PENERAPAN DAN ANALISIS KONSEP A UNIFIED
PENERAPAN DAN ANALISIS KONSEP
A UNIFIED LOG BASED RELEVANCE FEEDBACK PADA IMAGE
RETRIEVAL
TUGAS AKHIR
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
pada
Program Studi S-1 Jurusan Teknik Informatika
Fakultas Teknologi Informasi
Institut Teknologi Sepuluh Nopember
Oleh :
HASAN DWI CAHYONO
Nrp. 5104109615
Disetujui oleh Pembimbing Tugas Akhir :
1. Esther Hanaya, M. Sc.
……….( Pembimbing I )
2. Darlis Heru M., S. Kom.
……….( Pembimbing II)
SURABAYA
JANUARI, 2007
ii
PENERAPAN DAN ANALISIS KONSEP
A UNIFIED LOG BASED RELEVANCE FEEDBACK PADA IMAGE
RETRIEVAL
Nama Mahasiswa : Hasan Dwi Cahyono
NRP
: 5104 109 615
Jurusan
: Teknik Informatika FTIf - ITS
Dosen Pembimbing : Esther Hanaya, M. Sc.
Darlis Heru M., S. Kom.
ABSTRAK
Relevance feedback telah tampil sebagai konsep yang tangguh untuk
mendorong kinerja retrieval pada content – based image retrieval (CBIR). Di
masa lalu, kebanyakan penelitian pada bidang ini terfokus pada desain algoritma
yang efektif pada traditional relevance feedback.
Bahwasanya CBIR dapat menghimpun dan menyimpan informasi relevance
feedback dari user pada sebuah history log, sebuah image retrieval system
seharusnya mampu untuk mengunakan log data feedback tersebut untuk
meningkatkan retrieval performance – nya.
Dalam Tugas Akhir ini, akan dibuat sebuah unified framework untuk log –
based relevance feedback yang mengintegrasikan log dari feedback data kedalam
konsep traditional relevance scheme untuk mempelajari secara tepat korelasi
antara low – level image features dan high – level concepts.
Sebagai hasil akhir dari sistem ini adalah kumpulan image yang memiliki
kesesuaian dengan query user.
Kata Kunci: Content – based image retrieval, relevance feedback, log – based
relevance feedback, log – data.
iii
A UNIFIED LOG BASED RELEVANCE FEEDBACK FOR IMAGE
RETRIEVAL
Student Name
: Hasan Dwi Cahyono
NRP
: 5104 109 615
Department
: Teknik Informatika FTIf - ITS
Advisors
: Esther Hanaya, M. Sc.
Darlis Heru M., S. Kom.
ABSTRACT
Relevance feedback has emerged as a powerful tool to boost the retrieval
performance in content – based image retrieval (CBIR). In the past, most research
efforts in this field have focused on designing effective algoritms for traditional
retrieval feedback.
Given that a CBIR system can collect and store user’s relevance feedback
information in a history log, an image retrieval system should be able to take
advantage of the log data of user’s relevance feedback to enhance its retrieval
performance.
In this final project, the author proposes a unified framework for log –
based relevance feedback that integrates the log of feedback data into the
traditional relevance feedback schemes to learn effectively the correlation between
low – level features and high – level concepts.
For the results of the systems are set of images which has similarity based
on user’s query.
Index Terms: Content – based image retrieval, relevance feedback, log – based
relevance feedback, log – data.
iv
KATA PENGANTAR
Segala puji terucap kehadirat
yang telah melimpahkan
karunia-Nya berupa rizki kepada siapa saja yang dikehendaki-Nya dari
seluruh makhluk-Nya di alam semesta ini. Shalawat serta salam senantiasa
terucapkan untuk kepada seorang manusia terbaik sepanjang zaman.
Melalui kata pengantar ini, penyusun ingin mengucapkan banyak ucapan
Jazakumullahu khairan katsiro (semoga
membalas anda semua dengan
kebaikan yang banyak) kepada pelbagai pihak yang telah membantu
penyusun menyelesaikan Tugas Akhir ini, yaitu:
Ayahanda dan ibunda yang telah mendidik, mengasuh, membesarkan,
menasehati, memotivasi, meluruskan dan mendoakan penyusun dengan
penuh rasa ikhlas, kesabaran, tanpa pamrih, serta penuh rasa kasih sayang.
