradient menghasilkan akurasi klasifikasi yang lebih baik pada citra blur.
5.2. Saran
Modifikasi metode ini dapat dikembangkan untuk mengenali pola gaussian blur pada
citra blur dengan memodifikasi pendeteksian interest point yang lebih baik dalam
mengenali pola gaussian blur ataupun dengan memodifikasi klusterisasi feature vector pada
k-means.
Universitas Sumatera Utara