Modifikasi Speed-Up Robust Feature (SURF) dengan Histogram of Oriented Gradient (HOG) pada Klasifikasi Citra Blur
BAB 1
PENDAHULUAN
1.1 Latar Belakang Masalah
Bag of visual words merupakan suatu metode untuk mempresentasikan citra berdasarkan
fitur lokal (Farhangi et al. 2013). Bag of visual words memaparkan bagaimana sebuah citra
dapat diambil karakteristiknya. Setiap citra mempunyai karakteristik tertentu dalam nilai
pixelnya, seperti contoh pada Gambar 1.1 dan Gambar 1.2 berupa citra mobil dan objekobjek lainnya. Secara kasat manusia dapat membedakan bahwa pada citra tersebut terdapat
mobil dan objek lainnya, seperti tumbuhan, tanah dan rumah yang terdapat pada citra
tersebut. Namun, komputer tidak memiliki kemampuan seperti mata manusia yang dapat
langsung membedakan objek pada citra tersebut. Karena komputer hanya mengenali
bilangan biner yaitu 0 dan 1. Untuk itu bag of visual words dapat digunakan untuk
mengambil nilai-nilai pixel pada citra tersebut sebagai ciri karakteristik dalam
membedakan objek-objek pada citra tersebut.
Gambar 1.1 Citra mobil dan rumah
Gambar 1.2 Citra rumah dan tumbuhan
Tahapan bag of visual words dimulai dengan ekstraksi fitur lokal dari citra, ekstraksi
fitur lokal pada bag of visual words terbagi menjadi 2 bagian, yaitu penentuan interest point
detector dan interest point descriptor (Shuka et al. 2013). Ekstraksi fitur merupakan suatu
Universitas Sumatera Utara
2
proses seleksi informasi pada citra yang dinginkan, baik bentuk, warna, maupun sudut
objek pada citra dengan menggunakan metode tertentu (Nixon & Aguado, 2008). Ekstraksi
fitur adalah tahap pre-processing yang penting dalam klassifikasi, untuk menentukan ciri
(feature) dari sebuah dataset yang akan diklassifikasikan. Secara teori, seleksi fitur dapat
meminimalisasi tingkat error klassifikasi dan jumlah fitur untuk menjadi acuan
pengetahuan klassifikasi (Han & Kamber, 2006).
Pada ekstrasi fitur lokal ini telah dikembangkan beberapa metode diantaranya
menggunakan menggunakan Haris detector (Harris & Stephens, 1988), grid regular yang
mensegmentasikan citra dengan garis horizontal dan vertikal untuk mendapatkan area local
blur (Sivic, 2003.), scale invariant feature transform (Lowe, 2004), speed-up robust feature
(Bay et al. 2006) dan variabel fitur persegi panjang berdasarkan area lokal blur
(Khrisnamoorthy & Punidha, 2012). Scale invariant feature transform dan speed-up robust
feature lebih sering digunakan sebagai interest point detector dan interest point descriptor
pada skema bag of visual words, seperti yang dilakukan oleh Raza et al. 2011 dan Shukla
et al. 2013. Hal ini disebabkan penggunaan rotasi invarian dan skala invarian dalam
penentuan fitur pada citra yang dapat meningkatkan kecepatan komputasi dan akurasi
klasifikasi citra. Namun ditemukan kekurangan dalam kedua metode tersebut, yaitu sulit
menentukan interest point pada intensitas citra yang terdegradasi.
Dalam image processing, citra merupakan istilah lain untuk gambar yang merupakan
bentuk informasi visual (Szelizki, 2011). Namun dalam perolehan data, citra yang didapat
tidak selalu dalam kondisi yang berkualitas. Dapat terjadi suatu kesalahan atau keterbasan
alat yang menyebabkan citra tidak berkualitas. Maka tidak jarang citra yang didapat
terkadang tidak terlihat jelas, dikarenakan oleh noise atau blur di dalam citra tersebut. Citra
yang blur merupakan citra yang tidak dikenali secara jelas, dikarenakan terjadi degradasi
di dalam citra tersebut (Gonzalez & Woods, 2008).