Ibu Esther Hanaya, M.Sc. dan Bapak Darlis Heru M., S.Kom., selaku
dosen-dosen pembimbing yang telah dengan sabar mengarahkan penyusun
sehingga bisa menyelesaikan Tugas Akhir ini tepat pada waktunya.
Bapak Irfan S., S.Kom., Msc.Eng., dan Bapak Hoirul B., S.Kom selaku
dosen penguji.
Bapak Fajar Baskoro, yang telah penyusun repotkan sewaktu kuliah.
Mas Ari Shidiq yang telah banyak membantu baik sebagai pembimbing
“bayangan“ dan juga sebagai seorang sahabat.
Bapak / Ibu dosen IT PENS, yang telah banyak berjasa dalam
perkembangan penyusun.
Teman – teman Alumni IT’00 PENS (Andri, Ipόel, Satria, Anang, dll),
teman – teman LJ (ext) (Oky, Dono, Irwan2, A’ot, Upic, Imam, Indra, dll)
dan dari (ext) TC, mantan rekan – rekan kerja di Elista PENS, kost – er
maupun alumni kost – er GK 31.
Dan kepada pelbagai pihak yang tidak mungkin penyusun sebutkan satu
persatu.
Surabaya, Januari 2007
Penyusun
v
vi
DAFTAR ISI
ABSTRAK.................................................................................................... III
ABSTRACT ..................................................................................................IV
KATA PENGANTAR ................................................................................... V
DAFTAR ISI ............................................................................................... VII
DAFTAR GAMBAR ..................................................................................... X
BAB 1 PENDAHULUAN ............................................................................... 1
1.1
1.2
1.3
1.4
1.5
1.6
LATAR BELAKANG ................................................................................. 1
TUJUAN .................................................................................................. 2
PERMASALAHAN ..................................................................................... 2
BATASAN MASALAH............................................................................... 3
METODOLOGI PELAKSANAAN TUGAS AKHIR ......................................... 3
SISTEMATIKA PENULISAN ....................................................................... 4
BAB 2 TEORI PENUNJANG........................................................................ 5
2.1
2.1.1
2.1.2
2.1.3
2.2
2.3
2.2.1
2.2.2
2.2.3
LOW – LEVEL IMAGE REPRESENTATION...................................................... 5
Komponen Warna .................................................................................. 5
Komponen Tepi ...................................................................................... 5
Komponen Tekstur ................................................................................. 6
EUCLIDEAN DISTANCE............................................................................ 6
DASAR SUPPORT VECTOR MACHINES ..................................................... 7
Perkenalan ............................................................................................. 7
Hyperplane............................................................................................. 7
Optimasi Lagrange ................................................................................ 9
2.2.3.1 Teori Lagrange ...................................................................................................9
2.2.3.2 Lagrange Multiplier..........................................................................................11
BAB 3 SUPPORT VECTOR MACHINES................................................ 15
3.1
3.2
3.3
3.4
3.4.1
3.5
SUPPORT VECTOR MACHINES ............................................................... 15
HYPERPLANE OPTIMAL......................................................................... 16
IMPLEMENTASI MAXIMAL MARGIN SVM............................................. 21
SOFT MARGIN HYPERPLANE ................................................................. 22
Definisi Soft Margin Hyperplane ......................................................... 22
DOT PRODUCT PADA FEATURE SPACE .................................................. 24
BAB 4 PERANCANGAN DAN PEMBUATAN PERANGKAT LUNAK27
4.1
TAHAPAN PERSIAPAN PERANCANGAN APLIKASI .................................. 27
vii
4.1.1
4.1.2
4.1.3
4.1.4
4.1.5
4.1.6
4.1.7
Tahap Analisis ..................................................................................... 27
Tahap Desain....................................................................................... 27
Tahap Implementasi............................................................................. 28