Blur terbagi dalam beberapa jenis, diantaranya; average blur, motion blur, Gaussian
blur, dan out of focus blur. Average Blur adalah jenis blur yang terdapat di seluruh
permukaan gambar baik secara vertical maupun horizontal. Motion Blur adalah jenis blur
yang terjadi karena pergerakan saat menangkap suatu citra. Gaussian blur adalah jenis blur
yang terjadi dalam sisi interior dan eksterior pada tepi citra. Out of focus blur adalah jenis
Universitas Sumatera Utara
3
blur yang terjadi ketika pengguna foto mengambil gambar dengan kamera, dan tiba-tiba
gambar mendapat blur (Vignesh & Sivabalakrishnan, 2015).
Penelitian sebelumnya mengenai citra blur, berfokus terhadap prediksi model degradasi
citra untuk mengklasifikasikan daerah blur pada citra. Seperti yang dilakukan oleh Tiwari
et al. (2014) menggunakan wavelet transform untuk menemukan pola frekuensi blur pada
citra sebagai fitur tekstur untuk klassifikasi citra blur. Sedangkan Suta & Vaida (2012)
menggunakan deteksi tepi berdasarkan 3 tipe tepi yang berbeda pada citra yaitu diracsturucture egde, roof-structure edge dan step-structure edge untuk memprediksi daerah
blur pada citra. Model degradasi citra menentukan prediksi dalam klassifikasi tekstur citra
yang blur dimana proses ini akan menentukan keakuratan pada proses klassifikasi citra blur
(Corburn, 2002).
Rassem & Khoo, 2015. menganalisa histogram of oriented gradient lebih stabil dalam
mengenali perubahan pola tekstur pencahayaan dan degradasi citra dibandingkan metode
lain yang menggunakan pixel sebagai interest point. Kelebihan histogram of oriented
gradient ini berkaitan dengan speed-up robust feature, dimana speed-up robust feature
menggunakan pixel untuk menentukan interest point (Bay et al. 2006). Karena histogram
of oriented gradient menghitung gradient vertical dan horizontal yang terpusat (Dalal &
Triggs, 2005), yang dapat mendeteksi nilai intensitas pada citra.
Berdasarkan penelitian yang sudah pernah dilakukan oleh penulis lain dan dari uraian
pada paragraf-paragraf diatas, diperlukan suatu modifikasi metode feature extractor speedup robust feature dalam skema bag of visual words pada klassifikasi citra blur. Untuk itu
penulis tertarik melakukan penelitian modifikasi metode speed-up robust feature dalam
skema bag of visual words pada klassifikasi citra blur.
1.2.
Perumusan Masalah
Dalam skema bag of visual words, speed-up robust feature memiliki kelemahan dalam
menentukan interest point pada citra yang terdegradasi. Pada penelitian sebelumnya,
histogram of oriented gradients mampu mengenali perubahan pola tekstur pencahayaan
dan degradasi citra dibandingkan dengan metode lain yang menggunakan pixel sebagai
interest point. Untuk itu perlu dilakukan penelitian modifikasi metode speed-up robust
Universitas Sumatera Utara
4
feature dengan mengambil beberapa kelebihan metode histogram of oriented gradients
dalam penentuan interest point pada citra yang terdegradasi.
1.3.
Batasan Masalah
Karena keterbatasan waktu,sumber daya, dana dan kemampuan keilmuan penulis, maka
dalam penelitian ini hanya akan dilakukan hal-hal sebagai berikut:
a. Resolusi citra yang digunakan adalah 640 width x 480 height pixel.
b. Penelitian menggunakan sumber daya berbasis opensource yang tidak melanggar hak
cipta (license).
c. Menggunakan Support Vector Machine sebagai klassifier
1.4. Tujuan Penelitian
Penelitian ini bertujuan untuk menentukan interest point guna mengklasifikasi citra blur
dengan menggunakan modifikasi metode speed-up robust feature dalam skema bag of
visual words.