Tahap Uji Coba.................................................................................... 28
Analisis Kebutuhan Aplikasi ................................................................ 28
Arsitektur Sistem / Flowchart .............................................................. 29
A Unified Log – Based Relevance Feedback Framework .................... 30
4.1.7.1 Log – Based Relevance Feedback: Rumusan dan Batasan ..............................30
4.2 IMPLEMENTASI PERANCANGAN APLIKASI ............................................ 32
4.2.1 Perancangan Proses dalam aplikasi.................................................... 32
4.2.2 Perancangan Object-Object yang Ada Dalam Aplikasi....................... 35
4.2.2.1 Object Utama Diagram Generate low level components / features...................36
4.2.2.2 Class ImageStatistics ........................................................................................36
4.2.2.3 Class CannyEdgeDetector ................................................................................37
4.2.2.4 Class DWT .......................................................................................................38
4.2.2.5 Class DBConnection.........................................................................................39
4.2.2.6 Class SVM........................................................................................................39
4.3
4.3.1
4.3.2
4.3.3
PEMBUATAN PERANGKAT LUNAK ........................................................ 42
Lingkungan Aplikasi ............................................................................ 43
Implementasi Object-object Utama...................................................... 43
Object ClassDiagram........................................................................... 43
4.3.3.1 Field-field Utama dari ClassDiagram...............................................................43
4.3.3.2 Implementasi Ifilter / Kumpulan ClassDiagram ...............................................44
4.3.3.3 Algoritma Utama Support Vector Machines.....................................................51
BAB 5 UJI COBA DAN EVALUASI ......................................................... 55
5.1 LINGKUNGAN UJI COBA ....................................................................... 55
5.2 SKENARIO UJI COBA ............................................................................. 55
5.2.1 Garis Besar Skenario........................................................................... 56
5.2.1.1 Garis Besar Skenario 1 .....................................................................................56
5.2.1.2 Garis Besar Skenario 2 .....................................................................................56
5.3 PELAKSANAAN UJI COBA ..................................................................... 56
5.3.1 Pelaksanaan Skenario 1....................................................................... 56
5.3.2 Pelaksanaan Skenario 2....................................................................... 65
BAB 6 KESIMPULAN DAN SARAN......................................................... 73
6.1
6.2
KESIMPULAN ........................................................................................ 73
SARAN .................................................................................................. 73
DAFTAR PUSTAKA.................................................................................... 75
LAMPIRAN I PERBANDINGAN HASIL UJI KERJA SKENARIO .... 81
viii
LAMPIRAN II BIODATA PENULIS ....................................................... 83
ix
DAFTAR GAMBAR
GAMBAR 2.1 KONSTRAINED SHORTEST PATH .....................................................10
GAMBAR 2.2 ELLIPSES AND LAGRANGE MULTIPLIER..........................................12
GAMBAR 3.1 HYPERPLANE DENGAN SUPPORT VECTOR DAN MAXIMAL MARGIN 17
GAMBAR 3.2 KERNEL MAPPING DARI INPUT SPACE KEPADA FEATURE SPACE.....25
GAMBAR 4.1 ARSITEKTUR SISTEM ......................................................................29
GAMBAR 4.2 LOG – BASED RELEVANCE FEEDBACK .............................................30
GAMBAR 4.3 USE CASE APLIKASI .......................................................................33
GAMBAR 4.4 GENERATE LOW LEVEL COMPONENTS ...........................................34
GAMBAR 4.5 COLLECTS USER’S RELEVANCE IMAGES ........................................35
GAMBAR 4.6 CLASS DIAGRAM IMAGESTATISTICS ..............................................36
GAMBAR 4.7 CLASS DIAGRAM CANNYEDGEDETECTOR .....................................37