1.5. Manfaat Penelitian
Manfaat penelitian ini adalah untuk memperoleh cara baru dalam pendeteksian blur pada citra
Universitas Sumatera Utara
PENDAHULUAN
1.1 Latar Belakang Masalah
Bag of visual words merupakan suatu metode untuk mempresentasikan citra berdasarkan
fitur lokal (Farhangi et al. 2013). Bag of visual words memaparkan bagaimana sebuah citra
dapat diambil karakteristiknya. Setiap citra mempunyai karakteristik tertentu dalam nilai
pixelnya, seperti contoh pada Gambar 1.1 dan Gambar 1.2 berupa citra mobil dan objekobjek lainnya. Secara kasat manusia dapat membedakan bahwa pada citra tersebut terdapat
mobil dan objek lainnya, seperti tumbuhan, tanah dan rumah yang terdapat pada citra
tersebut. Namun, komputer tidak memiliki kemampuan seperti mata manusia yang dapat
langsung membedakan objek pada citra tersebut. Karena komputer hanya mengenali
bilangan biner yaitu 0 dan 1. Untuk itu bag of visual words dapat digunakan untuk
mengambil nilai-nilai pixel pada citra tersebut sebagai ciri karakteristik dalam
membedakan objek-objek pada citra tersebut.
Gambar 1.1 Citra mobil dan rumah
Gambar 1.2 Citra rumah dan tumbuhan
Tahapan bag of visual words dimulai dengan ekstraksi fitur lokal dari citra, ekstraksi
fitur lokal pada bag of visual words terbagi menjadi 2 bagian, yaitu penentuan interest point
detector dan interest point descriptor (Shuka et al. 2013). Ekstraksi fitur merupakan suatu
Universitas Sumatera Utara
2
proses seleksi informasi pada citra yang dinginkan, baik bentuk, warna, maupun sudut
objek pada citra dengan menggunakan metode tertentu (Nixon & Aguado, 2008). Ekstraksi
fitur adalah tahap pre-processing yang penting dalam klassifikasi, untuk menentukan ciri
(feature) dari sebuah dataset yang akan diklassifikasikan. Secara teori, seleksi fitur dapat
meminimalisasi tingkat error klassifikasi dan jumlah fitur untuk menjadi acuan
pengetahuan klassifikasi (Han & Kamber, 2006).
Pada ekstrasi fitur lokal ini telah dikembangkan beberapa metode diantaranya
menggunakan menggunakan Haris detector (Harris & Stephens, 1988), grid regular yang
mensegmentasikan citra dengan garis horizontal dan vertikal untuk mendapatkan area local
blur (Sivic, 2003.), scale invariant feature transform (Lowe, 2004), speed-up robust feature
(Bay et al. 2006) dan variabel fitur persegi panjang berdasarkan area lokal blur
(Khrisnamoorthy & Punidha, 2012). Scale invariant feature transform dan speed-up robust
feature lebih sering digunakan sebagai interest point detector dan interest point descriptor
pada skema bag of visual words, seperti yang dilakukan oleh Raza et al. 2011 dan Shukla
et al. 2013. Hal ini disebabkan penggunaan rotasi invarian dan skala invarian dalam
penentuan fitur pada citra yang dapat meningkatkan kecepatan komputasi dan akurasi
klasifikasi citra. Namun ditemukan kekurangan dalam kedua metode tersebut, yaitu sulit
menentukan interest point pada intensitas citra yang terdegradasi.
Dalam image processing, citra merupakan istilah lain untuk gambar yang merupakan
bentuk informasi visual (Szelizki, 2011). Namun dalam perolehan data, citra yang didapat
tidak selalu dalam kondisi yang berkualitas. Dapat terjadi suatu kesalahan atau keterbasan
alat yang menyebabkan citra tidak berkualitas. Maka tidak jarang citra yang didapat
terkadang tidak terlihat jelas, dikarenakan oleh noise atau blur di dalam citra tersebut. Citra
yang blur merupakan citra yang tidak dikenali secara jelas, dikarenakan terjadi degradasi
di dalam citra tersebut (Gonzalez & Woods, 2008).