GAMBAR 4.8 CLASS DIAGRAM DWT ..................................................................38
GAMBAR 4.9 CLASS DIAGRAM DBCONNECTION.................................................39
GAMBAR 4.10 CLASS DIAGRAM SVM - 1............................................................40
GAMBAR 4.11 CLASS DIAGRAM SVM - 2............................................................41
GAMBAR 4.12 CLASS DIAGRAM SVM – 3 ...........................................................42
GAMBAR 4.13 INTERFACE IFILTER ......................................................................44
GAMBAR 4.14 IMAGE STATISTICSHSL ................................................................45
GAMBAR 4.15 HISTOGRAM CLASS ......................................................................46
GAMBAR 4.16 CANNY EDGE DETECTORS ............................................................47
GAMBAR 4.17 GAUSSIAN BLUR CLASS ...............................................................48
GAMBAR 4.18 ENUM DWTFUNCTION DAN CLASS DWT ....................................49
GAMBAR 4.19 CLASS WAVELETS TRANSFORMER ...............................................50
GAMBAR 4.20 CLASS TREELEVEL .......................................................................51
GAMBAR 4.21 CLASS SVM TRAIN ......................................................................52
GAMBAR 4.22 CLASS SVM PREDICT ...................................................................53
GAMBAR 5.1 IMAGE SET PERTAMA PADA ITERASI PERTAMA................................57
GAMBAR 5.2 IMAGE SET PERTAMA PADA ITERASI KEDUA....................................58
GAMBAR 5.3 IMAGE SET PERTAMA PADA ITERASI KETIGA ...................................59
GAMBAR 5.4 IMAGE SET PERTAMA PADA ITERASI KEEMPAT ................................60
GAMBAR 5.5 IMAGE SET PERTAMA KLASIFIKASI SVM YANG BERNILAI 1............61
GAMBAR 5.6 IMAGE SET KEDUA PADA ITERASI PERTAMA....................................62
GAMBAR 5.7 IMAGE SET KEDUA PADA ITERASI KEDUA ........................................63
GAMBAR 5.8 IMAGE SET KEDUA PADA ITERASI KETIGA .......................................64
GAMBAR 5.9 IMAGE SET KEDUA KLASIFIKASI SVM YANG BERNILAI 1................64
GAMBAR 5.10 IMAGE SET KETIGA PADA ITERASI PERTAMA .................................65
GAMBAR 5.11 IMAGE SET KETIGA PADA ITERASI KEDUA .....................................66
GAMBAR 5.12 IMAGE SET KETIGA PADA ITERASI KETIGA ....................................67
x
GAMBAR 5.13 IMAGE SET KETIGA PADA ITERASI KEEMPAT .................................68
GAMBAR 5.14 IMAGE SET KETIGA KLASIFIKASI SVM YANG BERNILAI 1 .............69
GAMBAR 5.15 IMAGE SET KEEMPAT PADA ITERASI PERTAMA ..............................70
GAMBAR 5.16 IMAGE SET KEEMPAT PADA ITERASI KEDUA ..................................71
GAMBAR 5.17 IMAGE SET KEEMPAT PADA ITERASI KETIGA .................................71
GAMBAR 5.18 IMAGE SET KEEMPAT KLASIFIKASI SVM YANG BERNILAI 1 ..........72
xi
A UNIFIED LOG BASED RELEVANCE FEEDBACK PADA IMAGE
RETRIEVAL
TUGAS AKHIR
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
pada
Program Studi S-1 Jurusan Teknik Informatika
Fakultas Teknologi Informasi
Institut Teknologi Sepuluh Nopember
Oleh :
HASAN DWI CAHYONO
Nrp. 5104109615
Disetujui oleh Pembimbing Tugas Akhir :
1. Esther Hanaya, M. Sc.
……….( Pembimbing I )
2. Darlis Heru M., S. Kom.
……….( Pembimbing II)
SURABAYA
JANUARI, 2007
ii
PENERAPAN DAN ANALISIS KONSEP
A UNIFIED LOG BASED RELEVANCE FEEDBACK PADA IMAGE
RETRIEVAL
Nama Mahasiswa : Hasan Dwi Cahyono
NRP
: 5104 109 615
Jurusan
: Teknik Informatika FTIf - ITS
Dosen Pembimbing : Esther Hanaya, M. Sc.
Darlis Heru M., S. Kom.
ABSTRAK
Relevance feedback telah tampil sebagai konsep yang tangguh untuk
mendorong kinerja retrieval pada content – based image retrieval (CBIR). Di
masa lalu, kebanyakan penelitian pada bidang ini terfokus pada desain algoritma
yang efektif pada traditional relevance feedback.
Bahwasanya CBIR dapat menghimpun dan menyimpan informasi relevance
feedback dari user pada sebuah history log, sebuah image retrieval system
seharusnya mampu untuk mengunakan log data feedback tersebut untuk
meningkatkan retrieval performance – nya.
Dalam Tugas Akhir ini, akan dibuat sebuah unified framework untuk log –
based relevance feedback yang mengintegrasikan log dari feedback data kedalam
konsep traditional relevance scheme untuk mempelajari secara tepat korelasi
antara low – level image features dan high – level concepts.
Sebagai hasil akhir dari sistem ini adalah kumpulan image yang memiliki
kesesuaian dengan query user.
Kata Kunci: Content – based image retrieval, relevance feedback, log – based
relevance feedback, log – data.
iii
A UNIFIED LOG BASED RELEVANCE FEEDBACK FOR IMAGE
RETRIEVAL
Student Name
: Hasan Dwi Cahyono
NRP
: 5104 109 615
Department
: Teknik Informatika FTIf - ITS
Advisors
: Esther Hanaya, M. Sc.
Darlis Heru M., S. Kom.
ABSTRACT
Relevance feedback has emerged as a powerful tool to boost the retrieval
performance in content – based image retrieval (CBIR). In the past, most research
efforts in this field have focused on designing effective algoritms for traditional
retrieval feedback.
Given that a CBIR system can collect and store user’s relevance feedback
information in a history log, an image retrieval system should be able to take
advantage of the log data of user’s relevance feedback to enhance its retrieval
performance.
In this final project, the author proposes a unified framework for log –
based relevance feedback that integrates the log of feedback data into the
traditional relevance feedback schemes to learn effectively the correlation between
low – level features and high – level concepts.
For the results of the systems are set of images which has similarity based
on user’s query.
Index Terms: Content – based image retrieval, relevance feedback, log – based
relevance feedback, log – data.
iv
KATA PENGANTAR
Segala puji terucap kehadirat
yang telah melimpahkan
karunia-Nya berupa rizki kepada siapa saja yang dikehendaki-Nya dari
seluruh makhluk-Nya di alam semesta ini. Shalawat serta salam senantiasa
terucapkan untuk kepada seorang manusia terbaik sepanjang zaman.
Melalui kata pengantar ini, penyusun ingin mengucapkan banyak ucapan
Jazakumullahu khairan katsiro (semoga
membalas anda semua dengan
kebaikan yang banyak) kepada pelbagai pihak yang telah membantu
penyusun menyelesaikan Tugas Akhir ini, yaitu:
Ayahanda dan ibunda yang telah mendidik, mengasuh, membesarkan,
menasehati, memotivasi, meluruskan dan mendoakan penyusun dengan
penuh rasa ikhlas, kesabaran, tanpa pamrih, serta penuh rasa kasih sayang.
Ibu Esther Hanaya, M.Sc. dan Bapak Darlis Heru M., S.Kom., selaku
dosen-dosen pembimbing yang telah dengan sabar mengarahkan penyusun
sehingga bisa menyelesaikan Tugas Akhir ini tepat pada waktunya.
Bapak Irfan S., S.Kom., Msc.Eng., dan Bapak Hoirul B., S.Kom selaku
dosen penguji.
Bapak Fajar Baskoro, yang telah penyusun repotkan sewaktu kuliah.
Mas Ari Shidiq yang telah banyak membantu baik sebagai pembimbing
“bayangan“ dan juga sebagai seorang sahabat.
Bapak / Ibu dosen IT PENS, yang telah banyak berjasa dalam
perkembangan penyusun.
Teman – teman Alumni IT’00 PENS (Andri, Ipόel, Satria, Anang, dll),
teman – teman LJ (ext) (Oky, Dono, Irwan2, A’ot, Upic, Imam, Indra, dll)
dan dari (ext) TC, mantan rekan – rekan kerja di Elista PENS, kost – er
maupun alumni kost – er GK 31.
Dan kepada pelbagai pihak yang tidak mungkin penyusun sebutkan satu
persatu.