Blur terbagi dalam beberapa jenis, diantaranya; average blur, motion blur, Gaussian
blur, dan out of focus blur. Average Blur adalah jenis blur yang terdapat di seluruh
permukaan gambar baik secara vertical maupun horizontal. Motion Blur adalah jenis blur
yang terjadi karena pergerakan saat menangkap suatu citra. Gaussian blur adalah jenis blur
yang terjadi dalam sisi interior dan eksterior pada tepi citra. Out of focus blur adalah jenis
Universitas Sumatera Utara
3
blur yang terjadi ketika pengguna foto mengambil gambar dengan kamera, dan tiba-tiba
gambar mendapat blur (Vignesh & Sivabalakrishnan, 2015).
Penelitian sebelumnya mengenai citra blur, berfokus terhadap prediksi model degradasi
citra untuk mengklasifikasikan daerah blur pada citra. Seperti yang dilakukan oleh Tiwari
et al. (2014) menggunakan wavelet transform untuk menemukan pola frekuensi blur pada
citra sebagai fitur tekstur untuk klassifikasi citra blur. Sedangkan Suta & Vaida (2012)
menggunakan deteksi tepi berdasarkan 3 tipe tepi yang berbeda pada citra yaitu diracsturucture egde, roof-structure edge dan step-structure edge untuk memprediksi daerah
blur pada citra. Model degradasi citra menentukan prediksi dalam klassifikasi tekstur citra
yang blur dimana proses ini akan menentukan keakuratan pada proses klassifikasi citra blur
(Corburn, 2002).
Rassem & Khoo, 2015. menganalisa histogram of oriented gradient lebih stabil dalam
mengenali perubahan pola tekstur pencahayaan dan degradasi citra dibandingkan metode
lain yang menggunakan pixel sebagai interest point. Kelebihan histogram of oriented
gradient ini berkaitan dengan speed-up robust feature, dimana speed-up robust feature
menggunakan pixel untuk menentukan interest point (Bay et al. 2006). Karena histogram
of oriented gradient menghitung gradient vertical dan horizontal yang terpusat (Dalal &
Triggs, 2005), yang dapat mendeteksi nilai intensitas pada citra.
Berdasarkan penelitian yang sudah pernah dilakukan oleh penulis lain dan dari uraian
pada paragraf-paragraf diatas, diperlukan suatu modifikasi metode feature extractor speedup robust feature dalam skema bag of visual words pada klassifikasi citra blur. Untuk itu
penulis tertarik melakukan penelitian modifikasi metode speed-up robust feature dalam
skema bag of visual words pada klassifikasi citra blur.
1.2.
Perumusan Masalah
Dalam skema bag of visual words, speed-up robust feature memiliki kelemahan dalam
menentukan interest point pada citra yang terdegradasi. Pada penelitian sebelumnya,
histogram of oriented gradients mampu mengenali perubahan pola tekstur pencahayaan
dan degradasi citra dibandingkan dengan metode lain yang menggunakan pixel sebagai
interest point. Untuk itu perlu dilakukan penelitian modifikasi metode speed-up robust
Universitas Sumatera Utara
4
feature dengan mengambil beberapa kelebihan metode histogram of oriented gradients
dalam penentuan interest point pada citra yang terdegradasi.
1.3.
Batasan Masalah
Karena keterbatasan waktu,sumber daya, dana dan kemampuan keilmuan penulis, maka
dalam penelitian ini hanya akan dilakukan hal-hal sebagai berikut:
a. Resolusi citra yang digunakan adalah 640 width x 480 height pixel.
b. Penelitian menggunakan sumber daya berbasis opensource yang tidak melanggar hak
cipta (license).
c. Menggunakan Support Vector Machine sebagai klassifier
1.4. Tujuan Penelitian
Penelitian ini bertujuan untuk menentukan interest point guna mengklasifikasi citra blur
dengan menggunakan modifikasi metode speed-up robust feature dalam skema bag of
visual words.
1.5. Manfaat Penelitian
Manfaat penelitian ini adalah untuk memperoleh cara baru dalam pendeteksian blur pada citra
Universitas Sumatera Utara