Surabaya, Januari 2007
Penyusun
v
vi
DAFTAR ISI
ABSTRAK.................................................................................................... III
ABSTRACT ..................................................................................................IV
KATA PENGANTAR ................................................................................... V
DAFTAR ISI ............................................................................................... VII
DAFTAR GAMBAR ..................................................................................... X
BAB 1 PENDAHULUAN ............................................................................... 1
1.1
1.2
1.3
1.4
1.5
1.6
LATAR BELAKANG ................................................................................. 1
TUJUAN .................................................................................................. 2
PERMASALAHAN ..................................................................................... 2
BATASAN MASALAH............................................................................... 3
METODOLOGI PELAKSANAAN TUGAS AKHIR ......................................... 3
SISTEMATIKA PENULISAN ....................................................................... 4
BAB 2 TEORI PENUNJANG........................................................................ 5
2.1
2.1.1
2.1.2
2.1.3
2.2
2.3
2.2.1
2.2.2
2.2.3
LOW – LEVEL IMAGE REPRESENTATION...................................................... 5
Komponen Warna .................................................................................. 5
Komponen Tepi ...................................................................................... 5
Komponen Tekstur ................................................................................. 6
EUCLIDEAN DISTANCE............................................................................ 6
DASAR SUPPORT VECTOR MACHINES ..................................................... 7
Perkenalan ............................................................................................. 7
Hyperplane............................................................................................. 7
Optimasi Lagrange ................................................................................ 9
2.2.3.1 Teori Lagrange ...................................................................................................9
2.2.3.2 Lagrange Multiplier..........................................................................................11
BAB 3 SUPPORT VECTOR MACHINES................................................ 15
3.1
3.2
3.3
3.4
3.4.1
3.5
SUPPORT VECTOR MACHINES ............................................................... 15
HYPERPLANE OPTIMAL......................................................................... 16
IMPLEMENTASI MAXIMAL MARGIN SVM............................................. 21
SOFT MARGIN HYPERPLANE ................................................................. 22
Definisi Soft Margin Hyperplane ......................................................... 22
DOT PRODUCT PADA FEATURE SPACE .................................................. 24
BAB 4 PERANCANGAN DAN PEMBUATAN PERANGKAT LUNAK27
4.1
TAHAPAN PERSIAPAN PERANCANGAN APLIKASI .................................. 27
vii
4.1.1
4.1.2
4.1.3
4.1.4
4.1.5
4.1.6
4.1.7
Tahap Analisis ..................................................................................... 27
Tahap Desain....................................................................................... 27
Tahap Implementasi............................................................................. 28
Tahap Uji Coba.................................................................................... 28
Analisis Kebutuhan Aplikasi ................................................................ 28
Arsitektur Sistem / Flowchart .............................................................. 29
A Unified Log – Based Relevance Feedback Framework .................... 30
4.1.7.1 Log – Based Relevance Feedback: Rumusan dan Batasan ..............................30
4.2 IMPLEMENTASI PERANCANGAN APLIKASI ............................................ 32
4.2.1 Perancangan Proses dalam aplikasi.................................................... 32
4.2.2 Perancangan Object-Object yang Ada Dalam Aplikasi....................... 35
4.2.2.1 Object Utama Diagram Generate low level components / features...................36
4.2.2.2 Class ImageStatistics ........................................................................................36
4.2.2.3 Class CannyEdgeDetector ................................................................................37
4.2.2.4 Class DWT .......................................................................................................38
4.2.2.5 Class DBConnection.........................................................................................39
4.2.2.6 Class SVM........................................................................................................39
4.3
4.3.1
4.3.2
4.3.3
PEMBUATAN PERANGKAT LUNAK ........................................................ 42
Lingkungan Aplikasi ............................................................................ 43
Implementasi Object-object Utama...................................................... 43
Object ClassDiagram........................................................................... 43
4.3.3.1 Field-field Utama dari ClassDiagram...............................................................43
4.3.3.2 Implementasi Ifilter / Kumpulan ClassDiagram ...............................................44
4.3.3.3 Algoritma Utama Support Vector Machines.....................................................51
BAB 5 UJI COBA DAN EVALUASI ......................................................... 55
5.1 LINGKUNGAN UJI COBA ....................................................................... 55
5.2 SKENARIO UJI COBA ............................................................................. 55
5.2.1 Garis Besar Skenario........................................................................... 56
5.2.1.1 Garis Besar Skenario 1 .....................................................................................56
5.2.1.2 Garis Besar Skenario 2 .....................................................................................56
5.3 PELAKSANAAN UJI COBA ..................................................................... 56
5.3.1 Pelaksanaan Skenario 1....................................................................... 56
5.3.2 Pelaksanaan Skenario 2....................................................................... 65
BAB 6 KESIMPULAN DAN SARAN......................................................... 73
6.1
6.2
KESIMPULAN ........................................................................................ 73
SARAN .................................................................................................. 73
DAFTAR PUSTAKA.................................................................................... 75
LAMPIRAN I PERBANDINGAN HASIL UJI KERJA SKENARIO .... 81
viii
LAMPIRAN II BIODATA PENULIS ....................................................... 83
ix
DAFTAR GAMBAR
GAMBAR 2.1 KONSTRAINED SHORTEST PATH .....................................................10
GAMBAR 2.2 ELLIPSES AND LAGRANGE MULTIPLIER..........................................12
GAMBAR 3.1 HYPERPLANE DENGAN SUPPORT VECTOR DAN MAXIMAL MARGIN 17
GAMBAR 3.2 KERNEL MAPPING DARI INPUT SPACE KEPADA FEATURE SPACE.....25
GAMBAR 4.1 ARSITEKTUR SISTEM ......................................................................29
GAMBAR 4.2 LOG – BASED RELEVANCE FEEDBACK .............................................30
GAMBAR 4.3 USE CASE APLIKASI .......................................................................33
GAMBAR 4.4 GENERATE LOW LEVEL COMPONENTS ...........................................34
GAMBAR 4.5 COLLECTS USER’S RELEVANCE IMAGES ........................................35
GAMBAR 4.6 CLASS DIAGRAM IMAGESTATISTICS ..............................................36
GAMBAR 4.7 CLASS DIAGRAM CANNYEDGEDETECTOR .....................................37
GAMBAR 4.8 CLASS DIAGRAM DWT ..................................................................38
GAMBAR 4.9 CLASS DIAGRAM DBCONNECTION.................................................39
GAMBAR 4.10 CLASS DIAGRAM SVM - 1............................................................40
GAMBAR 4.11 CLASS DIAGRAM SVM - 2............................................................41
GAMBAR 4.12 CLASS DIAGRAM SVM – 3 ...........................................................42
GAMBAR 4.13 INTERFACE IFILTER ......................................................................44
GAMBAR 4.14 IMAGE STATISTICSHSL ................................................................45
GAMBAR 4.15 HISTOGRAM CLASS ......................................................................46
GAMBAR 4.16 CANNY EDGE DETECTORS ............................................................47
GAMBAR 4.17 GAUSSIAN BLUR CLASS ...............................................................48
GAMBAR 4.18 ENUM DWTFUNCTION DAN CLASS DWT ....................................49
GAMBAR 4.19 CLASS WAVELETS TRANSFORMER ...............................................50
GAMBAR 4.20 CLASS TREELEVEL .......................................................................51
GAMBAR 4.21 CLASS SVM TRAIN ......................................................................52
GAMBAR 4.22 CLASS SVM PREDICT ...................................................................53
GAMBAR 5.1 IMAGE SET PERTAMA PADA ITERASI PERTAMA................................57
GAMBAR 5.2 IMAGE SET PERTAMA PADA ITERASI KEDUA....................................58
GAMBAR 5.3 IMAGE SET PERTAMA PADA ITERASI KETIGA ...................................59
GAMBAR 5.4 IMAGE SET PERTAMA PADA ITERASI KEEMPAT ................................60
GAMBAR 5.5 IMAGE SET PERTAMA KLASIFIKASI SVM YANG BERNILAI 1............61
GAMBAR 5.6 IMAGE SET KEDUA PADA ITERASI PERTAMA....................................62
GAMBAR 5.7 IMAGE SET KEDUA PADA ITERASI KEDUA ........................................63
GAMBAR 5.8 IMAGE SET KEDUA PADA ITERASI KETIGA .......................................64
GAMBAR 5.9 IMAGE SET KEDUA KLASIFIKASI SVM YANG BERNILAI 1................64
GAMBAR 5.10 IMAGE SET KETIGA PADA ITERASI PERTAMA .................................65
GAMBAR 5.11 IMAGE SET KETIGA PADA ITERASI KEDUA .....................................66
GAMBAR 5.12 IMAGE SET KETIGA PADA ITERASI KETIGA ....................................67
x
GAMBAR 5.13 IMAGE SET KETIGA PADA ITERASI KEEMPAT .................................68
GAMBAR 5.14 IMAGE SET KETIGA KLASIFIKASI SVM YANG BERNILAI 1 .............69
GAMBAR 5.15 IMAGE SET KEEMPAT PADA ITERASI PERTAMA ..............................70
GAMBAR 5.16 IMAGE SET KEEMPAT PADA ITERASI KEDUA ..................................71
GAMBAR 5.17 IMAGE SET KEEMPAT PADA ITERASI KETIGA .................................71
GAMBAR 5.18 IMAGE SET KEEMPAT KLASIFIKASI SVM YANG BERNILAI 1 ..........72
xi